KR102104756B1 - A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same - Google Patents

A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same Download PDF

Info

Publication number
KR102104756B1
KR102104756B1 KR1020190109124A KR20190109124A KR102104756B1 KR 102104756 B1 KR102104756 B1 KR 102104756B1 KR 1020190109124 A KR1020190109124 A KR 1020190109124A KR 20190109124 A KR20190109124 A KR 20190109124A KR 102104756 B1 KR102104756 B1 KR 102104756B1
Authority
KR
South Korea
Prior art keywords
fire
cctv
module
movement path
information
Prior art date
Application number
KR1020190109124A
Other languages
Korean (ko)
Inventor
강선경
Original Assignee
강선경
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 강선경 filed Critical 강선경
Priority to KR1020190109124A priority Critical patent/KR102104756B1/en
Application granted granted Critical
Publication of KR102104756B1 publication Critical patent/KR102104756B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
    • G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
    • G08B21/0208—Combination with audio or video communication, e.g. combination with "baby phone" function
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Child & Adolescent Psychology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Toxicology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Fire Alarms (AREA)

Abstract

According to one embodiment of the present invention, provided is a smart CCTV system performing fire detection and warning, which comprises: a CCTV surveillance device including a photographing unit, a wind direction sensor, a wind speed sensor, a hazardous substance detection sensor, a communication unit, and a warning unit; and a CCTV control device analyzing the occurred fire based on real-time information received from the CCTV surveillance device.

Description

화재 감지 및 경고를 수행하는 스마트 CCTV 시스템 및 이를 이용한 화재 모니터링 방법{A SMART CCTV SYSTEM FOR FIRE DETECTION AND FIRE ALARM AND A METHOD FOR MONITORING FIRE USING THE SAME}A smart CCTV system that performs fire detection and warning and a fire monitoring method using the same {A SMART CCTV SYSTEM FOR FIRE DETECTION AND FIRE ALARM AND A METHOD FOR MONITORING FIRE USING THE SAME}

본 발명은 스마트 CCTV 시스템에 관한 것으로, 구체적으로는 CCTV 시스템의 촬영유닛에 의하여 획득된 실시간 화재영상을 분석하여 화재의 크기 및 종류 등을 분석하고, 화재의 이동경로를 예상할 수 있는 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템 및 이를 이용한 화재 모니터링 방법에 관한 것이다.The present invention relates to a smart CCTV system, specifically, analyzing the real-time fire image acquired by the shooting unit of the CCTV system to analyze the size and type of the fire, and to detect a fire that can predict the movement path of the fire and It relates to a smart CCTV system that performs warning and a fire monitoring method using the same.

화재에 의한 재난은 주변에서 가장 빈번히 발생하는 재난이며, 대형 화재의 경우, 대부분 초기 대응이 이루어지지 않아서 발생되는 경우가 많다.Disasters caused by fires are the most frequently occurring disasters in the surroundings, and in the case of large-scale fires, most of them are caused by the lack of initial response.

즉, 화재는 초기 대응이 제대로 이루어지지 않으면 물질적 재산은 물론이며, 인명의 피해까지 필연적으로 수반되는 재난이다. In other words, a fire is a disaster that inevitably involves damage to humans as well as material property if the initial response is not properly made.

이와 같은 화재를 연소대상물에 의해 분류해 보면, 일반화재(A급 화재)와 가연성 액체 및 기체 화재(B급 화재)와 전기화재(C급 화재), 금속화재(D급 화재)로 분류할 수 있으며, 여기서 A급, B급, C급 화재와 같이 탄화수소가 포함된 가연물의 연소로 발생되는 화재를 탄화수소계열 화재(Hydrocarbon fire)라고 하고, D급 화재는 비탄화수소계열 화재(Non Hydrocarbon fire)라고 한다.If these fires are classified by the objects to be burned, they can be classified into general fires (class A fires), combustible liquid and gas fires (class B fires), electric fires (class C fires), and metal fires (class D fires). Here, fires caused by combustion of combustibles containing hydrocarbons, such as Class A, Class B, and Class C fires are called Hydrocarbon fires, and Class D fires are called Non Hydrocarbon fires. do.

이때 탄화수소계열 화재는 화재 사고 중 흔히 접할 수 있는 재난으로써, 종이, 목재, 합성수지 또는 가연성 액체 등이 연소되면서 연기와 불꽃이 발생된다. At this time, a hydrocarbon-based fire is a disaster commonly encountered during a fire accident, and smoke and sparks are generated as paper, wood, synthetic resin, or combustible liquids are burned.

또한, 비 탄화수소계열 화재는 불꽃의 일렁임과 파장을 갖고 있지 않으며, 자연 연소 상태를 유지하지 않고, 급속하게 전이되는 특성이 있다.In addition, non-hydrocarbon fires do not have sparks and wavelengths of flame, do not maintain a natural combustion state, and have a property of rapidly transitioning.

이러한 화재 재난의 특성을 이용하여 화재의 발생을 미연에 감지하고 이를 주변에 알림으로써, 인명과 재산의 피해를 최소화할 수 있는 열 감지기, 연기 감지기, 복합형 감지기 및 불꽃 감지기 등의 감지장치(센서)가 개발되어 왔다.By using the characteristics of the fire disaster, it is possible to detect the occurrence of a fire in advance and notify it to the surroundings, thus detecting devices such as heat detectors, smoke detectors, complex detectors, and flame detectors that can minimize the damage to human life and property. ) Has been developed.

그러나 언급된 감지장치를 이용하여 화재를 감지하고, 이를 통보하여 관할처 직원이 출동한다고 하더라도, 이미 화재의 진행이 상당히 이루어진 상태이기 때문에 대형 화재를 면하기 어려운 문제점이 있다.However, even if a fire is detected using the above-mentioned sensing device and notified by an employee of the competent authority, there is a problem in that it is difficult to avoid a large-scale fire because the fire has already progressed considerably.

한편 하기 선행기술문헌에는 적외선카메라와 어안렌즈를 이용하여 화재가 발생될 수 있는 가능성이 있는 단계에서부터 이를 감지하여 화재발생 가능성이 있으면, 환기구를 개방하여 과열된 기기를 냉방시키고, 화재가 발생하는 경우 자가적으로 소화물질을 분사하여 화재를 진화하는 화재감지시스템에 관한 내용만 개시하고 있을 뿐 본 발명의 기술적 요지는 개시하고 있지 않다.On the other hand, in the following prior art documents, if there is a possibility of a fire by detecting it from a stage where a fire may occur using an infrared camera and a fish-eye lens, the ventilation hole is opened to cool the overheated device, and when a fire occurs Only the contents of the fire detection system for extinguishing a fire by injecting a fire extinguishing material by itself are disclosed, but the technical subject of the present invention is not disclosed.

대한민국 공개특허공보 제10-2017-0056861호Republic of Korea Patent Publication No. 10-2017-0056861

본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템 및 이를 이용한 화재 모니터링 방법은 화재발생 여부 및 화재의 종류를 파악할 수 있을 뿐만 아니라 향후 화재의 진행경로 또한 예측할 수 있는 영상분석 기반의 스마트 화재 모니터링 시스템 및 방법을 제공하는 것이다. A smart CCTV system that performs fire detection and warning according to an embodiment of the present invention and a fire monitoring method using the same can not only understand whether a fire has occurred and the type of fire, but also analyze video based on predicting the future course of a fire. It is to provide a smart fire monitoring system and method.

또한 화재발생 여부 및 화재의 종류를 판단하기 위한 알고리즘을 딥러닝을 통하여 생성함으로써 좀 더 정확한 판단이 가능한 영상분석 기반의 스마트 화재 모니터링 시스템 및 방법을 제공하는 것이다. In addition, by providing an algorithm for determining whether a fire has occurred and the type of fire through deep learning, it is to provide a smart fire monitoring system and method based on image analysis capable of more accurate determination.

본 발명의 해결과제는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어 질 수 있을 것이다.The problems of the present invention are not limited to those mentioned above, and other problems not mentioned may be clearly understood by those skilled in the art from the following description.

본 발명의 일 실시예에 따른 스마트 CCTV 시스템은 복수의 CCTV 및 응급기관서버를 포함하는 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템에 관한 것으로, 상기 CCTV는 촬영유닛, 풍향센서, 풍속센서, 유해물질 감지센서, 통신유닛 및 경고유닛을 포함하는 CCTV 감시장치; 및 상기 CCTV 감시장치로부터 전달받은 실시간 정보에 기초하여 발생된 화재를 분석하는 CCTV 제어장치;를 포함하고, 상기 CCTV 제어장치는, 상기 촬영유닛이 획득한 실시간 영상정보 및 상기 유해물질 감지센서가 획득한 유해물질 정보에 기초하여 미리 학습된 제1 알고리즘을 통해 화재의 발생여부를 판별하는 화재발생여부 판단모듈; 상호 인접한 복수의 CCTV가 획득한 실시간 복수의 영상정보 및 제1 저장모듈에 저장된 상기 복수의 CCTV 주변의 지도정보에 기초하여 화재의 발화지 및 현재까지의 화재의 이동경로를 생성하는 화재이동경로 생성모듈; 상기 실시간 영상정보, 상기 화재의 발화지 및 상기 유해물질정보에 기초하여 미리 학습된 제2 알고리즘을 통해 화재의 종류를 판별하는 화재종류 판단모듈; 및 상기 실시간 영상정보, 상기 화재의 발화지, 상기 현재까지의 화재의 이동경로, 상기 유해물질정보, 상기 풍향센서가 획득한 풍향 및 상기 풍속센서가 획득한 풍속에 기초하여 미리 학습된 제3 알고리즘을 통해 화재의 향후 이동경로를 예측하는 화재이동경로 예측모듈; 상기 화재발생여부 판단모듈, 화재이동경로 생성모듈, 화재종류 판단모듈 및 화재이동경로 예측모듈 중 적어도 하나에 기초하여 경고신호를 생성하는 경고신호 생성모듈; 상기 복수의 CCTV로부터 전달받은 과거의 정보 및 상기 과거의 정보에 대응되는 과거의 화재의 발생정보로 구성되는 트레이닝 세트를 저장하는 제2 저장모듈; 및 다수의 노드를 포함하는 신경망 구조로 구성되어 상기 제2 저장모듈에 저장된 트레이닝 세트에 기초하여 상기 제1 알고리즘, 제2 알고리즘 및 제3 알고리즘을 생성하는 기계학습모듈;을 포함한다.Smart CCTV system according to an embodiment of the present invention relates to a smart CCTV system that performs a fire detection and warning including a plurality of CCTV and emergency engine server, the CCTV is a shooting unit, wind direction sensor, wind speed sensor, harmful substances CCTV monitoring device including a detection sensor, a communication unit and a warning unit; And a CCTV control device that analyzes a fire generated based on real-time information received from the CCTV monitoring device, wherein the CCTV control device acquires real-time image information and the harmful substance detection sensor acquired by the photographing unit. A fire occurrence determination module for determining whether a fire has occurred through a first algorithm learned in advance based on one hazardous substance information; Creating a fire movement path that generates a fire ignition site and a moving path of a fire to date based on real-time multiple video information obtained by a plurality of mutually adjacent CCTVs and map information around the plurality of CCTVs stored in the first storage module. module; A fire type determination module for determining the type of fire through a second algorithm previously learned based on the real-time image information, the ignition location of the fire, and the harmful substance information; And a third algorithm previously learned on the basis of the real-time image information, the fire ignition location, the path of the fire to date, the harmful substance information, the wind direction obtained by the wind direction sensor, and the wind speed obtained by the wind speed sensor. Fire movement path prediction module to predict the future movement path of the fire through; A warning signal generation module for generating a warning signal based on at least one of the fire occurrence determination module, fire movement path generation module, fire type determination module, and fire movement path prediction module; A second storage module for storing a training set comprising past information received from the plurality of CCTVs and past fire occurrence information corresponding to the past information; And a machine learning module configured with a neural network structure including a plurality of nodes and generating the first algorithm, the second algorithm, and the third algorithm based on the training set stored in the second storage module.

상기 기계학습모듈은, 상기 제2 저장모듈에 저장된 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로를 제1 입력인자로 정의하고, 상기 제1 입력인자와 대응되는 화재의 발생 여부에 대한 판단결과 정보를 제1 출력인자로 정의하되, 상기 제1 입력인자 및 상기 제1 출력인자 사이에는 복수 개의 노드를 포함하는 제1 신경망이 구성되고, 상기 제1 신경망에 포함되는 복수의 각 노드에 설정된 함수들의 가중치를 기계학습을 통하여 도출하여 상기 제1 입력인자 및 상기 제1 출력인자 사이의 상관관계인 제1 알고리즘을 생성하는 제1 기계학습모듈; 상기 제2 저장모듈에 저장된 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로를 제2 입력인자로 정의하고, 상기 제2 입력인자와 대응되는 화재의 종류에 대한 판단결과 정보를 제2 출력인자로 정의하되, 상기 제2 입력인자 및 상기 제2 출력인자 사이에는 복수 개의 노드를 포함하는 제2 신경망이 구성되고, 상기 제2 신경망에 포함되는 복수의 각 노드에서 설정된 함수들의 가중치를 기계학습을 통하여 도출하여 상기 제2 입력인자 및 상기 제2 출력인자 사이의 상관관계인 제2 알고리즘을 생성하는 제2 기계학습모듈; 및 상기 제2 저장모듈에 저장된 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로를 제3 입력인자로 정의하고, 상기 제3 입력인자와 대응되는 화재의 예상이동경로에 대한 예측결과 정보를 제3 출력인자로 정의하되, 상기 제3 입력인자 및 상기 제3 출력인자 사이에는 복수 개의 노드를 포함하는 제3 신경망이 구성되고, 상기 제3 신경망에 포함되는 복수의 각 노드에서 설정된 함수들의 가중치를 기계학습을 통하여 도출하여 상기 제3 입력인자 및 상기 제3 출력인자 사이의 상관관계인 제3 알고리즘을 생성하는 제3 기계학습모듈;을 포함하는 것이 바람직하다.The machine learning module defines, as a first input factor, a size of a flame stored in the second storage module, a motion of a flame, a motion of a smoke, a wind direction, a wind speed, harmful substance information, a fire path of a fire and a fire, and the A first neural network including a plurality of nodes is configured between the first input factor and the first output factor, although information on the result of the determination as to whether a fire corresponding to the first input factor has occurred is defined as a first output factor. , A first machine learning module that derives weights of functions set in a plurality of nodes included in the first neural network through machine learning to generate a first algorithm that is a correlation between the first input factor and the first output factor. ; The size of the flame stored in the second storage module, the motion of the flame, the motion of the smoke, the wind direction, the wind speed, the harmful substance information, the ignition path and the movement path of the fire are defined as second input factors, and correspond to the second input factors. The determination result information on the type of fire to be defined is defined as a second output factor, and a second neural network including a plurality of nodes is formed between the second input factor and the second output factor, and included in the second neural network. A second machine learning module that derives weights of functions set in each of the plurality of nodes through machine learning to generate a second algorithm that is a correlation between the second input factor and the second output factor; And the size of the flame stored in the second storage module, the motion of the flame, the motion of the smoke, the wind direction, the wind speed, the harmful substance information, the ignition path of the fire and the fire are defined as third input factors, and the third input factors A third neural network including a plurality of nodes is formed between the third input factor and the third output factor while defining the prediction result information on the predicted movement path of the corresponding fire as a third output factor, and the third A third machine learning module that derives weights of functions set in a plurality of nodes included in a neural network through machine learning to generate a third algorithm that is a correlation between the third input factor and the third output factor. It is preferred.

본 발명의 일 실시예에 따른 화재 모니터링 방법은 복수의 CCTV 및 응급기관서버를 포함하는 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템을 이용한 화재 모니터링 방법에 관한 것으로, 상기 CCTV는 촬영유닛, 풍향센서, 풍속센서, 유해물질 감지센서, 통신유닛 및 경고유닛을 포함하는 CCTV 감시장치; 및 상기 CCTV 감시장치로부터 전달받은 실시간 정보에 기초하여 발생된 화재를 분석하는 CCTV 제어장치;를 포함하고, CCTV 제어장치의 제1 통신모듈이 상기 CCTV 감시장치로부터 실시간 화재정보를 획득하는 단계; CCTV 제어장치의 화재발생여부 판단모듈이 상기 촬영유닛이 획득한 실시간 영상정보 및 상기 유해물질 감지센서가 획득한 유해물질 정보에 기초하여 미리 기계학습된 제1 알고리즘을 통해 화재의 발생여부를 판별하는 단계; CCTV 제어장치의 화재이동경로 생성모듈이 상호 인접한 복수의 CCTV가 획득한 실시간 복수의 영상정보 및 CCTV 주변의 지도정보에 기초하여 화재의 발화지 및 현재까지의 화재의 이동경로를 생성하는 단계; CCTV 제어장치의 화재종류 판단모듈이 상기 실시간 영상정보, 상기 화재의 발화지 및 상기 유해물질정보에 기초하여 미리 기계학습된 제2 알고리즘을 통해 화재의 종류를 판별하는 단계; CCTV 제어장치의 화재이동경로 예측모듈이 상기 실시간 영상정보, 상기 화재의 발화지, 상기 현재까지의 화재의 이동경로, 상기 유해물질정보, 상기 풍향센서가 획득한 풍향 및 상기 풍속센서가 획득한 풍속에 기초하여 미리 기계학습된 제3 알고리즘을 통해 화재의 향후 이동경로를 예측하는 단계; CCTV 제어장치의 경고신호 생성모듈이 상기 화재발생여부 판단모듈, 화재이동경로 생성모듈, 화재종류 판단모듈 및 화재이동경로 예측모듈의 결과 중 적어도 하나에 기초하여 경고신호를 생성하는 단계;를 포함한다.Fire monitoring method according to an embodiment of the present invention relates to a fire monitoring method using a smart CCTV system that performs fire detection and warning including a plurality of CCTV and emergency engine servers, wherein the CCTV is a shooting unit, a wind direction sensor, CCTV monitoring device including wind speed sensor, hazardous substance detection sensor, communication unit and warning unit; And CCTV control device for analyzing the fire generated on the basis of the real-time information received from the CCTV monitoring device; including, the first communication module of the CCTV control device to obtain real-time fire information from the CCTV monitoring device; The fire detection unit of the CCTV control device determines whether a fire has occurred through the first algorithm learned in advance based on the real-time image information acquired by the photographing unit and the harmful substance information acquired by the hazardous substance detection sensor. step; A fire movement path generation module of the CCTV control unit generating a fire ignition location and a movement path of the fire to date based on real-time multiple image information obtained by a plurality of adjacent CCTVs and map information around the CCTV; Determining the type of fire through a second algorithm learned in advance based on the real-time image information, the fire ignition location, and the harmful substance information by the fire type determination module of the CCTV control device; The fire movement path prediction module of the CCTV control device provides the real-time image information, the fire ignition location, the movement path of the fire to date, the harmful substance information, the wind direction obtained by the wind direction sensor, and the wind speed obtained by the wind speed sensor. Predicting a future moving path of the fire through a third machine-learned algorithm based on the; And a warning signal generation module of the CCTV control device generating a warning signal based on at least one of the results of the fire occurrence determination module, the fire movement path generation module, the fire type determination module, and the fire movement path prediction module. .

본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템 및 이를 이용한 화재 모니터링 방법은 감시장치로부터 전달받은 화재정보를 실시간 정확하게 분석함으로써 신속한 경고를 통하여 화재 발생 구역의 인명을 신속히 대피시킬 수 있는 효과가 있다.A smart CCTV system that performs fire detection and warning according to an embodiment of the present invention and a fire monitoring method using the same can quickly evacuate the life of a fire-generating area through rapid warning by accurately analyzing fire information received from a monitoring device in real time. It has the effect.

아울러, 화재의 심각도, 화재의 종류 및 화재의 예상 이동경로 등의 분석정보를 추출하여 소방서 등의 외부 응급기관서버에 신속히 전달해줌으로써 외부 응급기관에서의 화재 진압에 도움을 줄 수 있는 효과를 기대할 수 있다. In addition, by extracting analysis information such as the severity of the fire, the type of fire, and the expected path of the fire, it can be quickly delivered to an external emergency engine server, such as a fire department, to expect an effect that can help in extinguishing a fire in an external emergency engine. have.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당해 기술분야에 있어서의 통상의 지식을 가진 자에게 명확하게 이해되어질 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned may be clearly understood by those skilled in the art from the following description.

도 1은 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템의 기본적인 구성을 도시한 블록도이다.
도 2는 도 1에서의 CCTV 감시장치의 구성을 간략히 도시한 블록도이다.
도 3은 도 1에서의 CCTV 제어장치의 구성을 간략히 도시한 블록도이다.
도 4 내지 도 6은 도 3에서의 기계학습모듈의 구성을 설명하기 위한 개념도이다.
도 7은 본 발명의 일 실시예에 따른 스마트 CCTV 시스템을 이용한 화재 모니터링 방법을 시계열적으로 특정한 플로우차트이다. 1 is a block diagram showing the basic configuration of a smart CCTV system that performs fire detection and warning according to an embodiment of the present invention.
FIG. 2 is a block diagram briefly showing the configuration of the CCTV monitoring device in FIG. 1.
FIG. 3 is a block diagram briefly showing the configuration of a CCTV control device in FIG. 1.
4 to 6 are conceptual diagrams for explaining the configuration of the machine learning module in FIG. 3.
7 is a flowchart illustrating a time-series specifying a fire monitoring method using a smart CCTV system according to an embodiment of the present invention.

첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. The preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings, but the same or similar elements are assigned the same reference numbers regardless of the reference numerals, and redundant description thereof will be omitted.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.In addition, in the description of the present invention, when it is determined that detailed descriptions of related known technologies may obscure the subject matter of the present invention, detailed descriptions thereof will be omitted. In addition, it should be noted that the accompanying drawings are only for easy understanding of the spirit of the present invention and should not be interpreted as limiting the spirit of the present invention by the accompanying drawings.

이하 도 1 내지 도 6을 참조하여 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템에 대하여 설명하도록 한다.Hereinafter, a smart CCTV system performing fire detection and warning according to an embodiment of the present invention will be described with reference to FIGS. 1 to 6.

본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템은 도 1에 도시된 바와 같이 복수 개의 CCTV 및 응급기관서버(300)를 포함하도록 구성되며, 복수 개의 CCTV 각각은 CCTV 감시장치(100) 및 CCTV 제어장치(200)를 포함하도록 구성된다. Smart CCTV system for performing fire detection and warning according to an embodiment of the present invention is configured to include a plurality of CCTV and emergency agency server 300, as shown in Figure 1, each of the plurality of CCTV CCTV monitoring device It is configured to include 100 and the CCTV control device 200.

CCTV의 구성인 CCTV 감시장치(100)는 화재의 발생 여부 등을 감시하기 위한 구성으로 도 2에 도시된 바와 같이 촬영유닛(110), 풍향센서(120), 풍속센서(130), 유해물질 감지센서(140), 통신유닛(150), 경고유닛(160) 및 촬영제어유닛(170) 등을 포함할 수 있다.The CCTV monitoring device 100, which is a component of CCTV, is configured to monitor the occurrence of a fire, and the like, as shown in FIG. 2, the shooting unit 110, the wind direction sensor 120, the wind speed sensor 130, and detection of harmful substances It may include a sensor 140, a communication unit 150, a warning unit 160 and the shooting control unit 170.

CCTV 감시장치(100)의 촬영유닛(110)은 화재의 발생 및 진행과 관련된 영상을 획득하는 구성으로, 광학 렌즈, 이미지 센서, 배율조정부, 회전부 등으로 구성될 수 있다. The imaging unit 110 of the CCTV monitoring device 100 is configured to acquire an image related to the occurrence and progress of a fire, and may be composed of an optical lens, an image sensor, a magnification adjusting unit, a rotating unit, and the like.

이미지 센서는 광학 렌즈에 의하여 유입된 영상을 픽셀 단위의 이미지 신호로 변환하는 기능을 수행하는 구성이며, 배율조정부는 광학 렌즈를 전후 방향으로 이동시켜 이미지 센서에 유입된 영상의 배율을 조절하는 기능을 수행하여 광학 줌인/아웃(Zoom-In/Out)이 가능하도록 하는 구성이며, 회전부는 촬영유닛(110) 자체를 전후 및 좌우방향으로 회전시키는 기능을 수행한다. The image sensor is a component that converts the image introduced by the optical lens into an image signal in units of pixels, and the magnification adjuster moves the optical lens in the front-rear direction to adjust the magnification of the image introduced into the image sensor. It is configured to enable optical zoom-in / out, and the rotating unit performs a function of rotating the photographing unit 110 itself in the front-rear and left-right directions.

CCTV 감시장치(100)의 풍항센서(120) 및 풍속센서(130)는 각각 감시장치(100) 주변의 바람의 방향 및 속도를 검출하는 기능을 수행한다. The wind sensor 120 and the wind speed sensor 130 of the CCTV monitoring device 100 each perform a function of detecting the direction and speed of the wind around the monitoring device 100.

CCTV 감시장치(100)의 유해물질 감지센서(140)는 CCTV 주변의 공기를 흡입하고, 흡입된 공기에 포함된 유해물질의 종류를 식별하고, 식별된 유해물질의 농도를 측정하는 기능을 수행한다. The hazardous substance detection sensor 140 of the CCTV monitoring device 100 inhales the air around the CCTV, identifies the types of harmful substances contained in the inhaled air, and measures the concentration of the identified harmful substances. .

이러한 유해물질 감지센서(140)에 의해 식별이 가능한 유해물질은 이산화탄소(CO2), 일산화탄소(CO), 염화수소(HCl), 염소(Cl2), 불화수소가스(HF), 이산화황(SO2), 황화수소(H2S), 시안화수소(HCN:hydrogen cyanide) 및 암모니아(NH3) 중 적어도 하나를 포함할 수 있으나, 이에 한정되지는 않는다.Hazardous substances that can be identified by the hazardous substance detection sensor 140 include carbon dioxide (CO 2 ), carbon monoxide (CO), hydrogen chloride (HCl), chlorine (Cl 2 ), hydrogen fluoride gas (HF), sulfur dioxide (SO 2 ) , Hydrogen sulfide (H 2 S), hydrogen cyanide (HCN: hydrogen cyanide) and ammonia (NH 3 ), but is not limited thereto.

CCTV 감시장치(100)의 통신유닛(150)은 상술한 촬영유닛(110), 풍향센서(120), 풍속센서(130) 및 유해물질 감지센서(140)가 각각 검출한 정보를 CCTV 제어장치(200)로 송신하거나 또는 CCTV 제어장치(200)에서 송신하는 신호들을 전달받는 기능을 수행한다. The communication unit 150 of the CCTV monitoring device 100 monitors the information detected by the above-described shooting unit 110, the wind direction sensor 120, the wind speed sensor 130, and the harmful substance detection sensor 140, respectively. 200) or transmits signals transmitted from the CCTV control device 200.

CCTV 감시장치(100)의 경고유닛(160)은 CCTV 제어장치(200)로부터 전달받은 경고신호에 기초하여 경고메시지 등을 출력하는 기능을 수행하는 구성으로, 경고음 및 경고음성 등을 출력할 수 있는 스피커 등을 들 수 있다.The warning unit 160 of the CCTV monitoring device 100 is configured to output a warning message or the like based on the warning signal received from the CCTV control device 200, and can output a warning sound and a warning sound. Speakers; and the like.

CCTV 감시장치(100)의 촬영제어유닛(170)은 촬영유닛(110)의 동작을 제어하는 기능을 수행하는 구성으로, 상술한 이미지 센서, 배율조정부 및 회전부 중 적어도 하나를 제어하는 기능을 수행한다. The shooting control unit 170 of the CCTV monitoring device 100 is configured to perform a function of controlling the operation of the shooting unit 110, and performs a function of controlling at least one of the above-described image sensor, magnification adjusting unit, and rotating unit. .

즉, 촬영제어유닛(170)은 촬영유닛(110)의 이미지 센서에서 출력되는 디지털 영상의 생성을 제어하는 기능을 수행할 수 있으며, 예를 들어 영상의 초당 프레임수, 디지털 영상의 압축률 등을 설정하는 기능을 수행할 수 있으며, 사용자의 설정에 의하여 이미지 센서에서 출력되는 영상의 설정을 제어할 수도 있으며, CCTV 제어장치(200)로부터 전달되는 제어신호에 기초하여 동작할 수도 있다. That is, the shooting control unit 170 may perform a function of controlling the generation of the digital image output from the image sensor of the shooting unit 110, for example, setting the number of frames per second of the image, the compression rate of the digital image, etc. It can perform a function, it can control the setting of the image output from the image sensor by the user's settings, it may operate based on the control signal transmitted from the CCTV control device 200.

또한 촬영제어유닛(170)은 배율조정부 및 회전부의 구동을 제어하는 기능을 수행할 수 있으며, 이러한 제어는 사용자의 설정에 의하여 수행될 수도 있으며, 후술할 CCTV 제어장치(200)로부터 전달되는 제어신호에 기초하여 동작할 수도 있다. In addition, the shooting control unit 170 may perform a function of controlling the driving of the magnification adjusting unit and the rotating unit, and such control may be performed by a user setting, and a control signal transmitted from the CCTV control device 200 to be described later. It may work based on.

CCTV 제어장치(200)는 CCTV 감시장치(100)로부터 전달받은 실시간 정보에 기초하여 발생된 화재를 분석하고, 분석결과를 응급기관서버(300) 등에 전달하는 기능을 수행한다. The CCTV control device 200 analyzes a fire generated based on real-time information received from the CCTV monitoring device 100 and transmits the analysis results to the emergency engine server 300 and the like.

이러한 CCTV 제어장치(200)는 도 3에 도시된 바와 같이 통신모듈(210), 저장모듈(220), 화재발생여부 판단모듈(230), 화재이동경로 생성모듈(240), 화재종류 판단모듈(250), 화애이동경로 예측모듈(260), 기계학습모듈(280) 및 디스플레이 모듈(290)을 포함하도록 구성된다.As shown in FIG. 3, the CCTV control device 200 includes a communication module 210, a storage module 220, a fire occurrence determination module 230, a fire movement path generation module 240, and a fire type determination module ( 250), the movement path prediction module 260, the machine learning module 280 and is configured to include a display module 290.

CCTV 제어장치(200)의 통신모듈(210)은 외부의 다른 구성들과의 통신을 위하여 마련된 구성으로, 다른 CCTV 들과의 통신을 수행하기 위한 제1 통신모듈(211) 및 소방서 등의 응급기관서버(300)와 통신을 수행하기 위한 제2 통신모듈(212)로 구분될 수 있다.The communication module 210 of the CCTV control device 200 is a configuration provided for communication with other external components, and the first communication module 211 for performing communication with other CCTVs and an emergency agency such as a fire department It may be divided into a second communication module 212 for performing communication with the server 300.

CCTV 제어장치(200)의 저장모듈(220)는 도 3에 도시된 바와 같이 제1 저장모듈(221) 및 제2 저장모듈(222)로 구분될 수 있는데, 제1 저장모듈(221)은 상기 해당 CCTV 뿐만 아니라 해당 CCTV 인근의 복수 개의 CCTV가 설치된 지역과 그 주변의 지도 및 지형 정보를 저장하고 있는 구성이다.The storage module 220 of the CCTV control device 200 may be divided into a first storage module 221 and a second storage module 222 as shown in FIG. 3, wherein the first storage module 221 is the It is a configuration that stores maps and topographic information of the area where the CCTV is installed, as well as the CCTV, and the surrounding area.

또한 제2 저장모듈(222)은 해당 CCTV 및 인근의 복수 개의 CCTV로부터 전달받은 과거의 정보 및 상기 과거의 정보에 대응되는 과거의 화재의 발생정보로 구성되는 트레이닝 세트, 즉 일종의 빅데이터를 저장하고 있는 구성이다. In addition, the second storage module 222 stores a training set consisting of past information received from a corresponding CCTV and a plurality of nearby CCTVs and fire occurrence information corresponding to the past information, that is, a kind of big data. It is a configuration.

CCTV 제어장치(200)의 화재발생여부 판단모듈(230)은 CCTV 감시장치(100)의 촬영유닛(110)이 획득한 실시간 영상정보 및 CCTV 감시장치(100)의 유해물질 감지센서(140)가 획득한 유해물질 정보에 기초하여 화재의 발생여부를 판별하는 기능을 수행하며, 이러한 판별은 미리 학습된 제1 알고리즘을 통하여 수행되는데 이에 대한 자세한 내용은 후술하도록 한다. The fire control module 230 of the CCTV control device 200 includes real-time video information acquired by the recording unit 110 of the CCTV monitoring device 100 and a sensor 140 for detecting harmful substances in the CCTV monitoring device 100. It performs a function of determining whether a fire has occurred based on the acquired harmful substance information, and this determination is performed through a first algorithm that has been previously learned, and details of this will be described later.

CCTV 제어장치(200)의 화재이동경로 생성모듈(240)은 상호 인접한 복수개의 CCTV에 각각 포함된 촬영유닛(110)이 획득한 복수의 실시간 영상정보 및 제1 저장모듈(221)에 저장된 CCTV 설치영역 주변의 지도정보에 기초하여 화재의 발화지 및 발화시점부터 현재까지의 화재의 이동경로를 생성하는 기능을 수행한다. The fire movement path generation module 240 of the CCTV control device 200 includes a plurality of real-time image information acquired by the shooting units 110 included in a plurality of mutually adjacent CCTVs and CCTVs stored in the first storage module 221. Based on the map information around the area, it performs the function of generating the fire ignition location and the movement path of the fire from the point of ignition to the present.

CCTV 제어장치(200)의 화재종류 판단모듈(250)은 CCTV 감시장치(100)의 촬영유닛(110)이 획득한 실시간 영상정보, 화재이동경로 생성모듈(240)이 추출한 화재의 발화지 및 CCTV 감시장치(100)의 유해물질 감지센서(140)가 획득한 유해물질정보에 기초하여 화재의 종류를 판별하는 기능을 수행하며, 이러한 판별은 미리 학습된 제2 알고리즘을 통하여 수행되는데 이에 대한 자세한 내용은 후술하도록 한다. The fire type determination module 250 of the CCTV control device 200 includes real-time video information acquired by the recording unit 110 of the CCTV monitoring device 100, a fire ignition site extracted by the fire movement path generation module 240, and a CCTV. Based on the hazardous substance information obtained by the hazardous substance detection sensor 140 of the monitoring device 100, it performs a function of determining the type of fire, and this determination is performed through a second algorithm learned in advance. Will be described later.

CCTV 제어장치(200)의 화재이동경로 예측모듈(260)은 CCTV 감시장치(100)의 촬영유닛(110)이 획득한 실시간 영상정보와, 화재이동경로 생성모듈(240)이 파악한 화재의 발화지와 발화시점부터 현재까지의 화재의 이동경로와, CCTV 감시장치(100)의 유해물질 감지센서(140)가 획득한 유해물질정보와, CCTV 감시장치(100)의 풍향센서(120) 및 풍속센서(130)가 각각 획득한 풍향정보 및 풍속정보에 기초하여 화재의 향후 이동경로를 예측하는 기능을 수행하며, 이러한 예측은 미리 학습된 제3 알고리즘을 통하여 수행되는데 이에 대한 자세한 내용은 후술하도록 한다.The fire movement route prediction module 260 of the CCTV control device 200 includes real-time video information acquired by the shooting unit 110 of the CCTV monitoring device 100 and a fire ignition site identified by the fire movement route generation module 240. And the movement path of the fire from the time of ignition to the present, the harmful substance information obtained by the hazardous substance detection sensor 140 of the CCTV monitoring apparatus 100, the wind direction sensor 120 and the wind speed sensor of the CCTV monitoring apparatus 100 Based on the wind direction information and wind speed information respectively obtained by 130, it performs a function of predicting a future moving path of the fire, and such prediction is performed through a third algorithm learned in advance, which will be described in detail later.

CCTV 제어장치(200)의 경고신호 생성모듈(270)은 상술한 화재발생여부 판단모듈(230), 화재이동경로 생성모듈(240), 화재종류 판단모듈(250) 및 화재이동경로 예측모듈(260) 중 적어도 하나에 기초하여 경고신호를 생성하는 기능을 수행한다. The warning signal generation module 270 of the CCTV control device 200 includes the above-described fire occurrence determination module 230, fire movement path generation module 240, fire type determination module 250, and fire movement path prediction module 260 ) Performs a function of generating a warning signal based on at least one.

CCTV 제어장치(200)의 경고신호 생성모듈(270)에서 생성된 경고신호는 CCTV 제어장치(200)의 제2 통신모듈(212)을 통하여 소방서 등의 응급기관서버(300)로 송신되며, 응급기관서버(300)는 CCTV 제어장치(200)에서 분석된 화재발생여부, 화재의 종류, 현재까지의 화재의 이동경로 및 향후 화재의 예측이동경로 등을 고려하여 화재에 대한 정확한 사전정보를 확인할 수 있으며, 이를 통하여 화재의 진압을 위한 최적의 솔루션을 신속하게 정확하게 준비할 수 있다.The warning signal generated by the warning signal generation module 270 of the CCTV control device 200 is transmitted to the emergency agency server 300 such as a fire department through the second communication module 212 of the CCTV control device 200, and the emergency The engine server 300 can check the exact prior information about the fire in consideration of the occurrence of the fire, the type of fire, the moving path of the fire up to now, and the predicted moving path of the future fire analyzed by the CCTV control device 200. In this way, it is possible to quickly and accurately prepare an optimal solution for extinguishing a fire.

또한 CCTV 제어장치(200)의 경고신호 생성모듈(270)에서 생성된 경고신호는 제1 통신모듈(211)을 통하여 CCTV 감시장치(100)로 전달될 수 있으며, 이 경우 CCTV 감시장치(100)의 경고유닛(160)은 화재발생 경고음 및 메시지를 출력함으로써 CCTV가 설치된 영역 주변의 사람들의 신속한 대피를 담보할 수 있다.In addition, the warning signal generated by the warning signal generation module 270 of the CCTV control device 200 may be transmitted to the CCTV monitoring device 100 through the first communication module 211, in which case the CCTV monitoring device 100 The warning unit 160 of the fire output warning sound and a message to ensure the rapid evacuation of people around the area where the CCTV is installed.

특히 현재의 화재 발생 지역에 설치된 CCTV 뿐만 아니라 CCTV 제어장치(200)의 화재이동경로 예측모듈(260)에 의하여 예측된 향후 화재이동경로의 지역에 설치된 CCTV에도 경고신호를 전달함으로써 아직 화재의 피해가 없지만 향후 피해가 예상되는 지역의 사람들로 하여금 미리 대피시키도록 할 수 있도록 하는 것이 바람직하다. In particular, the damage to the fire is still caused by transmitting a warning signal to the CCTV installed in the area of the future fire movement route predicted by the fire movement route prediction module 260 of the CCTV control device 200 as well as the CCTV installed in the current fire occurrence area. However, it is desirable to allow people in areas where potential damage is expected to evacuate in advance.

한편, 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템에서의 화재 발생 여부의 판단, 화재의 종류의 판단 및 화재이동경로의 예측은 기계학습, 구체적으로는 딥러닝(Deep Learning)에 의하여 생성된 알고리즘에 기초하여 이루어진다. On the other hand, in the smart CCTV system that performs fire detection and warning according to an embodiment of the present invention, the determination of whether a fire has occurred, the type of fire, and the prediction of the fire movement path are machine learning, specifically deep learning. Learning).

이를 위하여 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템은 기계학습모듈(280)을 구비하는데, 이러한 기계학습모듈(280)은 상술한 CCTV 제어장치(200)에 구비되고 다수의 노드를 포함하는 신경망 구조로 구성되어 제2 저장모듈(222)에 저장된 빅데이터인 트레이닝 세트에 기초하여 상기 제1 알고리즘, 제2 알고리즘 및 제3 알고리즘을 생성하는 기능을 수행한다. To this end, a smart CCTV system that performs fire detection and warning according to an embodiment of the present invention includes a machine learning module 280, which is provided in the CCTV control device 200 described above. It is composed of a neural network structure including a plurality of nodes and performs a function of generating the first algorithm, the second algorithm, and the third algorithm based on the training set that is the big data stored in the second storage module 222.

특히 CCTV 제어장치(200)의 기계학습모듈(280)은 상술한 제1 알고리즘, 제2 알고리즘 및 제3 알고리즘을 각각 생성하기 위한 제1 기계학습모듈(281), 제2 기계학습모듈(282) 및 제3 기계학습모듈(283)을 포함하도록 구성된다. In particular, the machine learning module 280 of the CCTV control device 200 includes a first machine learning module 281 and a second machine learning module 282 for generating the above-described first algorithm, second algorithm, and third algorithm, respectively. And a third machine learning module 283.

제1 기계학습모듈(281)은 제2 저장모듈(222)에 저장된 트레이닝 세트에 기초하여 제1 알고리즘을 생성하는데, 도 4에 도시된 바와 같이 제1 입력인자(281a), 제1 출력인자(281b) 및 제1 신경망(281c)를 포함하도록 구성된다.The first machine learning module 281 generates a first algorithm based on the training set stored in the second storage module 222. As shown in FIG. 4, the first input factor 281a and the first output factor ( 281b) and the first neural network 281c.

제1 입력인자(281a)는 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로로 정의될 수 있고, 제1 출력인자(281b)는 제1 입력인자(281a)와 대응되는 화재의 발생 여부에 대한 판단결과 정보로 정의된다. The first input factor 281a may be defined as the size of the flame, the movement of the flame, the movement of the smoke, the wind direction, the wind speed, harmful substance information, the ignition location and the movement path of the fire, and the first output factor 281b is the first input factor 281b. It is defined as information on the result of the determination as to whether or not a fire occurs corresponding to 1 input factor 281a.

제1 신경망(281c)은 상기 제1 입력인자(281a) 및 상기 제1 출력인자(281b) 사이에 형성되되 복수 개의 노드(node)를 포함하는 구성으로, 각 노드마다 가중치(Weight) 및 바이어스(Bias)를 포함하는 함수들이 정의되며, 상기 제1 신경망(281c)에 포함되는 복수의 각 노드에 설정된 함수들의 최적의 가중치 및 바이어스를 딥러닝을 통하여 도출하여 상기 제1 입력인자(281a) 및 상기 제1 출력인자(281b) 사이의 상관관계인 제1 알고리즘을 생성하게 된다.The first neural network 281c is formed between the first input factor 281a and the first output factor 281b, and includes a plurality of nodes. Each node has a weight and a bias ( Bias) are defined, and the optimal weights and biases of functions set in each node included in the first neural network 281c are derived through deep learning, and the first input factor 281a and the A first algorithm, which is a correlation between the first output factors 281b, is generated.

제2 기계학습모듈(282)은 제2 저장모듈(222)에 저장된 트레이닝 세트에 기초하여 제2 알고리즘을 생성하는데, 도 5에 도시된 바와 같이 제2 입력인자(282a), 제2 출력인자(282b) 및 제2 신경망(282c)를 포함하도록 구성된다.The second machine learning module 282 generates a second algorithm based on the training set stored in the second storage module 222. As shown in FIG. 5, the second input factor 282a and the second output factor ( 282b) and a second neural network 282c.

제2 입력인자(282a)는 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로로 정의될 수 있고, 제2 출력인자(282b)는 제2 입력인자(282a)와 대응되는 화재의 종류에 대한 판단결과 정보로 정의된다. The second input factor 282a may be defined as the size of the flame, the movement of the flame, the movement of the smoke, the wind direction, wind speed, harmful substance information, the ignition location and the movement path of the fire, and the second output factor 282b is the second input factor 282b. 2 It is defined as the result of judgment on the type of fire corresponding to the input factor (282a).

제2 신경망(282c)은 상기 제2 입력인자(282a) 및 상기 제2 출력인자(282b) 사이에 형성되되 복수 개의 노드(node)를 포함하는 구성으로, 각 노드마다 가중치(Weight) 및 바이어스(Bias)를 포함하는 함수들이 정의되며, 상기 제2 신경망(282c)에 포함되는 복수의 각 노드에 설정된 함수들의 최적의 가중치 및 바이어스를 딥러닝을 통하여 도출하여 상기 제2 입력인자(282a) 및 상기 제2 출력인자(282b) 사이의 상관관계인 제2 알고리즘을 생성하게 된다.The second neural network 282c is configured between the second input factor 282a and the second output factor 282b, and includes a plurality of nodes. Each node has a weight and a bias ( Bias) is defined, and the optimal weights and biases of functions set in a plurality of nodes included in the second neural network 282c are derived through deep learning, and the second input factors 282a and the A second algorithm, which is a correlation between the second output factors 282b, is generated.

제3 기계학습모듈(283)은 제2 저장모듈(222)에 저장된 트레이닝 세트에 기초하여 제3 알고리즘을 생성하는데, 도 6에 도시된 바와 같이 제3 입력인자(283a), 제3 출력인자(283b) 및 제3 신경망(283c)를 포함하도록 구성된다.The third machine learning module 283 generates a third algorithm based on the training set stored in the second storage module 222. As shown in FIG. 6, the third input factor 283a and the third output factor ( 283b) and a third neural network 283c.

제3 입력인자(283a)는 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로로 정의될 수 있고, 제3 출력인자(283b)는 제3 입력인자(283a)와 대응되는 화재의 예상이동경로에 대한 예측결과 정보로 정의된다. The third input factor 283a may be defined as the size of the flame, the movement of the flame, the movement of the smoke, the wind direction, wind speed, harmful substance information, the ignition location and the movement path of the fire, and the third output factor 283b is 3 It is defined as the prediction result information for the predicted movement path of the fire corresponding to the input factor (283a).

제3 신경망(283c)은 상기 제3 입력인자(283a) 및 상기 제3 출력인자(283b) 사이에 형성되되 복수 개의 노드(node)를 포함하는 구성으로, 각 노드마다 가중치(Weight) 및 바이어스(Bias)를 포함하는 함수들이 정의되며, 상기 제3 신경망(283c)에 포함되는 복수의 각 노드에 설정된 함수들의 최적의 가중치 및 바이어스를 딥러닝을 통하여 도출하여 상기 제3 입력인자(283a) 및 상기 제3 출력인자(283b) 사이의 상관관계인 제3 알고리즘을 생성하게 된다.The third neural network 283c is configured between the third input factor 283a and the third output factor 283b, but includes a plurality of nodes, and each node has a weight and a bias ( Bias) is defined, and the optimal weights and biases of functions set in each node included in the third neural network 283c are derived through deep learning, and the third input factor 283a and the A third algorithm, which is a correlation between the third output factors 283b, is generated.

한편, 앞에서는 별도로 언급하지 않았으나 화재이동경로 생성모듈(240) 또한 기계학습, 즉 딥러닝을 통해 설정된 알고리즘에 기초하여 화재의 이동경로를 생성하는 것도 가능하다. On the other hand, although not previously mentioned, the fire movement path generation module 240 may also generate a movement path of fire based on an algorithm set through machine learning, that is, deep learning.

나아가, 하나의 신경망을 이용하여 상기 화재발생여부, 화재종류 및 예상 화재이동경로를 한꺼번에 판단 및 예측할 수 있는 알고리즘을 생성하는 것도 가능하다. Furthermore, it is also possible to generate an algorithm capable of determining and predicting whether or not the fire has occurred, the type of fire, and the expected fire movement path at a time using one neural network.

구체적으로 입력인자를 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로로 정의하고, 출력인자를 3개를 구비하되 구체적으로 입력인자와 대응되는 화재의 발생 여부에 대한 판단결과 정보, 화재의 종류에 대한 판단결과 정보 및 화재의 예상이동경로에 대한 예측결과 정보로 정의하고, 상기 입력인자와 출력인자 사이에 복수 개의 노드를 포함하는 신경망을 구축한 후 딥러닝을 수행하여 알고리즘을 생성할 수 있다. Specifically, the input factors are defined as the size of the flame, the movement of the flame, the movement of the smoke, the wind direction, wind speed, harmful substance information, the ignition location and the movement path of the fire, and three output factors are provided, but specifically correspond to the input factors. It defines the result of the determination of whether a fire is occurring, the result of the determination of the type of fire, and the prediction of the predicted path of the fire, and a neural network including a plurality of nodes between the input and output factors. After building, you can create algorithms by performing deep learning.

또한, 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템의 CCTV 제어장치(200)는 화재발생여부, 화재의 종류, 화재의 이동경로 및 화재의 예측이동경로 등을 화면에 출력하는 디스플레이 모듈(290)을 더 포함할 수 있다.In addition, the CCTV control device 200 of the smart CCTV system that performs a fire detection and warning according to an embodiment of the present invention, whether the fire occurs, the type of fire, the movement path of the fire and the predicted movement path of the fire on the screen A display module 290 for output may be further included.

특히 CCTV 제어장치(200)의 디스플레이 모듈(290)은 제2 저장모듈(222)에 저장된 해당 지역의 지도에 화재의 이동경로 및 화재의 예측이동경로를 매핑(Mapping)하여 출력하는 것도 가능할 것이다. In particular, the display module 290 of the CCTV control device 200 may be output by mapping the fire movement path and the fire prediction movement path to a map of the corresponding region stored in the second storage module 222.

아울러 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템은 CCTV 화재진압장치를 더 포함할 수 있다. In addition, the smart CCTV system for performing fire detection and warning according to an embodiment of the present invention may further include a CCTV fire suppression device.

이러한 CCTV 화재진압장치는 화재 발생 영역에 소화물질을 분사하기 위한 노즐을 포함하며, 특히 CCTV 제어장치(200)가 CCTV 화재진압장치를 이용하여 화재의 진압이 가능하다고 판단하면 CCTV 화재진압장치에 구비된 노즐을 통하여 소화물질을 분사함으로써 화재를 진압할 수 있다. Such a CCTV fire suppression device includes a nozzle for spraying extinguishing material into a fire-producing area. In particular, when the CCTV control device 200 determines that it is possible to extinguish a fire using a CCTV fire suppression device, it is provided in the CCTV fire suppression device. The fire can be extinguished by spraying extinguishing material through the nozzle.

특히, CCTV 화재진압장치는 서로 상이한 타입의 소화 물질을 분사하는 복수의 노즐 및 노즐의 분사 방향을 조절하기 위한 방향 조절 수단이 구비될 수도 있으며, 이를 통해 CCTV 화재진압장치는 CCTV 제어장치(200)의 제어 신호에 기초하여 서로 다른 소화 물질을 분사하는 복수의 노즐을 이용하여 동시 또는 순차적으로 구동하여 화재를 진압할 수도 있다.In particular, the CCTV fire suppression device may be provided with a plurality of nozzles for spraying different types of fire extinguishing materials and direction adjusting means for adjusting the injection direction of the nozzles, through which the CCTV fire suppression device is a CCTV control device 200 It is also possible to extinguish a fire by simultaneously or sequentially driving a plurality of nozzles spraying different extinguishing substances based on the control signal of.

나아가 CCTV 화재진압장치는 CCTV 제어장치(200)의 제어 신호에 따라 선택된 노즐을 통해 분사되는 소화 물질의 분사 속도 및 분사량을 동적으로 제어할 수 있다.Furthermore, the CCTV fire suppression apparatus can dynamically control the injection speed and the injection amount of the extinguishing material injected through the selected nozzle according to the control signal of the CCTV control apparatus 200.

아울러 CCTV 화재진압장치는 특정 노즐에 대응하여 충전된 소화 물질이 모두 소진된 경우, 해당 사실을 CCTV 제어장치(200)에 전송할 수도 있는데, 이 경우 CCTV 제어장치(200)는 화재 진압에 사용할 새로운 노즐 즉, 소화 물질을 선택하고, 선택 결과에 따라 CCTV 화재진압장치를 제어할 수도 있으며, 이때 새로운 노즐은 화재의 크기, 종류 등에 기반하여 결정될 수 있다. In addition, the CCTV fire suppression device may transmit the fact to the CCTV control device 200 when all the extinguishing material charged in response to a specific nozzle is exhausted. In this case, the CCTV control device 200 uses a new nozzle for fire extinguishing. That is, the fire extinguishing material may be selected, and the CCTV fire suppression device may be controlled according to the selection result. At this time, the new nozzle may be determined based on the size and type of the fire.

아울러 CCTV 제어장치(200)에서 판별한 화재의 크기 및 종류에 따라 CCTV 감시장치(100)의 촬영유닛(10)이 획득하는 영상 이미지의 샘플링 주기를 적응적으로 제어할 수도 있다.In addition, it is possible to adaptively control the sampling period of the video image acquired by the photographing unit 10 of the CCTV monitoring apparatus 100 according to the size and type of fire determined by the CCTV control apparatus 200.

예를 들어 CCTV 제어장치(200)가 화재의 크기가 증가하거나 또는 화재의 심각도가 높아진다고 판단할 경우 CCTV 감시장치(100)의 촬영제어유닛(170)으로 하여금 촬영유닛(110)의 이미지 샘플링 주기를 감소시킬 수 있다.For example, when the CCTV control device 200 determines that the size of a fire increases or the severity of a fire increases, the CCTV control device 100 of the CCTV control device 100 performs an image sampling cycle of the shooting unit 110. Can be reduced.

이미지 샘플링 주기가 감소하면 단위 시간 동안 보다 많은 영상 정보 획득이 가능해지므로 보다 정확하고 빠르게 화재 정보를 분석할 수 있는 장점이 있다.When the image sampling period decreases, more image information can be acquired during a unit time, so it is possible to analyze fire information more accurately and quickly.

여기서, 화재의 크기는 불꽃의 발생 범위, 연기의 발생 범위 등에 기초하여 결정될 수 있으며, 화재의 심각도는 불꽃의 세기 및 연기속에 포함된 유해 물질의 종류 및 농도 등에 기초하여 결정될 수 있으나, 이에 한정되지는 않는다.Here, the size of the fire may be determined based on the range of occurrence of the flame, the range of occurrence of the smoke, etc., and the severity of the fire may be determined based on the intensity of the flame and the type and concentration of harmful substances contained in the smoke, but is not limited thereto. Does not.

나아가 CCTV 제어장치(200)의 화재이동경로 생성모듈(240) 및 화재이동경로 예측모듈(260)의 결과에 기초하여 화재의 진행 방향 및 진행 속도를 식별할 수도 있는데, CCTV 제어장치(200)는 식별된 화재의 진행 방향 및 진행 속도에 기반하여 CCTV 화재진압장치에 구비된 노즐의 분사 방향을 동적으로 제어할 수 있다.Furthermore, the direction and speed of the fire may be identified based on the results of the fire movement path generation module 240 and the fire movement path prediction module 260 of the CCTV control apparatus 200. The spray direction of the nozzle provided in the CCTV fire suppression system can be dynamically controlled based on the identified progress and speed of the fire.

아울러 CCTV 제어장치(200)는 CCTV 감지장치(100)의 촬영유닛(110)에 의하여 촬영된 영상 분석을 통해 물체 및 지형을 식별할 수 있으며, 특히 감지된 물체에 기반하여 감지된 화재 발생 지역의 화재 원인을 추정 또는 결정할 수도 있다. In addition, the CCTV control device 200 can identify objects and topography through image analysis taken by the shooting unit 110 of the CCTV detection device 100, and in particular, detects a fire occurrence area based on the detected object. The cause of the fire may be estimated or determined.

여기서, 화재 원인은 일반 화재, 유류 화재, 전기 화재 및 금속 화재 등을 포함할 수 있으며, CCTV 제어장치(200)는 상기 화재 원인에 기초하여 상술한 CCTV 화재진압장치를 통해 분사되는 소화 물질을 결정할 수 있다. Here, the cause of the fire may include a general fire, an oil fire, an electric fire, a metal fire, etc., and the CCTV control device 200 determines the extinguishing material injected through the CCTV fire suppression device based on the fire cause. You can.

이하, 도 7을 참조하여 본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템을 이용한 화재 모니터링 방법에 대하여 설명하도록 한다.Hereinafter, a fire monitoring method using a smart CCTV system that performs fire detection and warning according to an embodiment of the present invention will be described with reference to FIG. 7.

본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템을 이용한 화재 모니터링 방법은 앞서 설명한 기술들의 적용이 모두 가능하며, 앞서 설명한 내용과 중복될 수 있는 내용은 그 자세한 설명을 생략하도록 한다. The fire monitoring method using the smart CCTV system that performs fire detection and warning according to an embodiment of the present invention can be applied to all of the above-described technologies, and details that may overlap with the above-described contents are omitted. do.

본 발명의 일 실시예에 따른 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템을 이용한 화재 모니터링 방법은 도 7에 도시된 바와 같이 먼저 CCTV 제어장치(200)의 제1 통신모듈(211)이 CCTV 감시장치(100)로부터 실시간 화재정보를 획득하는 단계(S100)가 수행된다.A fire monitoring method using a smart CCTV system that performs fire detection and warning according to an embodiment of the present invention, as shown in FIG. 7, is the first communication module 211 of the CCTV control device 200, the CCTV monitoring device Step (S100) of obtaining real-time fire information from (100) is performed.

이후 CCTV 제어장치(200)의 화재발생여부 판단모듈(230)이 상기 CCTV 감시장치(100)의 촬영유닛(110)이 획득한 실시간 영상정보 및 유해물질 감지센서(140)가 획득한 유해물질 정보에 기초하여 미리 기계학습된 제1 알고리즘을 통해 화재의 발생여부를 판별하는 단계(S200) 및 CCTV 제어장치(200)의 화재이동경로 생성모듈(240)이 상호 인접한 CCTV가 획득한 실시간 복수의 영상정보 및 주변의 지도정보에 기초하여 화재의 발화지 및 현재까지의 화재의 이동경로를 생성하는 단계(S300)가 수행된다.Subsequently, the real-time image information obtained by the shooting unit 110 of the CCTV monitoring apparatus 100 and the hazardous substance information acquired by the hazardous substance detection sensor 140 are determined by the fire detection unit 230 of the CCTV control apparatus 200. Based on the first algorithm learned in advance on the basis of determining whether a fire has occurred (S200) and the fire movement path generation module 240 of the CCTV control device 200, real-time multiple images obtained by mutually adjacent CCTVs Based on the information and the surrounding map information, a step (S300) of generating a fire ignition site and a moving path of the fire to date is performed.

이후 CCTV 제어장치(200)의 화재종류 판단모듈(250)이 상기 실시간 영상정보, 상기 화재의 발화지 및 상기 유해물질정보에 기초하여 미리 기계학습된 제2 알고리즘을 통해 화재의 종류를 판별하는 단계(S400) 및 CCTV 제어장치(200)의 화재이동경로 예측모듈(260)이 상기 실시간 영상정보, 상기 화재의 발화지, 상기 현재까지의 화재의 이동경로, 상기 유해물질정보, 상기 풍향센서가 획득한 풍향 및 상기 풍속센서가 획득한 풍속에 기초하여 미리 기계학습된 제3 알고리즘을 통해 화재의 향후 이동경로를 예측하는 단계(S500)가 각각 수행된다. Thereafter, the fire type determination module 250 of the CCTV control device 200 determines the type of fire through a second algorithm that has been machine-learned in advance based on the real-time image information, the fire source, and the harmful substance information. The fire movement path prediction module 260 of the (S400) and CCTV control device 200 acquires the real-time image information, the fire ignition location, the movement path of the fire to date, the harmful substance information, and the wind direction sensor. Steps (S500) of predicting a future moving path of the fire are performed through a third algorithm that is previously machine-learned based on a wind direction and the wind speed acquired by the wind speed sensor, respectively.

이후 CCTV 제어장치(200)의 경고신호 생성모듈(270)이 상기 화재발생여부 판단모듈(230), 화재이동경로 생성모듈(240), 화재종류 판단모듈(250) 및 화재이동경로 예측모듈(260)의 결과 중 적어도 하나에 기초하여 경고신호를 생성하는 단계(S600)가 수행된다.Afterwards, the warning signal generation module 270 of the CCTV control device 200 determines whether the fire has occurred, the fire generation path generation module 240, the fire type determination module 250, and the fire movement path prediction module 260. ) Step S600 of generating a warning signal is performed based on at least one of the results.

이후 CCTV 제어장치(200)의 분석결과를 CCTV 제어장치(200)의 디스플레이 모듈(290)에 출력하는 단계(S700) 및 CCTV 제어장치(200)의 제2 통신모듈(212)을 통하여 경고신호를 CCTV 감시장치(100) 또는 응급기관서버(300)로 송신하는 단계가 수행된다. Subsequently, a warning signal is output through the step (S700) of outputting the analysis result of the CCTV control device 200 to the display module 290 of the CCTV control device 200 and the second communication module 212 of the CCTV control device 200. The step of transmitting to the CCTV monitoring device 100 or the emergency agency server 300 is performed.

본 명세서에서 설명되는 실시예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것이 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당해 기술분야에 있어서의 통상의 지식을 가진 자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다. The embodiments described in the specification and the accompanying drawings are merely illustrative of some of the technical spirit included in the present invention. Therefore, the embodiments disclosed in the present specification are not intended to limit the technical spirit of the present invention, but to explain the present invention, it is obvious that the scope of the technical spirit of the present invention is not limited by these embodiments. Within the scope of the technical spirit included in the specification and drawings of the present invention, modifications and specific embodiments that can be easily inferred by those skilled in the art are all included in the scope of the present invention. Should be interpreted.

100: CCTV 감시장치
200: CCTV 제어장치
300: 응급기관서버100: CCTV surveillance
200: CCTV control device
300: emergency agency server

Claims (3)

복수의 CCTV 및 응급기관서버(300)를 포함하는 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템에 있어서,
상기 CCTV는 촬영유닛(110), 풍향센서(120), 풍속센서(130), 유해물질 감지센서(140), 통신유닛(150), 경고유닛(160) 및 촬영제어유닛(170)을 포함하는 CCTV 감시장치(100);와, 상기 CCTV 감시장치(100)로부터 전달받은 실시간 정보에 기초하여 발생된 화재를 분석하는 CCTV 제어장치(200); 및 상기 CCTV 제어장치(200)의 제어 신호에 기초하여 화재 발생 지역의 화재를 진압하기 위한 CCTV 화재진압장치;를 포함하고,
상기 CCTV 제어장치(200)는,
상기 촬영유닛(110)이 획득한 실시간 영상정보 및 상기 유해물질 감지센서(140)가 획득한 유해물질 정보에 기초하여 미리 학습된 제1 알고리즘을 통해 화재의 발생여부를 판별하는 화재발생여부 판단모듈(230);
상호 인접한 복수의 CCTV가 획득한 실시간 복수의 영상정보 및 제1 저장모듈(221)에 저장된 상기 복수의 CCTV 주변의 지도정보에 기초하여 화재의 발화지 및 현재까지의 화재의 이동경로를 생성하는 화재이동경로 생성모듈(240);
상기 실시간 영상정보, 상기 화재의 발화지 및 상기 유해물질정보에 기초하여 미리 학습된 제2 알고리즘을 통해 화재의 종류를 판별하는 화재종류 판단모듈(250); 및
상기 실시간 영상정보, 상기 화재의 발화지, 상기 현재까지의 화재의 이동경로, 상기 유해물질정보, 상기 풍향센서가 획득한 풍향 및 상기 풍속센서가 획득한 풍속에 기초하여 미리 학습된 제3 알고리즘을 통해 화재의 향후 이동경로를 예측하는 화재이동경로 예측모듈(260);
상기 화재발생여부 판단모듈(230), 화재이동경로 생성모듈(240), 화재종류 판단모듈(250) 및 화재이동경로 예측모듈(260) 중 적어도 하나에 기초하여 경고신호를 생성하는 경고신호 생성모듈(270);
상기 CCTV 감시장치(100)의 경고유닛(160)이 화재발생 경고음 및 메시지를 출력할 수 있도록 상기 경고신호 생성모듈(270)에서 생성된 경고신호를 상기 CCTV 감시장치(100)로 전달하는 제1 통신모듈(211);
상기 경고신호 생성모듈(270)에서 생성된 경고신호를 상기 응급기관서버(300)로 송신하는 제2 통신모듈(212);
상기 복수의 CCTV로부터 전달받은 과거의 정보 및 상기 과거의 정보에 대응되는 과거의 화재의 발생정보로 구성되는 트레이닝 세트를 저장하는 제2 저장모듈(222); 및
다수의 노드를 포함하는 신경망 구조로 구성되어 상기 제2 저장모듈(222)에 저장된 트레이닝 세트에 기초하여 상기 제1 알고리즘, 제2 알고리즘 및 제3 알고리즘을 생성하는 기계학습모듈(280);
을 포함하고,
상기 기계학습모듈(280)은 상기 제2 저장모듈(222)에 저장된 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로를 제1 입력인자(281a)로 정의하고, 상기 제1 입력인자(281a)와 대응되는 화재의 발생 여부에 대한 판단결과 정보를 제1 출력인자(281b)로 정의하되, 상기 제1 입력인자(281a) 및 상기 제1 출력인자(281b) 사이에는 복수 개의 노드를 포함하는 제1 신경망(281c)이 구성되고, 상기 제1 신경망(281c)에 포함되는 복수의 각 노드에 설정된 함수들의 가중치를 기계학습을 통하여 도출하여 상기 제1 입력인자(281a) 및 상기 제1 출력인자(281b) 사이의 상관관계인 제1 알고리즘을 생성하는 제1 기계학습모듈(281); 상기 제2 저장모듈(222)에 저장된 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로를 제2 입력인자(282a)로 정의하고, 상기 제2 입력인자(282a)와 대응되는 화재의 종류에 대한 판단결과 정보를 제2 출력인자(282b)로 정의하되, 상기 제2 입력인자(282a) 및 상기 제2 출력인자(282b) 사이에는 복수 개의 노드를 포함하는 제2 신경망(282c)이 구성되고, 상기 제2 신경망(282c)에 포함되는 복수의 각 노드에서 설정된 함수들의 가중치를 기계학습을 통하여 도출하여 상기 제2 입력인자(282a) 및 상기 제2 출력인자(282b) 사이의 상관관계인 제2 알고리즘을 생성하는 제2 기계학습모듈(282); 및 상기 제2 저장모듈(222)에 저장된 화염의 크기, 화염의 움직임, 연기의 움직임, 풍향, 풍속, 유해물질 정보, 발화지 및 화재의 이동경로를 제3 입력인자(283a)로 정의하고, 상기 제3 입력인자(283a)와 대응되는 화재의 예상이동경로에 대한 예측결과 정보를 제3 출력인자(283b)로 정의하되, 상기 제3 입력인자(283a) 및 상기 제3 출력인자(283b) 사이에는 복수 개의 노드를 포함하는 제3 신경망(283c)이 구성되고, 상기 제3 신경망(283c)에 포함되는 복수의 각 노드에서 설정된 함수들의 가중치를 기계학습을 통하여 도출하여 상기 제3 입력인자(283a) 및 상기 제3 출력인자(283b) 사이의 상관관계인 제3 알고리즘을 생성하는 제3 기계학습모듈(283);을 포함하고,
상기 CCTV 화재진압장치는 상이한 타입의 소화 물질을 분사하는 복수의 노즐과, 상기 노즐의 분사 방향을 조절하기 위한 방향 조절 수단을 포함하고,
상기 노즐을 통하여 분사되는 소화 물질의 종류, 소화 물질의 분사 속도 및 분사량은 상기 CCTV 제어장치(200)의 제어 신호에 기초하여 결정되고,
상기 CCTV 제어장치(200)는 상기 화재이동경로 생성모듈(240) 및 화재이동경로 예측모듈(260)의 결과에 기초하여 상기 CCTV 화재진압장치에 구비된 노즐의 분사 방향을 동적으로 제어하고,
상기 CCTV 제어장치(200)는 상기 CCTV 감시장치(100)의 촬영유닛(110)에 의하여 촬영된 영상 분석을 통하여 화재 발생 지역의 물체 및 지형을 식별하고, 상기 식별된 물체에 기초하여 화재 발생 지역의 화재 원인을 추정한 후, 상기 화재 원인에 기초하여 상기 CCTV 화재진압장치를 통하여 분사되는 소화 물질을 결정하고,
상기 CCTV 제어장치(200)가 화재의 크기가 증가하거나 또는 화재의 심각도가 높아진다고 판단할 경우 상기 CCTV 감시장치(100)의 촬영제어유닛(170)은 상기 촬영유닛(110)의 이미지 샘플링 주기를 감소시키는 화재 감지 및 경고를 수행하는 스마트 CCTV 시스템.In a smart CCTV system for performing fire detection and warning, including a plurality of CCTV and emergency agency server (300),
The CCTV includes a photographing unit 110, a wind direction sensor 120, a wind speed sensor 130, a hazardous substance detection sensor 140, a communication unit 150, a warning unit 160, and a photographing control unit 170. CCTV monitoring device 100; And, CCTV control device 200 for analyzing the fire generated on the basis of the real-time information received from the CCTV monitoring device 100; And a CCTV fire suppression device for extinguishing a fire in a fire generating area based on a control signal of the CCTV control device 200.
The CCTV control device 200,
A fire occurrence determination module that determines whether a fire has occurred through a first algorithm learned in advance on the basis of real-time image information acquired by the photographing unit 110 and harmful substance information acquired by the hazardous substance detection sensor 140. (230);
A fire that generates a fire ignition site and a moving path of a fire to date based on real-time multiple image information acquired by a plurality of mutually adjacent CCTVs and map information around the plurality of CCTVs stored in the first storage module 221. A movement path generation module 240;
A fire type determination module 250 for determining the type of fire through a second algorithm learned in advance based on the real-time image information, the fire ignition site, and the harmful substance information; And
A third algorithm previously learned based on the real-time image information, the ignition location of the fire, the movement path of the fire to date, the harmful substance information, the wind direction obtained by the wind direction sensor, and the wind speed obtained by the wind speed sensor. Fire movement path prediction module 260 for predicting the future movement path of the fire through;
A warning signal generation module that generates a warning signal based on at least one of the fire occurrence determination module 230, the fire movement path generation module 240, the fire type determination module 250, and the fire movement path prediction module 260. (270);
The first to transmit the warning signal generated by the warning signal generation module 270 to the CCTV monitoring device 100 so that the warning unit 160 of the CCTV monitoring device 100 can output a fire alarm sound and a message. A communication module 211;
A second communication module 212 for transmitting the warning signal generated by the warning signal generation module 270 to the emergency engine server 300;
A second storage module 222 for storing a training set consisting of past information received from the plurality of CCTVs and past fire occurrence information corresponding to the past information; And
A machine learning module 280 configured with a neural network structure including a plurality of nodes and generating the first algorithm, the second algorithm, and the third algorithm based on the training set stored in the second storage module 222;
Including,
The machine learning module 280 is the first input factor of the size of the flame, the motion of the flame, the motion of the smoke, the wind direction, the wind speed, the harmful substance information, the ignition location and the movement path of the fire stored in the second storage module 222. It is defined as (281a), and the determination result information on whether or not a fire corresponding to the first input factor 281a is defined as a first output factor 281b, wherein the first input factor 281a and the first A first neural network 281c including a plurality of nodes is formed between one output factor 281b, and the weights of functions set in each of the plurality of nodes included in the first neural network 281c are derived through machine learning. A first machine learning module 281 generating a first algorithm that is a correlation between the first input factor 281a and the first output factor 281b; The size of the flame stored in the second storage module 222, the motion of the flame, the motion of the smoke, the wind direction, the wind speed, harmful substance information, the movement path of the fire and the fire are defined as the second input factor 282a, The determination result information on the type of fire corresponding to the second input factor 282a is defined as a second output factor 282b, but between the second input factor 282a and the second output factor 282b is plural. A second neural network 282c including four nodes is configured, and the weights of functions set in each node included in the second neural network 282c are derived through machine learning, and the second input factor 282a and A second machine learning module 282 that generates a second algorithm that is a correlation between the second output factors 282b; And the size of the flame stored in the second storage module 222, the motion of the flame, the motion of the smoke, the wind direction, the wind speed, the harmful substance information, the movement path of the fire and the fire are defined as the third input factor 283a, Prediction result information for the predicted movement path of the fire corresponding to the third input factor 283a is defined as a third output factor 283b, but the third input factor 283a and the third output factor 283b A third neural network 283c including a plurality of nodes is formed therebetween, and the third input factor () is derived by deriving the weights of functions set at each of the plurality of nodes included in the third neural network 283c through machine learning. 283a) and a third machine learning module 283 for generating a third algorithm that is a correlation between the third output factor 283b.
The CCTV fire suppression device includes a plurality of nozzles for spraying different types of fire extinguishing materials, and direction adjusting means for adjusting the spray direction of the nozzles,
The type of fire extinguishing material injected through the nozzle, the injection speed and the amount of fire extinguishing material are determined based on the control signal of the CCTV control device 200,
The CCTV control device 200 dynamically controls the injection direction of the nozzle provided in the CCTV fire suppression device based on the results of the fire movement path generation module 240 and the fire movement path prediction module 260,
The CCTV control device 200 identifies an object and a terrain in a fire-generating area through image analysis taken by the imaging unit 110 of the CCTV monitoring device 100, and based on the identified object, the fire-generating area After estimating the cause of the fire, determine the extinguishing material injected through the CCTV fire suppression device based on the cause of the fire,
When the CCTV control device 200 determines that the size of the fire increases or the severity of the fire increases, the shooting control unit 170 of the CCTV monitoring device 100 reduces the image sampling cycle of the shooting unit 110 Smart CCTV system that performs fire detection and warning. 삭제delete 삭제delete
KR1020190109124A 2019-09-03 2019-09-03 A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same KR102104756B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190109124A KR102104756B1 (en) 2019-09-03 2019-09-03 A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190109124A KR102104756B1 (en) 2019-09-03 2019-09-03 A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same

Publications (1)

Publication Number Publication Date
KR102104756B1 true KR102104756B1 (en) 2020-04-24

Family

ID=70466165

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190109124A KR102104756B1 (en) 2019-09-03 2019-09-03 A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same

Country Status (1)

Country Link
KR (1) KR102104756B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102215992B1 (en) * 2020-09-15 2021-02-15 심현주 Apparatus for fire control and method therefor
KR20230134091A (en) 2022-03-10 2023-09-20 주식회사 쿠노소프트 GCN based IoT edge gateway capable of situation classification

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101624510B1 (en) * 2015-11-02 2016-05-26 (주)코렉스시스템 Multi-function monitoring and tracking system for crime and fire
KR20170056861A (en) 2015-11-16 2017-05-24 한국에너지기술연구원 Fire sensing and protection system for wind turbine
JP2019079445A (en) * 2017-10-27 2019-05-23 ホーチキ株式会社 Fire monitoring system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101624510B1 (en) * 2015-11-02 2016-05-26 (주)코렉스시스템 Multi-function monitoring and tracking system for crime and fire
KR20170056861A (en) 2015-11-16 2017-05-24 한국에너지기술연구원 Fire sensing and protection system for wind turbine
JP2019079445A (en) * 2017-10-27 2019-05-23 ホーチキ株式会社 Fire monitoring system

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102215992B1 (en) * 2020-09-15 2021-02-15 심현주 Apparatus for fire control and method therefor
KR20230134091A (en) 2022-03-10 2023-09-20 주식회사 쿠노소프트 GCN based IoT edge gateway capable of situation classification

Similar Documents

Publication Publication Date Title
KR102087000B1 (en) Method And System for Monitoring Fire
KR102104756B1 (en) A smart cctv system for fire detection and fire alarm and a method for monitoring fire using the same
KR102164651B1 (en) Integrated management system for industrial gas supply facility
KR102407327B1 (en) Apparatus for Monitoring Fire And System having the same
KR101775463B1 (en) Fire supervisory apparatus to be installed on building and unite management system having the same
KR102274777B1 (en) Smart Fire Extinguishing Apparatus and System having the same
KR100638120B1 (en) Sensor for detecting fire-sensing
KR102299704B1 (en) System for smart deep learning video surveillance by linking disaster environment metadata
CN112044006A (en) Monitoring fire-fighting system for building
US20220230519A1 (en) Method and device for detecting smoke
KR20220061312A (en) Deep learning based building management system with rail robot device
KR102482129B1 (en) Artificial intelligence based noxious gas leak detection system and operating method there of
KR102213204B1 (en) Method and apparatus for managing firefighting facilities and preventing fires based on gis using artificial neural networks
CN110928305B (en) Patrol method and system for patrol robot of railway passenger station
CN114913663A (en) Anomaly detection method and device, computer equipment and storage medium
CN116129490A (en) Monitoring device and monitoring method for complex environment behavior recognition
KR102095986B1 (en) System of early fire detection and safety evacution and method thereof
KR101138212B1 (en) Fire detecting system and method using image recognition and motion sensor
KR101695127B1 (en) Group action analysis method by image
RU2605682C1 (en) Information support system of gas-smoke rescue service units control during fires in buildings extinguishing
KR102438433B1 (en) Control system capable of 3d visualization based on data and the method thereof
KR102568169B1 (en) Fire Prediction system and method using dual image camera and artificial intelligence
KR102517478B1 (en) Method and appratus for determining whether noxious gas leak detection based on artificial intelligence model
KR101634336B1 (en) Damage control system of warship and a method thereof
Rose-Pehrsson et al. Volume sensor for damage assessment and situational awareness

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant