[논문]이미지 기반 기계 학습과 BIM을 활용한 자동화된 시공 진도 관리 - 합성곱 신경망 모델(CNN)과 실내측위기술, 4D BIM을 기반으로 -

노주희; 박문서; 이현수

doi:10.6106/kjcem.2020.21.5.011

이미지 기반 기계 학습과 BIM을 활용한 자동화된 시공 진도 관리 - 합성곱 신경망 모델(CNN)과 실내측위기술, 4D BIM을 기반으로 -
Automated Construction Progress Management Using Computer Vision-based CNN Model and BIM 원문보기

한국건설관리학회논문집 = Korean journal of construction engineering and management, v.21 no.5, 2020년, pp.11 - 19

노주희 (서울대학교 건축학과) , 박문서 (서울대학교 건축학과) , 이현수 (서울대학교 건축학과)

초록
AI-Helper

시공 현장 일단위의 진도 관리는 프로젝트 전체의 일정 관리와 성공적인 건설 프로젝트 완료에 상당한 영향을 미친다. 그러나 현재의 현장 진도 관리는 작업 담당자에 의하여 수기로 작성되기 때문에 객관적 입장의 유지가 어렵고, 일과 후 추가업무로 작성되어 내용의 누락 등 오류가 발생하는 경우가 있다. 인적 오류로 인한 잘못된 기록 작성의 문제를 해결하기 위하여 기존 연구들은 객체 인식 기반 현황의 시각화 또는 자동 BIM 데이터 수정 기술을 개발하였다. 그러나 특정 장비의 사용 또는 고정된 위치에서 장비사용을 전제로 하는 방법적 한계로 인하여 건물 시공 현장 전체를 파악하는 데에는 제약이 있다. 이러한 한계를 극복하기 위하여 본 연구는 작업자가 휴대하는 스마트기기를 활용하여 촬영한 사진의 객체 인식 기술과 WIFI 기반의 실내 사용자의 측위 기술을 활용하여 추출된 정보를 BIM 데이터의 속성으로 반영하고 즉각적인 현황 파악과 향후 지속적 데이터 활용이 가능한 방법을 제안한다. 실제 시공 현장 관리에 적용 가능한 방법과 기술의 성능을 확인하였고, 기존 개발된 기술 대비 실용도가 높아 건설 현장 관리의 신속화와 정보 작성과 처리의 정밀화에 이바지할 것으로 기대된다.

Abstract ▼ AI-Helper

A daily progress monitoring and further schedule management of a construction project have a significant impact on the construction manager's decision making in schedule change and controlling field operation. However, a current site monitoring method highly relies on the manually recorded daily-log book by the person in charge of the work. For this reason, it is difficult to take a detached view and sometimes human error such as omission of contents may occur. In order to resolve these problems, previous researches have developed automated site monitoring method with the object recognition-based visualization or BIM data creation. Despite of the research results along with the related technology development, there are limitations in application targeting the practical construction projects due to the constraints in the experimental methods that assume the fixed equipment at a specific location. To overcome these limitations, some smart devices carried by the field workers can be employed as a medium for data creation. Specifically, the extracted information from the site picture by object recognition technology of CNN model, and positional information by GIPS are applied to update 4D BIM data. A standard CNN model is developed and BIM data modification experiments are conducted with the collected data to validate the research suggestion. Based on the experimental results, it is confirmed that the methods and performance are applicable to the construction site management and further it is expected to contribute speedy and precise data creation with the application of automated progress monitoring methods.

주제어

표/그림 (12)

그림 Fig. 1. Construction progress monitoring using digital images and BIM data
그림 Fig. 2. Illustration of the deep CNN-based algorithms process
그림 Fig. 3. Illustration of S-CNN model with Keras network
표 Table 1. List of Convolutional Neural Networks (CNN)
표 Table 2. Dataset composition
그림 Fig. 4. Model framework
그림 Fig. 5. Modified KAILOS's positioning algorithm
그림 Fig. 6. IFC data structure line
그림 Fig. 7. Results report of S-CNN model in .html format
그림 Fig. 8. Position information as coordinates and identifying the plaster wall from BIM data
표 Table 3. Results of S-CNN model validation
그림 Fig. 9. Updated property of the wall object as "in progress" and changed color as yellow

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

이에 본 연구는 객체 인식 기술과 결과물을 시공에서 지속적으로 활용 가능한 BIM 데이터로 취합하는 기존 연구의 방법적 적용과, 일상적인 건설현장의 적용을 고려하여 스마트폰으로 촬영한 현장사진을 활용하는 객체 인식과 건설 현장 진도 관리 방안을 제안한다.
이에 본 연구에서는 일상적으로 건설현장에서 적용할 수 있도록 현장 작업자가 소지한 스마트폰으로 촬영된 사진을 활용하는 진도 관리 방법을 제안한다. WIFI 기반 실내 측위기술(Global Indoor Positioning System; GIPS)과 계획단계에서 작성된 BIM을 활용하여 자동화된 건설 프로젝트 진도 관리방안을 설명한다.
첫째, 연구의 배경과 선행 연구분석을 통하여 시사점을 도출하고, 본 연구의 목적을 설정한다.
건설현장의 일정관리는 작업현황을 정확하고 신속하게 파악하는 현장 레벨의 일 단위 진도 관리에 의하여 결정되기 때문에 일상적인 매일의 관리가 중요하다. 현장작업을 수행한 작업자에 의하여 수작업으로 진행되는 현행 진도 관리 방식의 오류를 줄이고 객관성을 높이기 위해 본 연구는 스마트폰을 활용하여 촬영된 현장 사진을 자동으로 BIM 모델에 반영하는 진도 모니터링 방법을 제안하였다. 이를 위하여 이미지 기반 합성곱 신경망 모델을 포함하는 기계학습 모델을 작성하고, KAILOS에서 제안한 GIPS 기반 실내 위치 측정 기술을 적용하여 추출된 결과를 BIM 데이터에 반영하였다.

가설 설정

1. 시공 관리자는 정확한 위도와 경도로 프로젝트 BIM 모델의 원점을 지정하고, 프로젝트 북향과 실제 북향을 일치시킴.

제안 방법

본 연구에서 제안한 객체 인식과 위치 정보 반영 기술은 건설현장에서의 활용을 전제하고 있으며, 앞장의 실험에서 객체 모델의 반영을 확인하였다. [Fig. 7]의 테스트에 활용된 현장사진의 위치와 동일한 정보를 갖는 가상의 BIM 모델을 작성하여 인식된 객체 데이터 정보의 속성과 위치 정보를 반영한 결과 모델을 Revit 2017 버전을 활용하여 시각화하였다[Fig. 8, 9]. 현장 사진 기반 객체 인식과 GIPS의 측위기술 결과와 동일한 좌표에 위치한 객체의 속성 설명이 ‘진행 중’으로 변경되었고, 이후 속성 정보 변경과 진행상황 표현 색상이 전환된 모델이 완성되었다.
4]의 전체 모델 프레임워크와 같이 훈련 과정을 통하여 완성된 분류기 모델에 테스트용으로 구분된 데이터를 입력하여 테스트 결과물을 .html형식으로 출력하여 실험 결과를 확인하였다. 훈련이 완료된 CNN 모델은 테스트 대상의 현재 상태와 해당되는 WBS 분류 만을 인식하는 모델이며, 테스트 결과와 GIPS 인식 결과를 통합하여 시공 현황을 반영한 준공 BIM 데이터 모델 작성 과정에 반영한다.
모델 활용 초반의 데이터 입력 과정에서 모든 이미지는 64X64 픽셀 크기로 설정하였고, 색상은 세 가지 채널을 포함하는 RGB 채널로 고정하였다. 객체 인식 모델의 최초 계산을 위한 가중치는 이미지넷에서 제공하는 사진 데이터를 활용한 분류기 모델로부터 추출된 가중치를 이용하였으며, 오픈 신경망 라이브러리인 케라스(Keras)를 기본 분류기로 적용하였다.
, 2014). 건설 작업자의 스마트폰 센서와 위치 측정 기술을 활용하는 Viterbi 알고리즘의 확장된 적용을 설명하기 위해 [Fig. 5]와 같이 KAILOS의 측위시스템 설명 다이어그램을 수정하였다.
4D BIM은 삼차원으로 작성된 객체 기반 모델에 시간이라는 개념적 차원이 추가된 BIM 데이터를 통칭하는 용어로서 본 연구에서는 BIM 데이터의 객체 모델 속성에 작업 현황을 기입하고, 해당 객체의 색상을 변경하여 시각적으로 표현하는 방법을 의미한다. 구체적으로는 시공 관리자가 CNN모델의 객체 인식과 GIPS의 위치 정보 습득 과정에서 확인된 개별 건물 구성요소의 현재 작업 현황 결과를 BIM 데이터에 반영하며, 이때 개방된 BIM 데이터 포맷인 IFC 데이터 구조 이용을 제안한다.
, 2014; Redmon, 2016). 그러나 본 연구는 단일 객체 대상을 포함하는 이미지 데이터를 활용하기 때문에 CNN 모델 또는 VGGNet을 실험 모델로 고려하였다. 또한 RCNN 모델의 영 절단과 왜곡 문제 해소를 위해 제안된 SPPNet은 이미지 크기에 관계없는 객체 인식과 연산 성능이 뛰어나지만(He et al.
넷째, 연구에서 제안한 현장사진을 활용한 건설 현장 진도 관리 방법의 사례적용을 통하여 방법의 유효성을 검증한다.
현장작업자들이 스마트기기로 촬영한 현장사진을 테스트 데이터로 활용하여 대상의 종류와 현재 상태를 파악한다. 다음은 대상의 위치, 즉 촬영자의 정확한 위치 인식을 위하여 사진의 촬영 정보를 Global Indoor Positioning System (GIPS)의 상용 시스템인 KAILOS 모델에 입력하여 위치정보를 파악하는 기술이 적용되고, 마지막으로 기존에 작성된 계획 단계 BIM 데이터에 앞의 결과물을 반영하여 시공 진척 정도를 설명하는 현황 모델인 준공 BIM 데이터를 작성한다.
VGGNet은 16개의 합성곱 레이어를 포함하여 균일한 아키텍쳐와 뛰어난 객체 인식 성능 능력이 있으나, 약 1억 3천만 개의 매개변수 처리하여야 하는 모델 특성(Szegedy, 2014)상 일반적 사진을 대상으로 하는 객체 인식 문제에는 적절하지 않다. 단일 레이블에 대한 모델 작성의 편의성과 접근 용이성을 기준으로 본 연구는 활성화함수 ReLU와 softmax를 출력 레이어로 포함하는 CNN 모델을 선정하였다.
둘째, 컴퓨터 비전 및 4D BIM 기술을 건설 현장 관리에 적용하기 위하여 선행연구에서 개발된 기술과 모델을 고찰한다.
6 환경이 적용된 아나콘다의 쥬피터 노트북을 활용하여 구축하였다. 모델 활용 초반의 데이터 입력 과정에서 모든 이미지는 64X64 픽셀 크기로 설정하였고, 색상은 세 가지 채널을 포함하는 RGB 채널로 고정하였다. 객체 인식 모델의 최초 계산을 위한 가중치는 이미지넷에서 제공하는 사진 데이터를 활용한 분류기 모델로부터 추출된 가중치를 이용하였으며, 오픈 신경망 라이브러리인 케라스(Keras)를 기본 분류기로 적용하였다.
본 연구에서 제안한 객체 인식과 위치 정보 반영 기술은 건설현장에서의 활용을 전제하고 있으며, 앞장의 실험에서 객체 모델의 반영을 확인하였다. [Fig.
세 가지 기술이 통합된 방법의 유효성을 확인하기 위하여 건설 현장사진을 수집하였고, CNN 모델을 작성하여 실험한 뒤, 훈련된 모델의 정확도와 신규 테스트 결과보고서 추출을 통하여 우수한 성능을 확인하였다. 실내에 있는 사용자의 정확한 위치를 파악하는 측위 기술은 KAILOS의 방법을 적용하였고, 추출된 위치 정보와 인식된 객체 속성 정보를 오픈 BIM 데이터인 IFC 구조에 반영하였다.
셋째, 이미지 기반 딥러닝 기술과 실내위치확인기술 (Global Indoor Positioning System; GIPS)을 파악하고, BIM 데이터의 객체 모델 속성과 재질의 변경으로 데이터를 시각화하는 방법의 과정을 제시하고 결과를 분석한다.
, 2019), 99%와 78%의 정확도를 확보한 모델은 준수한 객체 인식 성능을 갖는 것으로 평가할 수 있다. 시공 현장의 작업 관리자가 즉각적으로 확인할 수 있는 객체 인식 결과 시각화의 검증과 이후 위치 정보가 반영된 BIM 데이터 작성을 위하여 특정 위치의 벽체를 개발된 모델에 입력하였고, .html형식으로 작성된 객체 인식 결과물은[Fig.
앞 장에서 개발한 객체 인식 모델의 검증과 BIM 데이터 반영 결과를 확인하기 위하여 두 가지 검증 과정을 수행하였다.
앞 장에서 선정된 객체 인식을 위한 CNN 모델은 그래픽 처리장치(Graphic Processing Unit; GPU)와 Python 3.6 환경이 적용된 아나콘다의 쥬피터 노트북을 활용하여 구축하였다. 모델 활용 초반의 데이터 입력 과정에서 모든 이미지는 64X64 픽셀 크기로 설정하였고, 색상은 세 가지 채널을 포함하는 RGB 채널로 고정하였다.
이렇게 수집한 이미지 데이터의 총 양은 13,442개로 데이터의 전처리 과정인 라벨링 과정에서 두 레벨의 작업 분류 구조(Work Breakdown Structure; WBS)로 분류하였다[Table 1]. 상위 분류인 WBS 1은 구조 벽과 건축 벽이고, 하위 분류인 WBS 2는 각각 콘크리트 벽, 조적 벽, 타일 벽과 미장 벽이다.
현장작업을 수행한 작업자에 의하여 수작업으로 진행되는 현행 진도 관리 방식의 오류를 줄이고 객관성을 높이기 위해 본 연구는 스마트폰을 활용하여 촬영된 현장 사진을 자동으로 BIM 모델에 반영하는 진도 모니터링 방법을 제안하였다. 이를 위하여 이미지 기반 합성곱 신경망 모델을 포함하는 기계학습 모델을 작성하고, KAILOS에서 제안한 GIPS 기반 실내 위치 측정 기술을 적용하여 추출된 결과를 BIM 데이터에 반영하였다.
WIFI 기반 실내 측위기술(Global Indoor Positioning System; GIPS)과 계획단계에서 작성된 BIM을 활용하여 자동화된 건설 프로젝트 진도 관리방안을 설명한다. 이미지 기반 기계학습을 적용하여 현장사진으로부터 작업대상과 현황을 자동으로 파악하고, 스마트폰 내장 센서와 GIPS 기술을 활용하여 사진이 촬영된 실내위치를 측정한 뒤, BIM 모델 상의 객체의 현황을 속성 (Property)으로 반영한다. 진도 현황을 즉각적으로 확인하고 작성된 BIM 데이터를 활용하는 방법의 실험적 적용을 통하여 제안한 방법의 유효성을 검증한다.
작성한 모델의 아키텍쳐는 [Fig. 3]과 같이 합성곱 레이어(Conv. layer), 활성화 함수(ReLU), 그리고 맥스 풀링층을 세 번씩 쌓아 구성하였고, 출력 직전의 정규화 함수는 softmax를 배치하였다. [Fig.
이미지 기반 기계학습을 적용하여 현장사진으로부터 작업대상과 현황을 자동으로 파악하고, 스마트폰 내장 센서와 GIPS 기술을 활용하여 사진이 촬영된 실내위치를 측정한 뒤, BIM 모델 상의 객체의 현황을 속성 (Property)으로 반영한다. 진도 현황을 즉각적으로 확인하고 작성된 BIM 데이터를 활용하는 방법의 실험적 적용을 통하여 제안한 방법의 유효성을 검증한다.
첫째로는 기존의 건설 현장사진의 데이터를 수집하여 CNN 모델의 개발과 훈련에 사용하는 방법이다. 현장작업자들이 스마트기기로 촬영한 현장사진을 테스트 데이터로 활용하여 대상의 종류와 현재 상태를 파악한다. 다음은 대상의 위치, 즉 촬영자의 정확한 위치 인식을 위하여 사진의 촬영 정보를 Global Indoor Positioning System (GIPS)의 상용 시스템인 KAILOS 모델에 입력하여 위치정보를 파악하는 기술이 적용되고, 마지막으로 기존에 작성된 계획 단계 BIM 데이터에 앞의 결과물을 반영하여 시공 진척 정도를 설명하는 현황 모델인 준공 BIM 데이터를 작성한다.

대상 데이터

앞 장에서 개발한 시공 현장 사진 기반 객체 인식 CNN 모델의 성능 평가를 위하여 수집한 현장 사진 데이터의 일부를 검증을 위한 데이터로 활용하였다. WBS level1의 데이터 중 모델 작성 과정의 훈련에 사용된 데이터를 제외한 13.4%의 데이터를 모델 검증 목적의 테스트 데이터로 활용하였고, WBS level2 훈련에 사용되지 않은 데이터의 30%를 검증 용도로 활용하였다.
상위 분류인 WBS 1은 구조 벽과 건축 벽이고, 하위 분류인 WBS 2는 각각 콘크리트 벽, 조적 벽, 타일 벽과 미장 벽이다. 각 데이터양은 3,947개, 3,062개, 3,248개 그리고 3,185 개로 총 13,442개의 데이터를 모델 작성과 테스트에 활용하였다. 수집된 현장 이미지의 작업상태는 대상이 등장한 이후의 상황이므로 ‘작업 중’이 기본 상태이며, 완성된 후 촬영한 사진은 ‘작업완료’ 상태로 기술된다.
초기 연구 실험임을 고려하여 실험대상은 건물의 수직 요소 중 콘크리트 구조 벽, 벽돌 벽, 타일 벽과 미장 벽(plaster)으로 한정하였고, 대상이 되는 작업 사진은 5개 건설현장에서 제공받은 현장 작업 사진과 인터넷 검색으로 수집한 오픈 소스(이미지와 비디오 클립)를 활용하였다. 모델의 정확도를 높이기 위하여 데이터 변형 재생산하는 대신, 현장작업을 촬영한 미디어 소스를 5초 단위로 분절하여 훈련용 데이터로 사용하였다.
앞 장에서 개발한 시공 현장 사진 기반 객체 인식 CNN 모델의 성능 평가를 위하여 수집한 현장 사진 데이터의 일부를 검증을 위한 데이터로 활용하였다. WBS level1의 데이터 중 모델 작성 과정의 훈련에 사용된 데이터를 제외한 13.
이미지 기반 CNN 모델을 작성하기에 앞서 모델의 훈련과 테스트에 필요한 데이터를 수집하였다. 초기 연구 실험임을 고려하여 실험대상은 건물의 수직 요소 중 콘크리트 구조 벽, 벽돌 벽, 타일 벽과 미장 벽(plaster)으로 한정하였고, 대상이 되는 작업 사진은 5개 건설현장에서 제공받은 현장 작업 사진과 인터넷 검색으로 수집한 오픈 소스(이미지와 비디오 클립)를 활용하였다.
이미지 기반 CNN 모델을 작성하기에 앞서 모델의 훈련과 테스트에 필요한 데이터를 수집하였다. 초기 연구 실험임을 고려하여 실험대상은 건물의 수직 요소 중 콘크리트 구조 벽, 벽돌 벽, 타일 벽과 미장 벽(plaster)으로 한정하였고, 대상이 되는 작업 사진은 5개 건설현장에서 제공받은 현장 작업 사진과 인터넷 검색으로 수집한 오픈 소스(이미지와 비디오 클립)를 활용하였다. 모델의 정확도를 높이기 위하여 데이터 변형 재생산하는 대신, 현장작업을 촬영한 미디어 소스를 5초 단위로 분절하여 훈련용 데이터로 사용하였다.

이론/모형

세 가지 기술이 통합된 방법의 유효성을 확인하기 위하여 건설 현장사진을 수집하였고, CNN 모델을 작성하여 실험한 뒤, 훈련된 모델의 정확도와 신규 테스트 결과보고서 추출을 통하여 우수한 성능을 확인하였다. 실내에 있는 사용자의 정확한 위치를 파악하는 측위 기술은 KAILOS의 방법을 적용하였고, 추출된 위치 정보와 인식된 객체 속성 정보를 오픈 BIM 데이터인 IFC 구조에 반영하였다. 연구 결과는 특정 장비에 국한되거나 촬영 장비의 위치 고정의 제약으로 인하여 건설 현장 관리 적용에 어려움이 있는 기존 연구들에 비하여 일상적으로 활용할 수 있는 작업자들의 휴대한 스마트기기를 활용한 실용적인 방법을 제안하였다는 데에 의미가 있다.
건설현장의 안전관리 목적으로 Ding (2018)은 건설노동자의 비일상적 행동과 안정장비 미착용 등 불안전한 건설행동을 파악하는 CNN 기반 모델을 제시하였다. 육안관찰보다 신속한 콘크리트 구조 결함 검출을 위하여 Fang (2018)은 CNN 기반 검출 모델을 활용하였다.

성능/효과

2. 위치 측위와 객체 인식에서 파악된 대상과 BIM 모델 상의 동일 위치와 WBS의 객체를 자동 선택함.
3. 선택된 객체의 작업현황을 객체 인식 결과인 ‘시작’, ‘진행 중’, 그리고 ‘작업 완료’의 3단계에서 자동 선택함.
4. 입력된 각 속성 별 색상을 자동 할당하여 BIM 데이터 디스플레이에서 현재 작업현황을 식별함.
객체 인식 모델의 검증 결과, [Table 3]과 같이 50회 훈련 이후 모델 정확도는 WBS 1과 2 각각 0.99와 0.78 이상의 결과를 확보하였다.
실내에 있는 사용자의 정확한 위치를 파악하는 측위 기술은 KAILOS의 방법을 적용하였고, 추출된 위치 정보와 인식된 객체 속성 정보를 오픈 BIM 데이터인 IFC 구조에 반영하였다. 연구 결과는 특정 장비에 국한되거나 촬영 장비의 위치 고정의 제약으로 인하여 건설 현장 관리 적용에 어려움이 있는 기존 연구들에 비하여 일상적으로 활용할 수 있는 작업자들의 휴대한 스마트기기를 활용한 실용적인 방법을 제안하였다는 데에 의미가 있다.
합성곱 레이어와 ReLU의 조합으로 정확도 70% 이상 확보한 모델을 성능을 우수한 것으로 평가하는 기존 연구 결과대비(Kong et al., 2019), 99%와 78%의 정확도를 확보한 모델은 준수한 객체 인식 성능을 갖는 것으로 평가할 수 있다. 시공 현장의 작업 관리자가 즉각적으로 확인할 수 있는 객체 인식 결과 시각화의 검증과 이후 위치 정보가 반영된 BIM 데이터 작성을 위하여 특정 위치의 벽체를 개발된 모델에 입력하였고, .
현장 사진 기반 객체 인식과 GIPS의 측위기술 결과와 동일한 좌표에 위치한 객체의 속성 설명이 ‘진행 중’으로 변경되었고, 이후 속성 정보 변경과 진행상황 표현 색상이 전환된 모델이 완성되었다.

후속연구

최신기술이 적용된 CNN 모델인 Res-Net을 사용한 Son (2019)의 건설작업자의 행동 모니터링과 Azar (2017)의 영상 데이터 확인을 기본으로 한 건설 장비 모니터링은 수작업에 비하여 월등한 성능을 갖춘 자동화된 건설 현장 모니터링을 설명하였다. 그러나 기술적 발전과 연구적 성취에도 불구하고, 선행연구의 실험은 기술발전과 적용 가능성을 확인하는 목적으로 수행되었고, 인식된 결과물은 일회성 자료로서 향후 프로젝트 정보생성과 지속적 건설관리에서의 활용으로 연결되지 못하였다는 한계가 있다.
또한 CNN 모델의 개발과 GIPS의 혼합 적용으로 시공 현장의 사진 인식을 기반으로 진도 모니터링 방법이라는 기존 연구에서 제안하지 못한 독창적 접근방식을 제안하였으나 실험대상을 벽체 종류로 한정하여, 건설 프로젝트의 다양한 건설 재료를 고려하지 못하였다. 다양한 재료와 건물 구성요소를 대상으로 연구 실험 수행 과정에서, CNN 모델의 적합성을 확인하지 못하였기에 향후 이러한 한계를 보완하기 위해 새로운 모델을 개발하거나 추가적인 모델과 복합적으로 활용하는 연구가 필요하다.
그러나 세 가지의 개별적인 기술과 프로세스를 기술적으로 통합할 수 있는 플랫폼을 제안하지 못하여 완전한 자동화를 이루지는 못하였다. 따라서 개별적으로 개발된 시스템을 하나로 연결하는 물리적인 환경을 조성하고 작업자 레벨에서 활용할 수 있는 향후 연구와 기술적 개발이 필요하다. 또한 CNN 모델의 개발과 GIPS의 혼합 적용으로 시공 현장의 사진 인식을 기반으로 진도 모니터링 방법이라는 기존 연구에서 제안하지 못한 독창적 접근방식을 제안하였으나 실험대상을 벽체 종류로 한정하여, 건설 프로젝트의 다양한 건설 재료를 고려하지 못하였다.
따라서 개별적으로 개발된 시스템을 하나로 연결하는 물리적인 환경을 조성하고 작업자 레벨에서 활용할 수 있는 향후 연구와 기술적 개발이 필요하다. 또한 CNN 모델의 개발과 GIPS의 혼합 적용으로 시공 현장의 사진 인식을 기반으로 진도 모니터링 방법이라는 기존 연구에서 제안하지 못한 독창적 접근방식을 제안하였으나 실험대상을 벽체 종류로 한정하여, 건설 프로젝트의 다양한 건설 재료를 고려하지 못하였다. 다양한 재료와 건물 구성요소를 대상으로 연구 실험 수행 과정에서, CNN 모델의 적합성을 확인하지 못하였기에 향후 이러한 한계를 보완하기 위해 새로운 모델을 개발하거나 추가적인 모델과 복합적으로 활용하는 연구가 필요하다.
마지막으로 연구의 결론과 함께 향후 연구의 방향성을 논의한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	현재의 현장 진도 관리는 객관적 입장의 유지가 어려운 이유는?	시공 현장 일단위의 진도 관리는 프로젝트 전체의 일정 관리와 성공적인 건설 프로젝트 완료에 상당한 영향을 미친다. 그러나 현재의 현장 진도 관리는 작업 담당자에 의하여 수기로 작성되기 때문에 객관적 입장의 유지가 어렵고, 일과 후 추가업무로 작성되어 내용의 누락 등 오류가 발생하는 경우가 있다. 인적 오류로 인한 잘못된 기록 작성의 문제를 해결하기 위하여 기존 연구들은 객체 인식 기반 현황의 시각화 또는 자동 BIM 데이터 수정 기술을 개발하였다.
	시공 현장 일단위의 진도 관리는 무엇에 상당한 영향을 미치는가?	시공 현장 일단위의 진도 관리는 프로젝트 전체의 일정 관리와 성공적인 건설 프로젝트 완료에 상당한 영향을 미친다. 그러나 현재의 현장 진도 관리는 작업 담당자에 의하여 수기로 작성되기 때문에 객관적 입장의 유지가 어렵고, 일과 후 추가업무로 작성되어 내용의 누락 등 오류가 발생하는 경우가 있다.
	어떠한 한계를 극복하기 위하여 본 연구는 작업자가 휴대하는 스마트기기를 활용하여 촬영한 사진의 객체 인식 기술과 WIFI 기반의 실내 사용자의 측위 기술을 활용하여 추출된 정보를 BIM 데이터의 속성으로 반영하고 즉각적인 현황 파악과 향후 지속적 데이터 활용이 가능한 방법을 제안하였는가?	인적 오류로 인한 잘못된 기록 작성의 문제를 해결하기 위하여 기존 연구들은 객체 인식 기반 현황의 시각화 또는 자동 BIM 데이터 수정 기술을 개발하였다. 그러나 특정 장비의 사용 또는 고정된 위치에서 장비사용을 전제로 하는 방법적 한계로 인하여 건물 시공 현장 전체를 파악하는 데에는 제약이 있다. 이러한 한계를 극복하기 위하여 본 연구는 작업자가 휴대하는 스마트기기를 활용하여 촬영한 사진의 객체 인식 기술과 WIFI 기반의 실내 사용자의 측위 기술을 활용하여 추출된 정보를 BIM 데이터의 속성으로 반영하고 즉각적인 현황 파악과 향후 지속적 데이터 활용이 가능한 방법을 제안한다.

참고문헌 (32)

Akhavia, R., and Behzadan, A. (2016). "Smartphone-based construction workers' activity recognition and classification." Automation in Construction, 71, pp. 198-209.

상세보기
Azar, R. (2017). "Semantic Annotation of Videos from Equipment-Intensive Construction Operations by Shot Recognition and Probabilistic Reasoning." Journal of Computing in Civil Engineering, 31(5), pp. 04017042-04017042.

상세보기
buildingSMART International Modeling Support Group (2009). "IFC 2x Edition 3 Model Implementation Guide." buildingSMART International Modeling Support Group.
Cho, T. (2018). Deep Learning for Everyone. Seoul: Gilbut Press.
Deng, H., Hong, H., Luo, D., Deng, Y., and Su, C. (2020). "Automatic Indoor Construction Process Monitoring for Tiles Based on BIM and Computer Vision." Journal of Construction Engineering and Management, 146(1), DOI: 10.1061/(ASCE)CO.1943-7862.0001744.

상세보기
Ding, L., Fang, W., Luo, H., Love, P., Zhong, B., and Ouyang, X. (2018). "A deep hybrid learning model to detect unsafe behavior: Integrating convolution neural networks and long short-term memory." Automation in Construction, 86, pp. 118-124

상세보기
Eastman, C., Jeong, Y., Sack, R., and Karner, L. (2009). "Exchange model and exchange object concepts for implementation of national BIM standards." Journal of Computing in Civil Engineering, 24(1), pp. 24-35.
FARO (2010). "FARO Scanner Production Technology." FARO Technologies, United States, (Accessed May 1, 2020)
Fang, W., Ding, L., Luo, H., and Love, D. (2018). "Falls from heights: A computer vision-based approach for safety harness detection." Automation in Construction, 91, pp. 53-61.

상세보기
Girshick, R., Donahue, H., Darrell, T., and Malik, J. (2014). "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation." In CVPR, pp. 1-22
Golparvar-fard, M., and Pena-Mora, F. (2007). "Application of Visualization Techniques for Construction Progress Monitoring." Congress on Computing in Civil Engineering, Proceedings, pp. 216-223.
Golparvar-fard, M., Heydarian, A., and Niebles, J. (2013). "Vision-based action recognition of earthmoving equipment using spatio-temporal features and support vector machine classifiers." Advanced Engineering Informatics, 27, pp. 652-663.

상세보기
Hamledari, H., McCabe, B., and Davari, S. (2017). "Automated Computer Vision-Based Detection of Components of Under-Construction Indoor Partitions." Automation in Construction, 74, pp. 78-97.

상세보기
Hamledari, H., McCabe, B., Davari, S., Shahi, A., Rezazadeh, E., and Flager, F. (2017). "Evaluation of Computer Vision-and 4D BIM-Based Construction Progress Tracking on a UAV Platform." Leadership in Sustainable Infrastructure, pp. 1-10.
Han, K., Lin, J., and Golparvar-fard, M. (2015). "A Formalism for Utilization of Autonomous Vision-Based Systems and Integrated Project Models for Construction Progress Monitoring." Proceedings of the 2015 Conference on Autonomous and Robotic Construction of Infrastructure, pp. 118-131.
He, H., Zhang, X., Ren, S., and Sun, J. (2016). "Deep Residual Learning for Image Recognition." 2016 IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778.
He, K., Zhang, X., Ren, S., and Sun, J. (2015). "Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition." In ECCV. pp. 1-14.
Hikodukue, K. Python Ni Yoru Scraping and Kinkaigakusho Kaihatsu Technique (2017). Socym Press, Japan.
Ibrahim, Y., Lukins, T., Zhang, X., Trucco, E., and Kaka, A. (2009). "Towards Automated Progress Assessment of Work package Components in Construction Projects Using Computer Vision." Advanced Engineering Informatics, 23, pp. 93-103.

상세보기
BuildingSMART, (2018). "Industrial Foundation Classes from BuildingSMART." United States, (Accessed May 1, 2020)
Kim, S., Kim, Y., Yoou,, J., and Kim, E. (2012). "A framework of the open BIM-based integrated information system for the Korean Traditional House." Journal of Architectural Institute of Korea, 28(9), pp. 13-20.
Kong, J., and Jang, M. (2019). "Association Analysis of Convolution Layer, Kernel and Accuracy in CNN." Journal of the KIECS, 14(6), pp. 1153-1160.
Kropp, C., Koch, C., and Konig, M. (2018). "Interior construction state recognition with 4D BIM registered image sequences." Automation in Construction, 86, pp. 11-32.

상세보기
Lecun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). "Gradient-Based Learning Applied to Document Recognition." Proceedings of the IEEE, pp. 1-46.
McCulloch, C.E. (1997). "Maximum Likelihood Algorithms for Generalized Linear Mixed Models." Journal of the American Statistical Association, 92, pp. 162-170.

상세보기
Memon, Z., Abd.Majid, M., and Mustaffar, M. (2005). "An Automatic Project Progress Monitoring Model by Integrating Auto CAD and Digital Photos." International Conference on Computing in Civil Engineering, pp. 1-13.
Redmon, J., Divvala, S., Girchick, R., and Fahadi, A. (2016). "You Only Look Once: Unified, Real-Time Object Detection." in CVPR, pp. 779-788.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelow, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2014). "Going deeper with convolutions." in CVPR, pp. 1-9.
Simonyan, K., and Zisserman, A. (2015). "Very Deep Convolutional Networks for Large-Scale Image Recognition." International Conference on Learning Representations (ICLR), pp. 1-14.
Son, H., Choi, H., Seong, H., and Kim, C. (2019). "Detection of construction workers under varying poses and changing background in image sequences via very deep residual networks." Automation in Construction, 99, pp. 27-38.

상세보기
Trucco, E., and Kaka, P. (2004). "A framework for automatic progress assessment on construction sites using computer vision." International Journal of IT in Architecture Engineering and Construction, 2(2), pp. 147-164.

상세보기
Zhang, X., Bakis, N., Lukins, T., Ibrahim, Y., Wu, S., Kagioglou, M., Aouad, G., Kaka, A., and Trucco, E. (2009). "Automating Progress Measurement of Construction Projects." Automation in Construction, 18, pp. 294-301.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증