| 1 |
1
터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측부;상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할부; 및상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정부;를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 2 |
2
제1항에 있어서, 상기 터널 굴착면 라이다 계측부는,상기 터널 굴착면에서 설정 거리를 두고 배치되며, 상기 터널 굴착면의 3D 점군데이터를 획득하는 라이다(Lidar)부;를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 3 |
3
제2항에 있어서, 상기 터널 굴착면 라이다 계측부는,상기 라이다부에서 상기 터널 굴착면의 3D 점군데이터를 획득시, RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공하는 조명부; 및상기 터널 굴착면의 계측용 사진을 촬영하는 카메라부;를 더 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 4 |
4
제1항에 있어서, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가지는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 5 |
5
제1항에 있어서, 상기 3D 점군데이터 분할부는,상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터를 입력 받는 3D 점군데이터 입력부;상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하고, X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득하는 3D 회전변환부; 및상기 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 격자 분할부;를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 6 |
6
제5항에 있어서, 상기 3D 회전변환부에서,X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용되는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 7 |
7
제1항에 있어서, 상기 딥러닝 지반 상태 판정부에서,상기 딥러닝 알고리즘은, PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용되는 것을 특징으로 하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 8 |
8
제1항에 있어서, 상기 딥러닝 지반 상태 판정부는, 상기 딥러닝 알고리즘의 적용 이전에, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축하는 것을 특징으로 하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 9 |
9
제8항에 있어서, 상기 딥러닝 지반 상태 판정부는,암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝부; 및암반의 종류를 분류하는 암반 종류 분류 딥러닝부;를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 10 |
10
제9항에 있어서, 상기 딥러닝 지반 상태 판정부는,상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출하고, 상기 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거하며, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축하는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템
|
| 11 |
11
제1항의 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 시스템을 이용한 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법으로서,상기 터널 굴착면 라이다 계측부에서, 터널 굴착면에 대한 라이다(Lidar) 계측을 수행하고, 상기 터널 굴착면의 3D 점군데이터(3D point cloud data)를 획득하는 터널 굴착면 라이다 계측 단계;상기 3D 점군데이터 분할부에서, 상기 터널 굴착면 라이다 계측부에서 획득된 상기 터널 굴착면의 3D 점군데이터를 설정크기의 격자 형태로 분할하는 3D 점군데이터 분할 단계; 및상기 딥러닝 지반 상태 판정부에서, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 지반 판정의 단위로 하여 설정된 딥러닝 알고리즘을 통해 지반 판정 작업을 수행하고, 격자 단위로 지반의 위험상태를 판정하는 딥러닝 지반 상태 판정 단계;를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 12 |
12
제11항에 있어서, 상기 터널 굴착면 라이다 계측 단계에서,상기 터널 굴착면 라이다 계측부는 라이다부를 포함하고,상기 라이다부는 상기 터널 굴착면에서 설정 거리를 두고 배치되며, 상기 터널 굴착면의 3D 점군데이터를 획득하는 것을 특징으로 하는 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 13 |
13
제12항에 있어서, 상기 터널 굴착면 라이다 계측 단계에서,상기 터널 굴착면 라이다 계측부는 조명부와, 카메라부를 더 포함하고,상기 조명부는 상기 라이다부에서 상기 터널 굴착면의 3D 점군데이터를 획득시, RGB 값을 추가 획득하도록 설정 밝기의 조명을 제공하며,상기 카메라부는 상기 터널 굴착면의 계측용 사진을 촬영하는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 14 |
14
제11항에 있어서, 상기 터널 굴착면 라이다 계측 단계에서,상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터에 포함되는 각각의 점은, 위치좌표(x, y, z)와 RGB 값을 가지거나, 또는 위치좌표(x, y, z)만을 가지는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 15 |
15
제11항에 있어서, 상기 3D 점군데이터 분할 단계에서, 상기 3D 점군데이터 분할부는, 3D 점군데이터 입력부, 3D 회전변환부, 및 격자 분할부를 포함하고,상기 3D 점군데이터 분할 단계는,상기 3D 점군데이터 입력부에서, 상기 터널 굴착면 라이다 계측부에서 획득한 상기 터널 굴착면의 3D 점군데이터를 입력 받는 3D 점군데이터 입력 단계;상기 3D 회전변환부에서, 상기 입력 받은 터널 굴착면의 3D 점군데이터에 대해 지표면과 수직인 Z축을 축으로 하여 3D 회전변환(3D Transformation)을 실시하고, X-Z 평면에서 넓이가 최대가 될 때를 최적으로 하는 최적화 과정을 거쳐 최대단면을 찾은 후 X축을 축으로 하여 회전 후 회전변환을 완료하여 X-Y축을 단면으로 하는 3D 점군데이터를 획득하는 3D 회전변환 단계; 및상기 격자 분할부에서, 상기 3D 회전변환을 통해 사용자 설정값에 따라 분할하려는 격자의 폭과 높이를 입력 받고, 상기 입력된 격자의 폭과 높이를 기준으로 데이터 영역의 전체를 분할하며, 상기 분할된 모든 영역에서 3D 점군데이터가 존재하는 격자만 인덱싱 하는 격자 분할 단계;를 포함하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 16 |
16
제15항에 있어서, 상기 3D 회전변환 단계에서,X-Z 평면에서 넓이가 최대가 되는 최대단면을 찾는 상기 최적화 과정에는 넬더-미드 단체(Nelder-Mead simplex) 알고리즘이 이용되는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 17 |
17
제11항에 있어서, 상기 딥러닝 지반 상태 판정 단계에서,상기 딥러닝 알고리즘은, PointNet, PointNet2, DGCNN 중 하나 이상의 알고리즘이 이용되는 것을 특징으로 하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 18 |
18
제11항에 있어서, 상기 딥러닝 지반 상태 판정 단계는, 상기 딥러닝 알고리즘의 적용 이전에, 상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 기반으로 학습 데이터를 구축하는 것을 특징으로 하는 터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 19 |
19
제18항에 있어서, 상기 딥러닝 지반 상태 판정 단계는,암반의 절리 및 표면 상태를 통한 구조적 상태 평가를 수행하는 지반 구조 상태 딥러닝 단계와,암반의 종류를 분류하는 암반 종류 분류 딥러닝 단계를 포함하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
| 20 |
20
제19항에 있어서, 상기 딥러닝 지반 상태 판정 단계는,상기 격자 형태로 분할된 터널 굴착면의 3D 점군데이터를 txt 형태의 개별 파일로 추출하고, 상기 추출된 개별 파일 각각의 3D 점군데이터의 절대적인 좌표값을 정규화하는 과정을 수행하여 격자의 절대적 위치에 따른 영향을 제거하며, 정규화된 데이터에서 일정한 개수의 점을 무작위로 추출하여 딥러닝 학습을 수행하여 터널 굴착면의 지반 판정을 위한 딥러닝 모델을 구축하는 것을 특징으로 하는터널 굴착면 3D 점군데이터 기반 딥러닝 활용 위험지반 판정 방법
|
