P&ID 의 효율적 관리를 위한 객체 추출 기반 머신러닝 접근법 연구 = A Machine Learning Approach Using ObjectExtraction for Efficient Management of P&ID

국문 초록 (Abstract)

건설 및 플랜트 산업에서는 건설 도면, 특히 P&ID(Piping & Instrumentation Diagram, 배관계장도)과 같은 도면의 효율적 관리를 위해 도면에 포함된 객체 정보를 체계적으로 추출하는 것이 중요하다. 그러나 기존에는 도면 객체(설비 심볼 및 태그 등)를 수동으로 식별하고 목록화해야 하므로 많은 시간과 노력이 소요되고 오류의 위험이 높았다. 본 연구에서는 이러한 문제를 해결하기 위하여 객체 추출 기반의 머신러닝 접근법을 제안하였다. 구체적으로, 최신 객체 검출 모델인 YOLOv8을 활용하여 P&ID 도면상의 설비 기호(심볼)를 자동으로 인식하고, Tesseract OCR 엔진을 이용하여 각 심볼에 대응하는 태그 문자를 추출하였다. 이후 심볼과 태그를 연계하기 위해 중심 간 거리와 교차영역비(IoU)를 결합한 매칭 알고리즘을 개발하여 도면으로부터 객체 리스트를 자동 생성하도록 하였다. 개발한 알고리즘을 플랜트 P&ID 도면에 적용한 실험을 통해 심볼 인식 및 태그 추출의 정확도를 검증하였으며, 제안 기법의 실용성을 확인하였다. 제안된 방법을 통해 기존 수작업 중심의 도면 정보 관리 과정이 자동화되어 작업 효율과 정확성이 향상될 것으로 기대된다.
주제어: 배관계장도(P&ID), 객체 추출, 광학 문자 인식(OCR), YOLOv8, IoU(Intersection over Union)

다국어 초록 (Multilingual Abstract)

In the construction and plant industry, it is crucial to systematically extract object information from construction drawings, particularly for P&ID (Piping & Instrumentation Diagram). However, the traditional method of manually identifying and listing drawing objects (such as equipment symbols and tags) has been time-consuming and labor-intensive, with a high risk of errors. This study proposes an object extraction-based machine learning approach to address these issues. Specifically, we utilized the latest object detection model, YOLOv8, to automatically recognize equipment symbols in P&ID drawings and employed the Tesseract OCR engine to extract the corresponding tag texts for each symbol. Furthermore, we developed a matching algorithm that combines the distance between centroids and Intersection over Union (IoU) to automatically generate an object list from the drawings. We validated the accuracy of symbol recognition and tag extraction through experiments conducted on plant P&ID drawings, confirming the practicality of the proposed method. It is expected that the proposed approach will automate the traditionally manual drawing information management process, enhancing both work efficiency and accuracy.
Keywords: Piping & Instrumentation Diagram (P&ID), Object Extraction, Optical Character Recognition (OCR), YOLOv8, IoU (Intersection over Union)

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 배경 및 목적 1
• 제 2 절 연구 범위와 방법 및 논문 구성 2
• 제 2 장 광학 문자 인식 및 객체 탐지 관련 고찰 4
• 제 1 절 광학 문자 인식 (OCR) 4
• 1. 광학 문자 인식의 개념 및 원리 4
• 2. P&ID 도면에서의 적용 5
• 제 2 절 객체 탐지 6
• 1. 객체 탐지(Object Detection)의 개요 6
• 2. YOLOv8의 특징 6
• 3. 모델 선택의 배경 7
• 제 3 절 객체 매칭 기법 8
• 1. 문제 정의 8
• 2. 기존 매칭 방법 8
• 3. 통합 매칭 제안 9
• 제 3 장 선행연구 고찰 12
• 제 1 절 국내 연구 동향 12
• 제 2 절 국외 연구 동향 14
• 제 3 절 기존 연구 대비 차별성 18
• 제 4 장 객체-태그 개별 추출 후 정보결합 방식 제안 20
• 제 1 절 데이터 구성 및 전처리 20
• 1. 데이터 수집 20
• 2. 패치 생성 21
• 3. 주석 작업 (Annotation) 22
• 4. 전처리 22
• 제 2 절 YOLOv8 학습 23
• 1. 모델 설정 23
• 2. 주요 학습 파라미터 23
• 3. 학습 과정 24
• 4. 검출 결과 처리 25
• 제 3 절 OCR 적용 26
• 1. 텍스트 후보 검출 26
• 2. OCR 엔진 설정 27
• 3. OCR 결과 정제 27
• 4. 한계 및 대안 28
• 제 4 절 객체 매칭 알고리즘 29
• 1. 알고리즘 주요 단계 29
• 2. 복잡도 및 성능 31
• 3. 보정 필요 예시 및 유도 절차 32
• 제 5 장 실험 설계 및 분석 33
• 제 1 절 실험 시나리오 33
• 1. 도면 정보 33
• 2. 실험 절차 33
• 3. 실험 환경 34
• 4. 비교 기법 34
• 제 2 절 성능 지표 35
• 1. 주요 정량 지표 35
• 2. 평가 방식 37
• 제 6 장 실험 결과 및 분석 38
• 제 1 절 실험 환경 및 데이터 구성 38
• 제 2 절 평가 지표 39
• 제 3 절 객체 검출 및 OCR 결과 39
• 1. 심볼 객체 검출 결과 39
• 2. OCR 기반 태그 인식 결과 40
• 제 4 절 심볼-태그 매칭 결과 분석 40
• 제 5 절 시각적 결과 및 오류 사례 분석 41
• 제 6 절 소결 43
• 제 7 장 결론 및 향후 연구 44
• 1. 결론 44
• 2. 공헌 45
• 3. 향후 연구 45
• 참 고 문 헌 47