| 1 |
1
기계 학습 기반의 철근 직경 분류 방법에 있어서,레이저 스캐닝을 통해 다양한 직경을 가지는 철근의 표면에 대한 포인트 클라우드 데이터를 수집하는 단계;상기 철근의 직경 분류를 위한 특징 추출을 위해 상기 수집된 포인트 클라우드 데이터를 전처리 하는 단계;상기 전처리된 포인트 클라우드 데이터를 이용하여 상기 철근의 인스턴스(Instance) 단위 마다 복수의 기하학적 특징들을 추출하는 단계;상기 철근의 직경 분류를 위한 기계 학습 모델을 훈련시키기 위하여 상기 추출된 복수의 기하학적 특징들 중 적어도 하나 이상의 특징을 선택하는 단계; 및상기 선택된 특징을 이용하여 상기 기계 학습 모델을 훈련시키는 단계를 포함하는 철근 직경 분류 방법
|
| 2 |
2
제1항에 있어서,상기 수집하는 단계는,입사각, 거리 분해능 및 각도 분해능을 포함하는 스캔 변수를 적어도 하나 이상의 조건에 따라 제어하여 상기 철근의 표면에 대한 포인트 클라우드 데이터를 수집하는 철근 직경 분류 방법
|
| 3 |
3
제1항에 있어서,상기 전처리 하는 단계는,상기 수집된 포인트 클라우드 데이터에서 배경 노이즈와 혼합 픽셀을 제거하는 단계;상기 배경 노이즈와 혼합 픽셀이 제거된 포인트 클라우드 데이터에서 개별 철근을 인식하는 단계;상기 개별 철근에 대한 포인트 클라우드 데이터를 주성분분석에 적용한 결과 획득된 상기 개별 철근의 주축이 X 축과 일치하도록 상기 개별 철근에 대한 포인트 클라우드 데이터를 회전시키는 단계; 및상기 회전된 개별 철근에 대한 포인트 클라우드 데이터를 적어도 하나 이상의 인스턴스 단위로 슬라이스 하여 YZ 평면에 투영시키는 단계를 포함하는 철근 직경 분류 방법
|
| 4 |
4
제1항에 있어서,상기 추출하는 단계는,상기 전처리된 포인트 클라우드 데이터에 대수적 피팅 및 주성분분석(Principal Component Analysis, PCA)을 적용하여 상기 철근의 인스턴스 단위 마다 복수의 기하학적 특징들을 추출하는 철근 직경 분류 방법
|
| 5 |
5
제1항에 있어서,상기 선택하는 단계는,상기 복수의 기하학적 특징들 사이의 상관 관계를 이용하여 상기 기계 학습 모델을 훈련시키기 위한 적어도 하나 이상의 특징을 선택하는 철근 직경 분류 방법
|
| 6 |
6
제1항에 있어서,상기 훈련된 기계 학습 모델을 이용하여 직경을 분류하고자 하는 타겟 철근의 표면에 대한 포인트 클라우드 데이터를 분석함으로써 상기 타겟 철근의 직경을 예측하는 단계를 더 포함하는 철근 직경 분류 방법
|
| 7 |
7
제6항에 있어서,상기 예측된 타겟 철근의 직경을 이용하여 상기 타겟 철근의 주변에 존재하는 인접 철근과의 간격을 추정하는 단계를 더 포함하는 철근 직경 분류 방법
|
| 8 |
8
레이저 스캐닝을 통해 다양한 직경을 가지는 철근의 표면에 대한 포인트 클라우드 데이터를 수집하는 단계;상기 수집된 포인트 클라우드 데이터를 특정 개수의 밀도 그룹으로 구분하는 단계;상기 구분된 밀도 그룹 별 포인트 클라우드 데이터를 이용하여 상기 철근의 인스턴스 레벨 마다 복수의 기하학적 특징들을 추출하는 단계;상기 철근의 직경 분류를 위한 기계 학습 모델을 훈련시키기 위하여 상기 구분된 밀도 그룹 별로 상기 추출된 복수의 기하학적 특징들 중 적어도 하나 이상의 특징을 선택하는 단계; 및상기 구분된 밀도 그룹 별로 선택된 특징을 이용하여 상기 기계 학습 모델을 훈련시키는 단계를 포함하는 철근 직경 분류 방법
|
| 9 |
9
제8항에 있어서,상기 특정 개수의 밀도 그룹은,동일 비율의 포인트 클라우드 데이터를 포함하는 철근 직경 분류 방법
|
| 10 |
10
제8항에 있어서,상기 추출하는 단계는,상기 구분된 밀도 그룹 별로 포인트 클라우드 데이터에 대수적 피팅 및 주성분분석(Principal Component Analysis, PCA)을 적용하여 상기 철근의 인스턴스 단위 마다 복수의 기하학적 특징들을 추출하는 철근 직경 분류 방법
|
| 11 |
11
제8항에 있어서,상기 선택하는 단계는,상기 구분된 밀도 그룹 별로 복수의 기하학적 특징들 사이의 상관 관계를 이용하여 상기 기계 학습 모델을 훈련시키기 위한 적어도 하나 이상의 특징을 선택하는 철근 직경 분류 방법
|
| 12 |
12
제8항에 있어서,상기 밀도 그룹 별로 훈련된 기계 학습 모델을 이용하여 직경을 분류하고자 하는 철근의 표면에 대한 포인트 클라우드 데이터를 분석함으로써 상기 철근의 인스턴스 레벨 마다 직경을 예측하는 단계; 및상기 철근의 인스턴스 레벨 마다 예측된 직경을 이용하여 상기 철근의 전체 레벨에 대한 직경을 도출하는 단계를 더 포함하는 철근 직경 분류 방법
|
| 13 |
13
제12항에 있어서,상기 철근의 전체 레벨에 대한 직경을 도출하는 단계는,상기 예측된 철근의 인스턴스 레벨에 대한 직경들 중 가장 큰 비중을 가지는 인스턴스 레벨의 직경을 해당 철근의 전체 레벨에 대한 직경으로 결정하는 철근 직경 분류 방법
|
| 14 |
14
기계 학습 기반의 철근 직경 분류 장치에 있어서,상기 철근 직경 분류 장치는 프로세서를 포함하고,상기 프로세서는,레이저 스캐닝을 통해 다양한 직경을 가지는 철근의 표면에 대한 포인트 클라우드 데이터를 수집하고, 상기 철근의 직경 분류를 위한 특징 추출을 위해 상기 수집된 포인트 클라우드 데이터를 전처리 하며, 상기 전처리된 포인트 클라우드 데이터를 이용하여 상기 철근의 인스턴스(Instance) 단위 마다 복수의 기하학적 특징들을 추출하고, 상기 철근의 직경 분류를 위한 기계 학습 모델을 훈련시키기 위하여 상기 추출된 복수의 기하학적 특징들 중 적어도 하나 이상의 특징을 선택하며, 상기 선택된 특징을 이용하여 상기 기계 학습 모델을 훈련시키는 철근 직경 분류 장치
|
| 15 |
15
제14항에 있어서,상기 프로세서는,입사각, 거리 및 각도 분해능을 포함하는 스캔 변수를 적어도 하나 이상의 조건에 따라 제어하여 상기 철근의 표면에 대한 포인트 클라우드 데이터를 수집하는 철근 직경 분류 장치
|
| 16 |
16
제14항에 있어서,상기 프로세서는,상기 수집된 포인트 클라우드 데이터에서 배경 노이즈와 혼합 픽셀을 제거하고, 상기 배경 노이즈와 혼합 픽셀이 제거된 포인트 클라우드 데이터에서 개별 철근을 인식하며, 상기 개별 철근에 대한 포인트 클라우드 데이터를 주성분분석에 적용한 결과 획득된 상기 개별 철근의 주축이 X 축과 일치하도록 상기 개별 철근에 대한 포인트 클라우드 데이터를 회전시키고, 상기 회전된 개별 철근에 대한 포인트 클라우드 데이터를 적어도 하나 이상의 인스턴스 단위로 슬라이스 하여 YZ 평면에 투영시키는 철근 직경 분류 장치
|
| 17 |
17
제14항에 있어서,상기 프로세서는,상기 전처리된 포인트 클라우드 데이터에 대수적 피팅 및 주성분분석(Principal Component Analysis, PCA)을 적용하여 상기 철근의 인스턴스 단위 마다 복수의 기하학적 특징들을 추출하는 철근 직경 분류 장치
|
| 18 |
18
제14항에 있어서,상기 프로세서는,상기 복수의 기하학적 특징들 사이의 상관 관계를 이용하여 상기 기계 학습 모델을 훈련시키기 위한 적어도 하나 이상의 특징을 선택하는 철근 직경 분류 장치
|
| 19 |
19
제14항에 있어서,상기 프로세서는,상기 훈련된 기계 학습 모델을 이용하여 직경을 분류하고자 하는 타겟 철근의 표면에 대한 포인트 클라우드 데이터를 분석함으로써 상기 타겟 철근의 직경을 예측하는 철근 직경 분류 장치
|
| 20 |
20
제14항에 있어서,상기 프로세서는,상기 예측된 타겟 철근의 직경을 이용하여 상기 타겟 철근의 주변에 존재하는 인접 철근과의 간격을 추정하는 철근 직경 분류 장치
|
