Point Cloud의 최신 자동 인식화

플랜트 등의 설비 데이터를 항상 최신 상태로 유지하는 것은 중요하다.

현실에도 이 작업은 많은 노력을 필요로 하며, 그 자동화를 위한 필사적인 노력이 계속되고 있다.

Chevron사의 Rachel Collins씨가 소개한 방법도 그 중 하나이다. 원리는 비교적 간단하다. Point Cloud로 구, 원통, 직육면체, 원뿔 등의 기본 형상에 대응시키는 애플릿(JAVA언어로 구성 된  프로그램 소프트웨어)을 준비하고 인식하는 것이다. 처리 과정으로는 우선 Point Cloud를 작은 블록으로 분할하여 그 블록마다 인식을 하는 것으로 약 80%의 블록은 자동 인식할 수 있다. 그러나 벨브 등 복잡한 형상에 문제가 많은 나머지 20%의 처리 인식은 상당히 느려지게 된다.

컴퓨터에 이 인식 알고리즘을 포함시키는 것은 쉬운 일이 아니다. 거대한 지식library를 개발하면서 서서히 성장시켜 가고 있다.

인접하는 부품 간의 연결 관계도 지식 모델을 써서 정확도를 높이는 연구를 계속하고 있어 상당한 평가를 할 수 있을 단계까지 개발이 진행되어 왔다고 말했다.

심층 학습 기술의 이용

Bentley는 심층 학습 "deep learning" 기술 방법을 활용한 개발을 하고 있다. 이는 인간이 일일이 알고리즘을 찾아 프로그래밍하는 것이 아니라 방대한 사례를 주고, 자기 학습 시키는 것이다. 바로 인간의 아기가 주위의 환경을 인식하는 과정과 같다. 공중 레이더 데이터로부터, 전선이나 전봇대를 인식하는 등의 성과를 얻어지는 경우도 있다. 언젠가 이 기술에서도 상당한 인식 수준에 도달할 수 있을 것으로 기대되고 있다.

<원문> The Bleeding Edge of Automatic Modeling