선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
가설 설정
- 이제 식(1)에서 얻은 비율에서 높이를 중심으로 자재가 존재한다고 가정한다. 즉, 높이 비율만큼 단일 건축 자재가 쌓여있는 층수를 가정하고, 해당 길이(ha)를 기준으로 가로, 세로의 길이를 정한다. 이 가정된 상황에서 가로, 세로를 이용해 자재 더미 윗면의 대각선 길이를 구한다.
제안 방법
- 그 후, 가정한 상황에서 얻은 대각선 길이와 이 때 촬영할 수 있는 실제 대각선 길이의 차이를 비교하고, 이 과정을 가정한 자재 더미의 높이가 드론을 넘지 않을 때 까지 반복한다. 그리고 가장 차이가 적은 상황의 자재 비율의 체적을 계산해 자재의 실제 수량을 알아낸다.
- 이 식(2)를 통해 얻은 영상의 길이와 화소를 이용해 하나의 화소가 가지는 실제 길이를 구한다. 그리고 이를 Yolo를 통해 얻은 더미 영역의 화소에 적용시켜 드론에서 촬영할 수 있는 실제 더미의 대각선 길이를 구한다. 그 후, 가정한 상황에서 얻은 대각선 길이와 이 때 촬영할 수 있는 실제 대각선 길이의 차이를 비교하고, 이 과정을 가정한 자재 더미의 높이가 드론을 넘지 않을 때 까지 반복한다.
- 이 가정된 상황에서 가로, 세로를 이용해 자재 더미 윗면의 대각선 길이를 구한다. 다음으로 사진측량법과 가정된 높이를 사용해 영상이 촬영할 수 있는 대각선 길이를 구한다. 이 대각선 길이를 구하는 식은 다음과 같으며, FOV는 화각, hr는 드론의 높이를 의미한다.
- 만약 윗면 촬영시의 Yaw값이 약 90˚가량 차이가 난다면 체적을 구성하는 직선 중 세로가 공통으로 찍힌 것이고, 180˚ 혹은 별 차이가 없다면 가로가 공통으로 찍힌 것이다. 다음으로 자재 더미와 드론 사이의 거리 차로 인해 발생하는 공통 직선의 화소 차이를 없애고, 높이 화소 값으로 체적의 모든 직선들을 나눠 계산이 간단해 지도록 한다. 이는 가로, 세로, 높이를 W,H,D 라 가정하고 Hs,Hu를 두 영상에서 공통으로 촬영된 세로 값이라 한다면 다음과 같은 식(1)이 된다.
- 그래서 자재의 종류와 영역의 대한 인식 정확도가 떨어지고, 이에 종속적인 자재 수량 계산 정확도도 영향을 받았다. 또한 제안한 방법은 자재가 차지하는 사각형의 체적을 계산한다. 그래서 (그림 2)-(a)처럼 자재 더미의 일부분이 비어있는 경우엔 이를 인식하지 못해 수량 계산 오차가 발생한다.
- 먼저, 드론으로 촬영한 두 영상의 자재 더미 영역을 Yolo를 사용해 예측한다. 그리고 측면의 Yaw값과 윗면의 Yaw값을 비교해 자재의 가로, 세로 성분 중 두 영상에서 공통으로 찍힌 직선을 찾는다.
- 본 논문에서는 위와 같은 문제점을 가지는 건축 자재 더미의 수량을 측정하기 위해 딥러닝과 드론을 사용에 대하여 연구하였으며, 자재 더미 단일 자재의 기 체적값을 가진 상태에서, 동일한 모양의 자재가 쌓여있는 상태의 자재 더미 영역 추출을 위한 딥러닝 활용법과 수량을 계산할 때 드론과 사진측량법을 이용한 촬영 카메라의 화각, 높이, 촬영시의 Yaw값, 촬영된 영상의 가로, 세로 화소값이 사용된다. 학습 데이터는 인터넷 상의 임의의 자재 더미 영상 수집 등에 대하여 연구하였다.
- 본 실험은 크게 영상을 사용해 관심 영역을 설정하고 전처리하는 딥러닝 모델 학습, 수량 계산에 필요한 정보를 설정 및 추출하는 부분, 마지막으로 건축 자재 더미의 수량을 계산하는 부분으로 나뉜다. 이를 간단한 흐름도로 표현하면 (그림 1)과 같다.
- 그래야 학습 모델을 사용할 때 물체와 주변 환경을 충분히 고려해 정확한 값을 도출해내기 때문이다. 하지만 이번 연구에선 인터넷 상의 존재하는 소량의 건축 자재 자료를 바탕으로 학습하였다. 그래서 자재의 종류와 영역의 대한 인식 정확도가 떨어지고, 이에 종속적인 자재 수량 계산 정확도도 영향을 받았다.
대상 데이터
- 이 드론은 내부적으로 84˚의 화각과 360˚기준의 Yaw, 드론이 동작하는 바닥에서 드론 촬영 위치까지의 높이 값을 가진다. 드론으로 촬영한 영상은 5472x3078로 자재의 윗면, 측면 모습을 담는다. 이 변수들은 사진측량법을 사용하여 자재 더미의 체적을 계산할 때 사용한다.
- 이 연구에서 사용한 드론은 DJI Phantom4 pro plus이다. 이 드론은 내부적으로 84˚의 화각과 360˚기준의 Yaw, 드론이 동작하는 바닥에서 드론 촬영 위치까지의 높이 값을 가진다.
- 본 논문에서는 위와 같은 문제점을 가지는 건축 자재 더미의 수량을 측정하기 위해 딥러닝과 드론을 사용에 대하여 연구하였으며, 자재 더미 단일 자재의 기 체적값을 가진 상태에서, 동일한 모양의 자재가 쌓여있는 상태의 자재 더미 영역 추출을 위한 딥러닝 활용법과 수량을 계산할 때 드론과 사진측량법을 이용한 촬영 카메라의 화각, 높이, 촬영시의 Yaw값, 촬영된 영상의 가로, 세로 화소값이 사용된다. 학습 데이터는 인터넷 상의 임의의 자재 더미 영상 수집 등에 대하여 연구하였다.
- 영상 내에선 자재 더미 영역을 관심 영역으로 지정한 후 영상 크기를 448x448로 조정한다. 학습 시 사용할 건축 자재는 벽돌, 시멘트, 연석 3가지로 하고, 모델 학습은 검증 시 발생하는 평균 오류율이 1.0 이하가 될 때 중단한다.
이론/모형
- 딥러닝 학습 모델은 R-CNN의 한 종류인 Yolo(You Look Only Once)[11]를 사용한다. Yolo를 학습시킬 영상은 자재 더미의 윗면과 측면이 나온 것으로 한다.
- 또 다른 연구로 물체가 가지는 고유의 모양에서 특징을 얻어 물체를 구분하거나 추적한다. 이 방법은 SIFT[5] 같은 특징 기술자를 이용한다.[6,8] 여기서 성능을 높이기 위해 물체의 특징을 반 지도학습 분류기를 통해 학습시키고 물체를 인식하거나[7] 물체의 크기를 구하기 위해 카메라 정보와 특징 집합을 사용하여 3D AR(Augment Reality)을 구축하기도 한다.
성능/효과
- 먼저, Yolo 모델을 사용하여 학습에 사용되지 않은 임의의 건축 자재 영상을 종류별로 6개씩 사용하여 검증한 결과 약 78%의 정확도를 보였다. 자재 종류 인식을 못한 영상들은 벽돌을 연석이라 잘못 인식하거나, 자재 더미의 색상이 주변 환경과 비슷한 색일 경우 자재를 인식하지 못하였다.
- 실험 결과는 Yolo를 사용한 윗면, 측면 영상 내의 자재 종류 구별 및 자재 더미 영역 오차율에 따라 크게 달라진다.
후속연구
- 앞서 설명된 문제점을 개선하기 위해 향후에는 직접 촬영 혹은 건축 자재 데이터 집합을 찾아 학습 데이터를 늘려 종류 및 영역 인식 정확도를 증가시키고, 앞서 설명했던 것처럼 자재 더미 영역의 공백 부분에 대한 예외 처리를 하여 자재 수량 계산 정확도를 증가시켜야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.