1 |
1
미케노발광(mechano-luminescence, ML) 재료가 적용된 대상체의 미케노발광 이미지를 수신하는 단계;적대적 생성 신경망(Generative Adversarial Network, GAN)에 의해, 상기 수신된 미케노발광 이미지로부터 가짜(Fake) 유한요소법(Finite Element Method, FEM) 이미지를 생성하는 단계; 및컨볼류션 신경망(Convolutional Neural Network, CNN)에 의해, 상기 가짜 FEM 이미지로부터 대상체의 물리값을 산출하는 단계를 포함하는,대상체로부터 물리값을 산출하는 방법
|
2 |
2
제1항에 있어서, 상기 미케노발광 재료가 적용된 대상체로부터 카메라, 다중 채널 데이터 링크 장치, 센서, 또는 이들의 조합에 의해 상기 미케노발광 이미지를 취득하는 단계를 추가로 포함하는 것을 특징으로 하는 방법
|
3 |
3
제1항에 있어서, FEM 분석 프로그램에 의해, 미케노발광 재료가 적용된 대상체의 상기 미케노발광 이미지로부터 FEM 이미지를 얻는 단계; 및GAN과 CNN을 딥 러닝에 의해 사전 학습시키는 단계로서, 상기 사전 학습 단계는, 복수의 상기 미케노발광 이미지와 복수의 상기 FEM 이미지를 포함하는 학습 데이터 세트를 상기 GAN에 제공하여 상기 학습 데이터 세트의 상기 미케노발광 이미지를 가짜 FEM 이미지로 변환하거나 상기 학습 데이터 세트의 상기 FEM 이미지를 가짜 미케노발광 이미지로 변환시키는 것을 포함하는 방식에 의해 GAN을 사전 학습시키는 단계, 및 상기 GAN에 의해 변환된 가짜 FEM 이미지 또는 가짜 미케노발광 이미지를 CNN에 제공하여 물리값을 각각 산출하는 것을 포함하는 방식에 의해 CNN을 사전 학습시키는 단계를 포함하는 것인 단계를 추가로 포함하는 것을 특징으로 하는 방법
|
4 |
4
제1항에 있어서, 상기 CNN에 의해 산출된 물리값의 정확도를 검증하는 단계로서, 상기 검증 단계는, FEM 분석 프로그램에 의해, 미케노발광 재료가 적용된 대상체의 상기 미케노발광 이미지로부터 FEM 이미지를 얻는 단계,GAN에 상기 FEM 이미지를 제공하고 이로부터 GAN에 의해 가짜 미케노발광 이미지를 생성하는 단계, 상기 생성된 가짜 미케노발광 이미지를 CNN에 제공하고 이로부터 CNN에 의해 대상체의 제2 물리값을 산출하는 단계, 및 상기 제2 물리값을 상기 대상체의 물리값과 비교하는 단계를 포함하는 것인 단계를 추가로 포함하는 것을 특징으로 하는 방법
|
5 |
5
제1항에 있어서, 상기 CNN에 의해 산출된 물리값의 정확도를 검증하는 단계로서, 상기 검증 단계는, FEM 분석 프로그램에 의해, 미케노발광 재료가 적용된 대상체의 상기 미케노발광 이미지로부터 FEM 이미지를 얻는 단계, 상기 FEM 이미지로부터 컴퓨터 프로그램에 의해 대상체의 제3 물리값을 산출하는 단계, 및상기 제3 물리값을 상기 대상체의 물리값과 비교하는 단계를 포함하는 것인 단계를 추가로 포함하는 것을 특징으로 하는 방법
|
6 |
6
제4항 또는 제5항에 있어서, 상기 검증 단계에서 두 물리값이 서로 다를 경우, GAN과 CNN을 딥 러닝에 의해 학습시키는 것을 특징으로 하는 방법
|
7 |
7
제1항에 있어서, 상기 대상체가 구조물 또는 전자 피부인 것을 특징으로 하는 방법
|
8 |
8
제1항에 있어서, 상기 대상체가 구조물이고, 상기 물리값이 응력 확대 계수(stress intensity factor)인 것을 특징으로 하는 방법
|
9 |
9
제1항에 기재된 방법을 사용하는 것을 특징으로 하는, 구조물의 안전 진단 방법
|
10 |
10
미케노발광 재료가 적용된 대상체의 미케노발광 이미지를 수신하는 미케노발광 이미지 수신부; GAN 기반의 이미지 변환부; 및 상기 이미지 변환부로부터 변환 이미지를 제공받고 이로부터 대상체의 물리값을 산출하는 CNN 기반의 이미지 분석부를 포함하는, 대상체로부터 물리값을 산출하기 위한 장치
|
11 |
11
제10항에 있어서, 상기 이미지 변환부는 상기 미케노발광 이미지 수신부로부터 미케노발광 이미지를 제공받고 이를 GAN에 의해 가짜 FEM 이미지로 변환하고, 상기 이미지 분석부는 상기 이미지 변환부로부터 가짜 FEM 이미지를 제공받고 이로부터 CNN에 의해 대상체의 물리값을 산출하는 것을 특징으로 하는 장치
|
12 |
12
제10항에 있어서, 상기 미케노발광 이미지 수신부로부터 미케노발광 이미지를 제공받고 이로부터 FEM 분석 프로그램에 의해 FEM 이미지를 생성하는 FEM 이미지 생성부를 추가로 포함하는 것을 특징으로 하는 장치
|
13 |
13
제10항에 있어서, 복수의 미케노발광 이미지와 복수의 FEM 이미지를 포함하는 학습 데이터 세트를 생성하는 학습 데이터 생성부를 추가로 포함하고, 상기 GAN 기반의 이미지 변환부에서 상기 GAN은 상기 학습 데이터 생성부로부터 학습 데이터 세트를 제공받고 상기 학습 데이터 세트의 상기 미케노발광 이미지를 가짜 FEM 이미지로 변환하거나 상기 학습 데이터 세트의 상기 FEM 이미지를 가짜 미케노발광 이미지로 변환시키는 것을 포함하는 방식에 의해 딥 러닝으로 사전 학습된 것이고, 상기 CNN 기반의 이미지 분석부에서 상기 CNN은 상기 GAN가 사전 학습을 위해 변환시킨 상기 가짜 FEM 이미지 또는 가짜 미케노발광 이미지를 제공받고 이로부터 각각의 물리값을 산출하는 것을 포함하는 방식에 의해 딥 러닝으로 사전 학습된 것을 특징으로 하는 장치
|
14 |
14
제11항에 있어서, 상기 미케노발광 이미지 수신부로부터 미케노발광 이미지를 제공받고 이로부터 FEM 분석 프로그램에 의해 FEM 이미지를 생성하는 FEM 이미지 생성부 및 상기 CNN 기반의 이미지 분석부에서 산출한 물리값의 정확도를 검증하는 검증부를 추가로 포함하고,상기 GAN 기반의 이미지 변환부에서 상기 GAN은 상기 FEM 이미지 생성부로부터 상기 FEM 이미지를 제공받고 이를 가짜 미케노발광 이미지로 변환하고,상기 CNN 기반의 이미지 분석부에서 상기 CNN은 상기 이미지 변환부로부터 가짜 미케노발광 이미지를 제공받고 이로부터 대상체의 제2 물리값을 산출하고,상기 검증부는 상기 CNN 기반의 이미지 분석부에서 산출한 대상체의 상기 물리값을 대상체의 상기 제2 물리값과 비교하는 것을 특징으로 하는 장치
|
15 |
15
제11항에 있어서, 상기 미케노발광 이미지 수신부로부터 미케노발광 이미지를 제공받고 이로부터 FEM 분석 프로그램에 의해 FEM 이미지를 생성하는 FEM 이미지 생성부, 상기 FEM 이미지로부터 컴퓨터 프로그램에 의해 대상체의 제3 물리값을 산출하는 FEM 이미지 분석부, 및 상기 CNN 기반의 이미지 분석부에서 산출한 물리값의 정확도를 검증하는 검증부를 추가로 포함하고,상기 검증부는 상기 CNN 기반의 이미지 분석부에서 산출한 대상체의 상기 물리값을 대상체의 상기 제3 물리값과 비교하는 것을 특징으로 하는 장치
|
16 |
16
제14항 또는 제15항에 있어서, 상기 검증부에서 비교한 결과, 두 물리값이 서로 다를 경우, GAN과 CNN을 딥 러닝에 의해 학습할 것을 명령하는 명령부를 추가로 포함하는 장치
|
17 |
17
제10항에 있어서, 상기 대상체가 구조물 또는 전자 피부인 것을 특징으로 하는 장치
|
18 |
18
제10항에 있어서, 상기 대상체가 구조물이고 상기 물리값이 응력 확대 계수인 것을 특징으로 하는 장치
|