본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
로그인 회원가입 English 국회부산도서관

전체메뉴

HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

[표지] 1

제출문 3

보고서 요약서 5

요약문 7

목차 10

제1장 연구개발과제의 개요 20

제1절 연구개발 배경 및 필요성 20

1. 연구개발 배경 20

2. 연구개발 필요성 21

3. 정부정책/연구원 미션과의 연계성 22

제2절 연구개발 목표 및 내용 23

1. 비전 및 목표 23

2. 연차별 연구목표 및 내용 23

제2장 국내외 동향 및 환경분석 30

제1절 BIM 도입 현황 30

1. 국내 건설·인프라 분야 BIM 도입 현황 30

2. 국외 건설·인프라 분야 BIM 도입 현황 32

제2절 건설분야 인공지능기반 연구 현황 35

1. 건설분야의 기계 학습 및 딥러닝 기술 적용사례 35

2. 2차원 일반 객체 자동 분할 기술 39

3. 3차원 일반 객체 자동 분할 기술 47

제3장 연구개발 수행 내용 및 결과 56

제1절 3D BIM 교량 모델 기반 딥러닝 DB구축 56

1. 과업 수행 내용 56

2. 과업 수행 결과 58

제2절 실제 교량의 점군데이터 계측 및 딥러닝 DB 구축 80

1. Lidar를 이용한 현장 교량 계측 80

2. Lidar 데이터의 후처리 84

3. Point cloud data의 딥러닝 학습 BD 구축 89

제3절 3D 점군데이터의 인식 및 분할 딥러닝 알고리즘 분석 연구 97

1. Point cloud 기반 데이터 인식 기법 97

2. PointNet 및 PointNet++ 계층구조 분석 102

제4절 딥러닝 기반 3D 점군데이터 객체 인식 및 분할 알고리즘 구현 124

1. 교량 상판 및 교각(4개 카테고리) 객체 인식 연구 124

2. 교량 형식별(17개 카테고리) 객체 인식 연구 130

제5절 철도교량 3D 점군데이터에서의 교량 파라미터 추출 연구 134

1. 3D 점군데이터 노이즈 제거 135

2. 3D 점군데이터의 3차원 회전변환 136

3. 교량 파라미터 자동 추출 모델 139

4. 파라미터 자동 추출 모델 적용 143

제6절 철도 교량의 parametric BIM 역설계 라이브러리 설계 163

1. 과업 수행 내용 163

2. 과업 수행 결과 165

제4장 목표 달성도 및 관련분야에의 기여도 170

제1절 성과지표별 목표 달성도 170

제2절 관련분야 기여도 173

1. 정성적 기여도 173

2. 정량적 기여도 174

제5장 연구개발 결과의 활용 계획 178

제1절 성과활용 계획 178

제2절 성과확산 계획 178

Acronyms 179

참고문헌 184

판권기 189

표목차 11

표 3-1-1. 교량 상부 데이터베이스 구축 56

표 3-1-2. 교량 하부 데이터베이스 구축 57

표 3-1-3. RC 슬래브교 데이터베이스 61

표 3-1-4. RC 라멘교 데이터베이스 63

표 3-1-5. PSC Beam교 데이터베이스 65

표 3-1-6. 판형교 데이터베이스 67

표 3-1-7. Steel Box교 데이터베이스 69

표 3-1-8. PSC Box교 데이터베이스 71

표 3-1-9. Truss교 데이터베이스 73

표 3-1-10. 아치교 데이터베이스 75

표 3-1-11. 교각의 일반도 및 특성 76

표 3-1-12. T형 교각의 정면도 및 단면도 77

표 3-1-13. Type별 교대의 분류 79

표 3-2-1. 철도종합시험선로 교량 현황 81

표 3-2-2. 본 연구에서 활용된 Lidar의 제원 82

표 3-2-3. Lidar를 이용한 현장 교량 계측 상세 82

표 3-3-1. PointNet내 T-Net 변환에 사용되는 CNN 구조 103

표 3-3-2. PointNet내 MLP 모형에 사용되는 계층 구조 104

표 3-3-3. PointNet내 feature transform에 사용되는 T-Net 구조 104

표 3-3-4. PointNet내 feature image preparation에 사용되는 MLP 구조 105

표 3-3-5. PointNet part segmentation 내 T1 변환에 사용되는 MLP 구조 107

표 3-3-6. PointNet part segmentation 내 입력데이터 변환용 MLP 구조 108

표 3-3-7. PointNet part segmentation 내 입력데이터 변환용 T2 구조 109

표 3-3-8. PointNet part segmentation 내 MLP 구조 109

표 3-3-9. PointNet part segmentation 내 최종 segmentation 구조 110

표 3-3-10. PointNet semantic segmentation 내 최종 segmentation 구조 112

표 3-3-11. PointNet semantic segmentation 내 global feature 추출 구조 112

표 3-3-12. PointNet semantic segmentation 내 point features 추출 구조 113

표 3-3-13. PointNet++ set abstraction을 위한 PointNet 구조 115

표 3-3-14. PointNet++내 두번째 set abstraction을 위한 PointNet 구조 116

표 3-3-15. PointNet++내 마지막 set abstraction을 위한 PointNet 구조 117

표 3-3-16. PointNet++내 객체인식을 위한 CNN 구조 117

표 3-3-17. PointNet++ set abstraction을 위한 PointNet 구조 119

표 3-3-18. PointNet++ set abstraction을 위한 2nd PointNet 구조[이미지참조] 120

표 3-3-19. PointNet++ set abstraction을 위한 final PointNet 구조 120

표 3-3-20. PointNet++ 1st feature propagation layer 구조[이미지참조] 121

표 3-3-21. PointNet++ 2nd feature propagation layer 구조[이미지참조] 121

표 3-3-22. PointNet++ final feature propagation layer 구조 122

표 3-3-23. PointNet++ segmentation용 fully connected layer 구조 122

표 3-4-1. object classification 테스트 결과 128

표 3-4-2. 교량 상부 형식 별 카테고리 130

표 3-4-3. 교량 하부 형식 별 카테고리 131

표 3-4-4. object classification 테스트 결과 132

표 3-5-1. 1번 거더의 파라미터와 오차율 146

표 3-5-2. 2번 거더의 파라미터와 오차율 146

표 3-5-3. 3번 거더의 파라미터와 오차율 147

표 3-5-4. 4번 거더의 파라미터와 오차율 147

표 3-5-5. 5번 거더의 파라미터와 오차율 148

표 3-5-6. 6번 거더의 파라미터와 오차율 148

표 3-5-7. 7번 거더의 파라미터와 오차율 149

표 3-5-8. 8번 거더의 파라미터와 오차율 149

표 3-5-9. 9번 거더의 파라미터와 오차율 150

표 3-5-10. 10번 거더의 파라미터와 오차율 150

표 3-5-11. 11번 거더의 파라미터와 오차율 151

표 3-5-12. 12번 거더의 파라미터와 오차율 151

표 3-5-13. 13번 거더의 파라미터와 오차율 152

표 3-5-14. 14번 거더의 파라미터와 오차율 152

표 3-5-15. 파라미터별 평균 오차율 153

표 3-5-16. 거더별 오차율과 총 파라미터 자동 추출 평균 오차율 153

표 3-5-17. 1번 교각의 파라미터와 오차율 155

표 3-5-18. 2번 교각의 파라미터와 오차율 155

표 3-5-19. 3번 교각의 파라미터와 오차율 156

표 3-5-20. 4번 교각의 파라미터와 오차율 156

표 3-5-21. 5번 교각의 파라미터와 오차율 157

표 3-5-22. 6번 교각의 파라미터와 오차율 157

표 3-5-23. 7번 교각의 파라미터와 오차율 158

표 3-5-24. 8번 교각의 파라미터와 오차율 158

표 3-5-25. 9번 교각의 파라미터와 오차율 159

표 3-5-26. 10번 교각의 파라미터와 오차율 159

표 3-5-27. 11번 교각의 파라미터와 오차율 160

표 3-5-28. 12번 교각의 파라미터와 오차율 160

표 3-5-29. 13번 교각의 파라미터와 오차율 161

표 3-5-30. 파라미터별 평균 오차율 161

표 3-5-31. 교각별 오차율과 총 파라미터 자동 추출 평균 오차율 161

그림목차 14

그림 1-1-1. BIM기반의 구조물 유지관리 사례 20

그림 1-1-2. 기존 Lidar 계측 기반 BIM 모델링 현황 21

그림 1-2-1. 철도구조물의 3차원 점군 데이터 기반 역설계 23

그림 2-2-1. iRescue: 기계학습을 적용시킨 재난 대응 시스템 36

그림 2-2-2. 기계학습을 적용시킨 건설분야 실내위치 인식 기술 37

그림 2-2-3. 딥러닝 기반 콘크리트 균열 검출기술 37

그림 2-2-4. 딥러닝 기반 부식 검출 기술 38

그림 2-2-5. 딥러닝을 활용한 구조물 데미지 검출 38

그림 2-2-6. 이미지 분할 기술의 의학분야의 적용 39

그림 2-2-7. 이미지 분할 기술의 보행자 인식 분야 적용 39

그림 2-2-8. 이미지 분할 기술의 얼굴 인식 분야 적용 40

그림 2-2-9. 이미지 분할 기술의 교통 분야 적용 40

그림 2-2-10. 딥러닝 기반 분할 (segmentation) 기술의 예 41

그림 2-2-11. U-NET과 Deilated/Artrous Convolujtions 41

그림 2-2-12. CRF 42

그림 2-2-13. SegNet으로 실현한 도심 도로 주변물 이미지 분할 43

그림 2-2-14. SegNet 아키텍쳐 43

그림 2-2-15. Atrous Convolution의 예 44

그림 2-2-16. DeepLab2 아키텍쳐 44

그림 2-2-17. DeepLab3 아키텍쳐 45

그림 2-2-18. DeepLab을 사용한 분할 기술의 예 45

그림 2-2-19. 교량의 요소 분할 46

그림 2-2-20. Euclidean Distance를 이용한 Clustering 47

그림 2-2-21. CRF를 사용한 3D Mesh 분할 기법 개요 48

그림 2-2-22. CRF를 사용한 3D Mesh 분할 기법 결과 48

그림 2-2-23. PointNet의 아키텍쳐 49

그림 2-2-24. PointNet의 객체 구분 결과 49

그림 2-2-25. PointNet의 Semantic Segmentation 결과 50

그림 2-2-26. PointNet의 CAD모델 Segmentation 결과 50

그림 2-2-27. PointNet의 Kinect 스캔 Segmentation 결과 51

그림 2-2-28. ScanNet: 실내 물체들과 segmentation 데이터 셋 52

그림 2-2-29. Projective Convolutional Network 기반 3D Segmentation 기술의 아키텍쳐 53

그림 2-2-30. Projective Convolutional Network 기반 3D Segmentation 기술의 결과 53

그림 3-1-1. 슬래브교 단면도 58

그림 3-1-2. 원주-강릉(5공구), 서해선(8공구) 단면도 58

그림 3-1-3. 폭원 구성에 대한 검토 59

그림 3-1-4. 형고/경간비에 대한 검토 59

그림 3-1-5. RC 슬래브교 60

그림 3-1-6. RC 슬래브교에 대한 매개변수 적용 60

그림 3-1-7. RC 라멘교 62

그림 3-1-8. RC 라멘교에 대한 매개변수 적용 62

그림 3-1-9. PSC Beam교 64

그림 3-1-10. PSC Beam교에 대한 매개변수 적용 64

그림 3-1-11. 판형교 66

그림 3-1-12. 판형교에 대한 매개변수 적용 66

그림 3-1-13. Steel Box교 68

그림 3-1-14. Steel Box교에 대한 매개변수 적용 68

그림 3-1-15. PSC Box교 70

그림 3-1-16. PSC Box교에 대한 매개변수 적용 70

그림 3-1-17. Truss교 72

그림 3-1-18. Truss교에 대한 매개변수 적용 72

그림 3-1-19. 아치교 74

그림 3-1-20. 아치교에 대한 매개변수 적용 74

그림 3-1-21. T형 교각에 대한 Type별 매개변수 적용 77

그림 3-1-22. 문형 교각에 대한 Type별 매개변수 적용 78

그림 3-1-23. 벽식 교각에 대한 Type별 매개변수 적용 78

그림 3-1-24. 교대 형태에 따른 매개변수 적용 79

그림 3-2-1. 철도종합시험선로 개요도 및 교량 현황 80

그림 3-2-2. 철도종합시험선로 교량의 예 81

그림 3-2-3. 철도종합시험선로 측정의 예 83

그림 3-2-4. 교량 상부에서 계측한 point cloud data 84

그림 3-2-5. Point cloud data 정합 결과 (오송 시험선 교량) 85

그림 3-2-6. RGB mapping 작업 (오송 시험선 교량) 86

그림 3-2-7. RGB Mapping 결과 (오송 시험선 교량) 87

그림 3-2-8. RGB Mapping 결과 (오송 시험선 교량) 87

그림 3-2-9. Ogject segmentation 결과 (오송 시험선 교량) 88

그림 3-2-10. 교량 점군데이터의 파일 구성 89

그림 3-2-11. 점군데이터의 텍스트 파일 구성 (girder.txt 파일 예시) 90

그림 3-2-12. 점군데이터 텍스트 파일의 넘파이 포맷 변환을 위한 코드 90

그림 3-2-13. 넘파이 포맷(.npy)으로 변환된 점군데이터의 형태 91

그림 3-2-14. 점군데이터의 무작위 반복 추출을 위한 코드 93

그림 3-2-15. 무작위 반복 추출된 점군데이터 파일의 구조 94

그림 3-2-16. 무작위 반복 추출된 점군데이터의 HDF5 파일 변환 및 저장을 위한 코드 95

그림 3-2-17. 딥러닝 알고리즘의 학습에 사용될 점군데이터 HDF5 파일의 구성 95

그림 3-2-18. 점군데이터 HDF5 데이터의 정보를 설명하는 텍스트 파일 96

그림 3-3-1. Qi 등 (2017b)의 PointNet++ 모형 98

그림 3-3-2. PointNet (Qi 등, 2017a)의 계층 구조 102

그림 3-3-3. PointNet의 part segmentation 데이터 흐름도 107

그림 3-3-4. PointNet++ (Qi 등, 2017b)의 계층 구조 114

그림 3-4-1. MODELNET 홈페이지 124

그림 3-4-2. MODELNET의 비행기와 자동차 데이터 예시 125

그림 3-4-3. MODELNET 데이터에 대한 딥러닝 알고리즘 별 정확도 125

그림 3-4-4. 포인트 클라우드 변환 프로세스 126

그림 3-4-5. 아치교 모델의 PCD 변환 127

그림 3-4-6. PointNet object classification 하이퍼파라미터 127

그림 3-5-1. System Overview 134

그림 3-5-2. K-Nearest Neighbors Algorithm 135

그림 3-5-3. Noise reduction 136

그림 3-5-4. MSAC을 사용하여 평면 예측 137

그림 3-5-5. 교량 3D 점군데이터 평면 예측 결과 137

그림 3-5-6. 평면상 점군데이터에서 벡터 설정 138

그림 3-5-7. 평면상 점군데이터에서 벡터 설정 138

그림 3-5-8. 3차원 회전변환이 적용된 교량 3D 점군데이터 139

그림 3-5-9. 교량의 3D 점군데이터의 분해 패턴 140

그림 3-5-10. Beam 거더교 파라미터 자동 추출 모델 140

그림 3-5-11. T형 거더교 파라미터 자동 추출 모델 141

그림 3-5-12. 판형 거더교 파라미터 자동 추출 모델 141

그림 3-5-13. 강 박스 거더교 파라미터 자동 추출 모델 142

그림 3-5-14. PSC 박스 거더교 파라미터 자동 추출 모델 143

그림 3-5-15. 오송 시험 5교 파라미터 자동 추출 144

그림 3-5-16. 12번 거더와 14번 거더의 정면도 144

그림 3-5-17. 12번 거더와 2번 거더의 저면도 145

그림 3-5-18. 1번 거더 3D 점군데이터 146

그림 3-5-19. 2번 거더 3D 점군데이터 146

그림 3-5-20. 3번 거더 3D 점군데이터 147

그림 3-5-21. 4번 거더 3D 점군데이터 147

그림 3-5-22. 5번 거더 3D 점군데이터 148

그림 3-5-23. 6번 거더 3D 점군데이터 148

그림 3-5-24. 7번 거더 3D 점군데이터 149

그림 3-5-25. 8번 거더 3D 점군데이터 149

그림 3-5-26. 9번 거더 3D 점군데이터 150

그림 3-5-27. 10번 거더 3D 점군데이터 150

그림 3-5-28. 11번 거더 3D 점군데이터 151

그림 3-5-29. 12번 거더 3D 점군데이터 151

그림 3-5-30. 13번 거더 3D 점군데이터 152

그림 3-5-31. 14번 거더 3D 점군데이터 152

그림 3-5-32. 교각 파라미터 자동 추출 결과 154

그림 3-5-33. 1번 교각 3D 점군데이터 155

그림 3-5-34. 2번 교각 3D 점군데이터 155

그림 3-5-35. 3번 교각 3D 점군데이터 156

그림 3-5-36. 4번 교각 3D 점군데이터 156

그림 3-5-37. 5번 교각 3D 점군데이터 157

그림 3-5-38. 6번 교각 3D 점군데이터 157

그림 3-5-39. 7번 교각 3D 점군데이터 158

그림 3-5-40. 8번 교각 3D 점군데이터 158

그림 3-5-41. 9번 교각 3D 점군데이터 159

그림 3-5-42. 10번 교각 3D 점군데이터 159

그림 3-5-43. 11번 교각 3D 점군데이터 160

그림 3-5-44. 12번 교각 3D 점군데이터 160

그림 3-5-45. 13번 교각 3D 점군데이터 161

그림 3-6-1. BIM 라이브러리 테스트베드(시험제5교) 163

그림 3-6-2. 시험제5교 거더별 상세 제원 164

그림 3-6-3. 시험제5교 전체 도면 164

그림 3-6-4. 제시험5교 일반도 165

그림 3-6-5. 제시험5교 매개변수 적용(1) 166

그림 3-6-6. 제시험5교 매개변수 적용(2) 166

그림 3-6-7. 제시험5교 매개변수 적용(3) 167

그림 3-6-8. 제시험5교 매개변수 적용(4) 167

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기