KR20210115121A - Deeep learning-based disaster safety building custom 3D modeling dataset construction method - Google Patents

Deeep learning-based disaster safety building custom 3D modeling dataset construction method Download PDF

Info

Publication number
KR20210115121A
KR20210115121A KR1020200030463A KR20200030463A KR20210115121A KR 20210115121 A KR20210115121 A KR 20210115121A KR 1020200030463 A KR1020200030463 A KR 1020200030463A KR 20200030463 A KR20200030463 A KR 20200030463A KR 20210115121 A KR20210115121 A KR 20210115121A
Authority
KR
South Korea
Prior art keywords
building
learning
data
building data
similarity
Prior art date
Application number
KR1020200030463A
Other languages
Korean (ko)
Inventor
신원선
Original Assignee
주식회사 비전21테크
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 비전21테크 filed Critical 주식회사 비전21테크
Priority to KR1020200030463A priority Critical patent/KR20210115121A/en
Publication of KR20210115121A publication Critical patent/KR20210115121A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Architecture (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to a deep learning-based disaster safety building user-customized 3D modeling dataset construction method, which secures building data from a photo or a video of a building, quantifies the building data, measures the similarity of comparative building groups based on the quantified building data, and constructs and provides a 3D modeling dataset based on the result. The method comprises the steps of: classifying and storing the photo or the video of the building; securing the building data from the photo or the video of the building acquired by an image acquisition unit; and generating the building data for learning by processing and refining the building data. Accordingly, the occurrence of a disaster in a building can be accurately predicted through artificial intelligence learning, thereby preventing building safety accidents.

Description

딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법{Deeep learning-based disaster safety building custom 3D modeling dataset construction method}Deep learning-based disaster safety building custom 3D modeling dataset construction method}

본 발명은 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법에 관한 것으로, 보다 상세하게는 건물의 사진 또는 동영상으로부터 건물 데이터를 확보하고, 건물데이터를 정량화하고, 정량화된 건물데이터를 기반으로 비교 건물군의 유사도를 측정하고 그 결과를 기반으로 3차원 모델링 데이터셋을 구축하여 제공하는 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법에 관한 것이다.The present invention relates to a method for constructing a user-customized three-dimensional modeling dataset for disaster safety buildings based on deep learning, and more particularly, securing building data from photos or videos of buildings, quantifying building data, and quantifying building data based on quantified building data. It relates to a method for constructing a user-customized 3D modeling dataset for disaster safety buildings based on deep learning that measures the similarity of the comparative building groups and builds and provides a 3D modeling dataset based on the result.

건축물의 소유자 또는 관리자는 그 건축물, 대지 및 건축설비를 건축법의 규정에 적합하도록 유지 관리하여야 할 의무가 있다. 유지 관리 업무를 빠르고 효과적으로 수행하기 위해서는 먼저 유지 관리 계획을 수립할 필요가 있다. 계획에는 일상적인 점검과 점검, 수선에 관한 사항이 있다.The owner or manager of a building is obliged to maintain and manage the building, site, and construction equipment to comply with the provisions of the Building Act. In order to perform maintenance tasks quickly and effectively, it is necessary to establish a maintenance plan first. The plan includes routine inspections, inspections and repairs.

특히 집합건물을 유지 관리함에 있어서 안전상의 위해 요소나, 급격한 기능저하를 가져올 우려가 있는 변형, 균열, 누수 등 결함을 조기에 파악하여 적절한 대책을 수립하는 것이 매우 중요하다.In particular, it is very important to establish appropriate countermeasures by early detection of safety hazards or defects such as deformation, cracks, and water leakage that may cause rapid functional deterioration in the maintenance and management of collective buildings.

건축물의 유지 관리는 정량적으로 기준화된 것이 아니므로 경험적 판단을 요하는 경우가 많으나 적절하고 객관적인 평가가 이루어지기 위해서는 점검기준 및 평가·판정기준을 마련하여 각 기준에 따라 유지관리를 시행하는 것이 바람직하다.Since maintenance of buildings is not quantitatively standardized, empirical judgment is often required. However, in order to achieve an appropriate and objective evaluation, it is desirable to prepare inspection standards and evaluation/judgment standards and implement maintenance according to each standard. do.

특히 건축물의 유지 보수 단계에서 중요한 요소는 유지 보수의 주기 및 수선비용을 예측하는 것이다. In particular, an important factor in the maintenance phase of a building is to predict the maintenance cycle and repair cost.

현재 유지보수의 주기 및 수선비용 예측은 관리자의 판단과 건물별 특성을 고려하지 않은 장기 수선계획에 의존하여 결정되고 이러한 예측값은 실제 건물의 생애주기 전반에 걸친 유지 보수의 흐름과 오차가 발생하게 된다.The current maintenance cycle and repair cost prediction depend on the manager's judgment and the long-term repair plan that does not take into account the characteristics of each building. .

본 발명의 배경이 되는 기술은 대한민국 공개특허공보 제10-2011-0037057호(2011.04.13)에 기재되어 있다.The technology underlying the present invention is described in Korean Patent Application Laid-Open No. 10-2011-0037057 (2011.04.13).

대한민국 공개특허 제 10-2011-0037057 호Republic of Korea Patent Publication No. 10-2011-0037057 대한민국 등록특허 제 10-1553476 호Republic of Korea Patent No. 10-1553476

이와 같은 필요한 상황에 부응항 안출된 것으로, 본 발명은 건물의 사진 또는 동영상으로부터 건물 데이터를 확보하고, 건물데이터를 정량화하고, 정량화된 건물데이터를 기반으로 비교 건물군의 유사도를 측정하여 제공하는 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법을 제공하는데, 그 목적이 있다.In response to such a necessary situation, the present invention secures building data from a photograph or video of a building, quantifies the building data, and measures the similarity of a comparative building group based on the quantified building data to provide a deep The purpose is to provide a method for constructing a user-customized 3D modeling dataset for a learning-based disaster safety building.

본 발명의 실시예에 따른 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법은, 건축물의 사진 또는 동영상을 제공받아 분류 저장하는 단계; 상기 영상획득부에 의해 획득된 건출물의 사진 또는 동영상으로부터 건축물 데이터를 확보하는 단계; 및 상기 건축물 데이터를 가공 및 정제 처리하여 학습용 건축물 데이터를 생성하는 단계를 포함할 수 있다.A method for constructing a user-customized three-dimensional modeling dataset for a deep learning-based disaster safety building according to an embodiment of the present invention includes: classifying and storing a photo or video of a building; securing building data from a photograph or moving picture of the building acquired by the image acquisition unit; and processing and refining the building data to generate building data for learning.

또한, 본 발명과 관련된 실시예로서, 상기 건축물 데이터들을 대상으로 유사도를 체크하고, 체크결과를 기반으로 유사도 측정값을 산출하는 단계; 건축물 유사도 체크 결과 유사도 측정값이 미리 설정된 기준값보다 클 경우 가동되어 가상 시뮬레이션 결과물을 생성하여 제공하는 단계; 및 가상 시뮬레이션 결과물을 기반으로 재난발생 가능성 정보를 생성시켜 제공하는 단계로 이루어진다.In addition, as an embodiment related to the present invention, the method includes: checking the similarity for the building data and calculating a similarity measurement value based on the check result; operating when the similarity measurement value is greater than a preset reference value as a result of the building similarity check, generating and providing a virtual simulation result; and generating and providing disaster probability information based on the virtual simulation result.

본 발명은 건물의 사진 또는 동영상으로부터 건물 데이터를 확보하고, 건물데이터를 정량화하고, 정량화된 건물데이터를 기반으로 비교 건물군의 유사도를 측정하고 그 결과를 기반으로 3차원 모델링 데이터셋을 구축하여 제공함으로써, 인공지능학습을 통해 건축물에 대한 재난발생 여부를 정확하게 예측할 수 있어 건출물 안전사고를 미연에 예방하도록 하는 효과가 있다.The present invention secures building data from a photograph or video of a building, quantifies the building data, measures the similarity of a comparative building group based on the quantified building data, and builds and provides a three-dimensional modeling dataset based on the result By doing so, it is possible to accurately predict whether a disaster will occur to a building through artificial intelligence learning, thereby preventing building safety accidents in advance.

도 1은 본 발명에 따른딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축시스템을 설명하기 위한 도면이다.
도 2는 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법을 설명하기 위한 동작흐름도이다.1 is a diagram for explaining a system for constructing a user-customized three-dimensional modeling dataset for a deep learning-based disaster safety building according to the present invention.
2 is an operation flowchart for explaining a method for constructing a user-customized three-dimensional modeling dataset for a deep learning-based disaster safety building.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.It should be noted that the technical terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. In addition, the technical terms used in the present invention should be interpreted as meanings generally understood by those of ordinary skill in the art to which the present invention belongs, unless specifically defined in other meanings in the present invention, and excessively inclusive It should not be construed in the meaning of a human being or in an excessively reduced meaning. In addition, when the technical term used in the present invention is an incorrect technical term that does not accurately express the spirit of the present invention, it should be understood by being replaced with a technical term that can be correctly understood by those skilled in the art. In addition, general terms used in the present invention should be interpreted as defined in advance or according to the context before and after, and should not be interpreted in an excessively reduced meaning.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Also, as used herein, the singular expression includes the plural expression unless the context clearly dictates otherwise. In the present invention, terms such as "consisting of" or "comprising" should not be construed as necessarily including all of the various elements or several steps described in the invention, some of which elements or some steps are included. It should be construed that it may not, or may further include additional components or steps.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, a preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings, but the same or similar components are assigned the same reference numerals regardless of reference numerals, and redundant description thereof will be omitted.

이하 본 발명을 실시예와 함께 상세히 설명한다.Hereinafter, the present invention will be described in detail with examples.

도 1은 본 발명에 따른딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축시스템을 설명하기 위한 도면이다.1 is a view for explaining a system for constructing a user-customized three-dimensional modeling dataset for a deep learning-based disaster safety building according to the present invention.

도 1에 도시된 바와 같이, 건축물의 사진 또는 동영상을 제공받아 분류 저장하는 영상획득부(100)와, 상기 영상획득부에 의해 획득된 건출물의 사진 또는 동영상으로부터 건축물 데이터를 확보하는 건축물 데이터 확보부(200)와, 건축물 데이터들을 대상으로 유사도 체크결과를 기반으로 유사도 측정값을 산출하는 건축물 유사도 체크부(300)와, 건축물 유사도 체크 결과 유사도 측정값이 미리 설정된 기준값보다 클 경우 가동되어 가상 시뮬레이션 결과물을 생성하여 제공하는 가상 시뮬레이터(400)와, 가상 시뮬레이션 결과물을 기반으로 재난발생 가능성 정보를 생성시켜 제공하는 재난안전 모니터링 가이드부(500)로 이루어진다.As shown in FIG. 1 , an image acquisition unit 100 that receives and classifies and stores photos or videos of buildings, and a building data securing unit that secures building data from photos or videos of buildings acquired by the image acquisition unit 200, a building similarity check unit 300 that calculates a similarity measurement value based on a similarity check result for building data, and a virtual simulation result that is operated when the similarity measurement value is greater than a preset reference value as a result of the building similarity check It consists of a virtual simulator 400 that generates and provides, and a disaster safety monitoring guide unit 500 that generates and provides disaster probability information based on a virtual simulation result.

다양한 건축물 영상 사진 및 동영상으로 촬영 유사 건축물 데이터 이용을 위한 건축물 유사도 확보를 위한 데이터셋을 구축해야 한다.It is necessary to build a dataset to secure the similarity of buildings for the use of building data similar to those taken with photos and videos of various building images.

건축물 유사도 도출을 위한 알고리즘 최적화를 위한 신경망 가중치 매뉴얼 도출하여 제공하는 구성요소가 더 포함되며, 가중치 매뉴얼 기반 유사도가 80% 이상인 건축물 내부 도면 3D 모델링을 위한 가상 시뮬레이터 가동된다.The components provided by deriving and providing a neural network weight manual for algorithm optimization for deriving building similarity are further included, and a virtual simulator for 3D modeling of building interior drawings with a similarity of 80% or more based on the weight manual is operated.

내부 가상 공간(도면) 시뮬레이션결과도출 및 결과의 사용자 의뢰(의견 반영 feedback) Derivation of simulation results of internal virtual space (drawings) and user request for results (feedback reflecting opinions)

사용자 의견 반영된 선택 건축물 내부 모델을 기반으로 재난안전 모니터링 가이드 반영한 시뮬레이터를 이용한 결과도출 Result using simulator reflecting disaster safety monitoring guide based on internal model of selected building reflecting user opinion

재난안전 모니터링 가이드가 반영된 시뮬레이터 결과 도출 이후, 각종 가상 센서 탑재하여 재닌 안전전시뮬레이터 가동 및 결과물 도출 After deriving the simulator results reflecting the disaster safety monitoring guide, various virtual sensors are installed to operate the Janine safety simulator and derive the results

가상 센서와 실제 센서의 부착위치, 센서 특성, 기능 비교 및 최적화 데이터 셋 도출 Deduction of virtual and real sensor attachment positions, sensor characteristics, function comparison and optimization data set

도출된 최적화된 데이타셋에 알고리즘 최적화를 위한 신경망 가중치 매핑 Neural network weight mapping for algorithm optimization on the derived optimized dataset

상기와 같이 구성된 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축시스템의 데이터셋 방법을 설명하면 다음과 같다.The data set method of the deep learning-based disaster safety building user-customized 3D modeling dataset construction system configured as described above is as follows.

도 2는 본 발명에 따른 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법을 설명하기 위한 동작흐름도이다.2 is an operation flowchart for explaining a method for constructing a user-customized three-dimensional modeling dataset for a deep learning-based disaster safety building according to the present invention.

도 2에 도시된 바와 같이, 건축물의 사진 또는 동영상을 제공받아 분류 저장(S100)하고, 영상획득부(100)에 의해 획득된 건출물의 사진 또는 동영상으로부터 건축물 데이터를 확보(S110)한다.As shown in FIG. 2 , a photo or video of a building is received, classified and stored (S100), and building data is secured from the photo or video of the building obtained by the image acquisition unit 100 (S110).

이렇게 건축물 데이터를 가공 및 정제 처리하여 학습용 건축물 데이터를 생성(S120)한다.By processing and refining the building data in this way, building data for learning is generated (S120).

건축물 유사도 체크부(300)는 학습용 건축물 데이터들을 대상으로 유사도를 체크하고, 체크결과를 기반으로 유사도 측정값을 산출(S130)하고, 가상 시뮬레이터(400)는 건축물 유사도 체크 결과 유사도 측정값이 미리 설정된 기준값보다 클 경우 가동되어 가상 시뮬레이션 결과물을 생성하여 제공(S140)한다.The building similarity check unit 300 checks the similarity of the building data for learning, and calculates a similarity measurement value based on the check result (S130), and the virtual simulator 400 sets the similarity measurement value as a result of the building similarity check in advance. If it is greater than the reference value, it is activated to generate and provide a virtual simulation result (S140).

재난안전 모니터링 가이드부(500)는 가상 시뮬레이션 결과물을 기반으로 재난발생 가능성 정보를 생성시켜 제공(S150)한다.The disaster safety monitoring guide unit 500 generates and provides disaster occurrence probability information based on the virtual simulation result (S150).

전술한 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Those of ordinary skill in the art to which the present invention pertains may modify and modify the above-described contents without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

100 : 영상획득부
200 : 건축물 데이터 확보부
300 : 건축물 유사도 체크부
400 : 가상 시뮬레이터
500 : 재난안전 모니터링 가이드부100: image acquisition unit
200: building data securing unit
300: building similarity check unit
400 : virtual simulator
500: Disaster safety monitoring guide unit

Claims (2)

건축물의 사진 또는 동영상을 제공받아 분류 저장하는 단계;
상기 영상획득부에 의해 획득된 건출물의 사진 또는 동영상으로부터 건축물 데이터를 확보하는 단계; 및
상기 건축물 데이터를 가공 및 정제 처리하여 학습용 건축물 데이터를 생성하는 단계;
를 포함하는 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법.
classifying and storing a photo or video of a building;
securing building data from a photograph or moving picture of the building acquired by the image acquisition unit; and
generating building data for learning by processing and refining the building data;
A method of constructing a user-customized 3D modeling dataset for a deep learning-based disaster safety building comprising a.
 제 1 항에 있어서,
상기 학습용 건축물 데이터들을 대상으로 유사도를 체크하고, 체크결과를 기반으로 유사도 측정값을 산출하는 단계;
건축물 유사도 체크 결과 유사도 측정값이 미리 설정된 기준값보다 클 경우 가동되어 가상 시뮬레이션 결과물을 생성하여 제공하는 단계; 및
가상 시뮬레이션 결과물을 기반으로 재난발생 가능성 정보를 생성시켜 제공하는 단계;
를 더 포함하는 딥러닝기반 재난 안전 건축물 사용자 맞춤형 3차원 모델링 데이터셋 구축방법.


The method of claim 1,
checking the similarity of the building data for learning, and calculating a similarity measurement value based on the check result;
operating when the similarity measurement value is greater than a preset reference value as a result of the building similarity check, generating and providing a virtual simulation result; and
generating and providing disaster probability information based on the virtual simulation result;
Deep learning-based disaster safety building user-customized 3D modeling dataset construction method further comprising a.
KR1020200030463A 2020-03-12 2020-03-12 Deeep learning-based disaster safety building custom 3D modeling dataset construction method KR20210115121A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200030463A KR20210115121A (en) 2020-03-12 2020-03-12 Deeep learning-based disaster safety building custom 3D modeling dataset construction method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200030463A KR20210115121A (en) 2020-03-12 2020-03-12 Deeep learning-based disaster safety building custom 3D modeling dataset construction method

Publications (1)

Publication Number Publication Date
KR20210115121A true KR20210115121A (en) 2021-09-27

Family

ID=77926108

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200030463A KR20210115121A (en) 2020-03-12 2020-03-12 Deeep learning-based disaster safety building custom 3D modeling dataset construction method

Country Status (1)

Country Link
KR (1) KR20210115121A (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023095938A1 (en) * 2021-11-24 2023-06-01 심용수 Safety accident prevention method and apparatus therefor
KR20230117950A (en) * 2022-02-03 2023-08-10 연세대학교 산학협력단 Method for estimating architecture similarity based on multi-modal data, apparatus and computer program for performing the method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110037057A (en) 2009-10-05 2011-04-13 유광용 The classification system of building form
KR101553476B1 (en) 2014-04-24 2015-09-16 인하대학교 산학협력단 Apparatus for measuring likelihood ratio of building and method thereof

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110037057A (en) 2009-10-05 2011-04-13 유광용 The classification system of building form
KR101553476B1 (en) 2014-04-24 2015-09-16 인하대학교 산학협력단 Apparatus for measuring likelihood ratio of building and method thereof

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023095938A1 (en) * 2021-11-24 2023-06-01 심용수 Safety accident prevention method and apparatus therefor
KR20230117950A (en) * 2022-02-03 2023-08-10 연세대학교 산학협력단 Method for estimating architecture similarity based on multi-modal data, apparatus and computer program for performing the method

Similar Documents

Publication Publication Date Title
Yu et al. Vision-based concrete crack detection using a hybrid framework considering noise effect
CN109241896B (en) Channel safety detection method and device and electronic equipment
CN109784293B (en) Multi-class target object detection method and device, electronic equipment and storage medium
US10783643B1 (en) Segmentation-based damage detection
CN112669316B (en) Power production abnormality monitoring method, device, computer equipment and storage medium
US11829116B2 (en) Intelligent identification and warning method for uncertain object of production line in digital twin environment (DTE)
KR102080462B1 (en) Method and system for pavement safety diagnosis and management based on deep-learning
CN111598040A (en) Construction worker identity identification and safety helmet wearing detection method and system
US20200293394A1 (en) Interactive troubleshooting assistant
KR20210115121A (en) Deeep learning-based disaster safety building custom 3D modeling dataset construction method
US20200357111A1 (en) Recognizing damage through image analysis
CN113177469A (en) Training method and device for human body attribute detection model, electronic equipment and medium
JP2017167624A (en) Image processing device, image processing method, and program
CN111931719B (en) High-altitude parabolic detection method and device
CN112131951A (en) System for automatically identifying behaviors of illegal ladder use in construction
CN112149962A (en) Risk quantitative evaluation method and system for cause behavior of construction accident
CN112785557A (en) Belt material flow detection method and device and belt material flow detection system
US20220129693A1 (en) State determination apparatus and image analysis apparatus
US20200293877A1 (en) Interactive assistant
CN113269111B (en) Video monitoring-based elevator abnormal behavior detection method and system
CN116664846B (en) Method and system for realizing 3D printing bridge deck construction quality monitoring based on semantic segmentation
KR102279039B1 (en) Vessel maintenance support method by vessel maintenance support system including mobile device and maintenance support server
KR102525491B1 (en) Method of providing structure damage detection report
CN111797993A (en) Evaluation method and device for deep learning model, electronic equipment and storage medium
CN114418945A (en) Photovoltaic module hot spot detection method and device