이버드특허법인

이버드특허법인

사업화 유망기술

저희 이버드 특허법인은 "Early bird catches the worm"의 마음으로
남들보다 한 걸음 더 빨리, 더 가까이 고객 여러분께 다가가겠습니다.

사업화 유망기술

HOME > 사업화 유망기술
분산된 데이터 획득을 위한 고속영상 딥러닝 분석 기술
분야
전자/전기
  • URL 복사

분산된 데이터 획득을 위한 고속영상 딥러닝 분석 기술

보유기관 및 연구자 : 국방과학연구소 박용찬 연구원

개발상태
5/9

기술완성도

TRL09

사업화

  • 본격적인 양산 및 사업화 단계
TRL08

시작품 인증/
표준화

  • 일부 시제품의 인증 및 인허가 취득 단계
    - 조선 기자재의 경우 선급기관 인증, 의약품의 경우 식약청의 품목 허가 등
TRL07

Pilot 단계 시작품
신뢰성 평가

  • 시작품의 신뢰성 평가
  • 실제 환경(수요기업)에서 성능 검증이 이루어지는 단계
TRL06

Pilot 단계 시작품
성능 평가

  • 경제성(생산성)을 고려한, 파일로트 규모의 시작품 제작 및 평가
  • 시작품 성능평가
TRL05

시제품 제작/
성능평가

  • 개발한 부품/시스템의 시작품(Prototype) 제작 및 성능 평가
  • 경제성(생산성)을 고려하지 않고, 우수한 시작품을 1개~수개 미만으로 개발
TRL04

연구실 규모의
부품/시스템 성능평가

  • 연구실 규모의 부품/시스템 성능 평가가 완료된 단계
  • 실용화를 위한 핵심요소기술 확보
TRL03

연구실 규모의
성능 검증

  • 연구실/실험실 규모의 환경에서 기본 성능이 검증될 수 있는 단계
  • 개발하려는 시스템/부품의 기본 설계도면을 확보하는 단계
  • 모델링/설계기술 확보
TRL02

실용 목적의 아이디어/
특허 등 개념 정립

  • 실용 목적의 아이디어, 특허 등 개념 정립
TRL01

기초 이론/
실험

  • 연구과제 탐색 및 기회 발굴 단계
특허정보

기술개요

• 본 특허는 탄두 시험영상을 계측한 고속영상으로부터 딥러닝 기반으로 파편자료를 획득 / 분석에 관한 기술로, 파편자료 획득에 있어 획득률 향상과 노이즈, 디스터번스, 오류값 등을 방지할 수 있는 기술임

적용분야

• 2차원의 영상 좌표를 3차원 공간 좌표로 복원하는 기술로 인식시스템 또는 충돌분석 분야에 적용 가능함

∨딥러닝 기반의 객체 인식 시스템  ∨천문학 충돌분석 분야  ∨객체, 관심영역(ROI) 인식 알고리즘

1.JPG

기술 차별성

• 빛과 화염을 새로운 파편으로 오인식하는 문제를 해결하기 위해서는 더욱 정밀한 파편자료 획득 검사능력과 케이블 피격에 의한 시험 자료 오염을 방지할 수 있는 기술의 개발이 필요함

• 파편자료를 검출하기 위해서는 탄두 기폭 현상을 고속 촬영한 영상으로부터 RCNN으로 검출하여 탄두의 크기와 모양에 영향이 적은 파편자료 획득이 가능함

2.JPG

구현방법

• 본 특허에 따른 딥러닝 기반의 탄두시험 파편자료 획득장치는 시스템 입력부, 파편 검출부, 중복방지 필터부, 3차원좌표 복원부, 파편자료 처리부로 구성되어 있음

• 시스템 입력부는 탄두시험 영상과 딥러닝 기반 파편자료 검출 모델을 입력받고, 파편검출부는 시스템 입력부에서 제공된 탄두시험 영상과 검출모델을 입력받아 영상내 파편이미지를 모두 검출함

• 중복방지 필터부는 파편 데이터베이스를 이용하여 제작되며, 빛과 화염을 제거하는 필터를 적용하여, 같은 위치에서 중복된 파편이미지 검출을 방지하고, 3차원좌표 복원부는 2차원의 영상좌표로 계측한 결과를 실제 탄을 기준으로 3차원 좌표로 복원하고, 파편자료 처리부는 딥러닝 기반 파편자료 획득장치의 최종 결과물을 도큐먼트 형태로 출력함

• 탄두시험 파편자료 획득 방법으로는 탄두시험 영상을 광학기반으로 고속 촬영을 한 후 영역 컨볼루셔널 신경망 알고리즘을 사용하여 고속으로 촬영한 영상에서 파편이미지를 검출함


3.JPG

기술동향

• 최근 인공신경망(ANN, Artificial Neural Networt)의 한계를 극복하고자 도입된 딥러닝을 이용한 데이터 분석이 주목받고 있음

• 영상 분석 기술은 지도학습의 CNN(합성곱신경망, Convolution Neural Network)과 RNN(순환신경망, Recurrent Neural Network)을 활용하여 개발되고 있으며, 이후 Faster R-CNN, R-RCN 등 다양한 기술이 제안되었지만 실시간 가까운 객체의 처리 속도를 필요로 하는 산업에 적용하기 어려워 속도 문제를 해결하기 위해 YOLO(You Only Look Once)가 개발됨

• 또한, SSD(Solid State Drive)와 같이 모바일에서 동작 가능한 정도의 빠른 검출 속도를 보이는 방법이 제안되었으며, 이 외에도 AlexNET, ZFNet, VGG 등이 객체 인식을 위한 연구가 진행되고 있음

시장동향

4.JPG

• 구글, IBM, 페이스북, 아마존 등 많은 글로벌 기업들이 AI 제품 및 솔루션, 서비스 중심으로 시장을 가속시키고 있는 가운데, 전세계 인공지능 시장이 2025년에는 43.9%의 성장률에 힘입어 2828억 달러의 규모로 시장이 형성도리 것으로 예상됨

• 특히, 머신러닝, 컴퓨터 비전, 자연어 처리, 상황 컴퓨팅 등을 포함하는 세계 인공지능 시장 규모는 2018년 198억달러에서 2019년 262억달러로 32.1% 급성장함

• 딥러닝 기반의 객체 인식 시스템 기술의 R-CNN은 입력된 영상에서 선택적 탐색 알고리즘을 이용하여 후보 영역들을 생성하고 각 후보 영역들은 동일한 크기로 변환하여 CNN을 통한 특징 추출로 활용할 수 있음

• 또한, Fast R-CNN의 객체 인식 시스템 기술은 하나의 입력 영상에 대해 하나의 CNN을 학습하여 생성된 특성지도(Feature map)를 통합한 특징을 추출하면 성능이 우수하고 R-CNN보다 훈련 시간을 감소 시켜 보다 빠르게 객체를 인식할 것으로 예상됨

• 따라서, 고속영상 분석 기술을 적용한다면, 불특정한 상황에서 객체를 정확히 인식해서 주변 상황을 정확히 파악할 수 있는 화재 감지 알고리즘과 사람을 정확히 인식해야 하는 자동차 충돌 테스트 분야 등의 다양한 산업에 사용될 것으로 기대됨