KR102219025B1

KR102219025B1 - 폐기물 분석 지능형 cctv 시스템

Info

Publication number: KR102219025B1
Application number: KR1020190063102A
Authority: KR
Inventors: 김대선
Original assignee: 주식회사 디파인
Priority date: 2019-05-29
Filing date: 2019-05-29
Publication date: 2021-02-24
Also published as: KR20200138465A

Abstract

본 발명은 폐기물 분석 지능형 CCTV 시스템에 관한 것으로, 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템은, 폐기물이 배출되어 수용되는 하나 이상의 수거함 또는 공간을 촬영하기 위한 하나 이상의 CCTV 장치; 및 상기 하나 이상의 CCTV 장치에서 촬영된 영상에 대한 정보가 저장되는 영상 서버를 포함하고, 상기 CCTV 장치는, 상기 하나 이상의 수거함 또는 공간을 촬영하는 촬영부; 및 상기 촬영부에서 촬영된 영상 또는 이미지를 이용하여 상기 폐기물의 특징을 추출하기 위한 데이터베이스를 생성하고, 생성된 데이터베이스를 이용하여 상기 폐기물의 특징에 대한 모델을 학습하며, 학습된 결과에 따라 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 특징을 연산하여 출력하는 연산부를 포함할 수 있다. 본 발명에 의하면, CCTV 등의 카메라를 이용하여 폐기물을 수거하기 위한 수거함이나 공간을 촬영함으로써, 수거함이나 공간에 배출된 폐기물의 종류와 폐기물의 배출량을 영상을 통해 확인할 수 있는 효과가 있다.

Description

폐기물 분석 지능형 CCTV 시스템{SMART CCTV SYSTEM FOR ANALYSIS OF WASTE}

본 발명은 폐기물 분석 지능형 CCTV 시스템에 관한 것으로, 더욱 상세하게는 폐기물의 수거를 위한 수거함의 종류 및 수거함에 수용된 폐기물의 양을 분석할 수 있는 폐기물 분석 지능형 CCTV 시스템에 관한 것이다.

지구 온난화와 환경 파괴에 대한 경각심이 높아지면서, 이산화탄소의 감소 및 자원 절약 그리고 환경보호를 위해 자원을 재활용하는 노력이 여러 분야에서 이루어지고 있다. 이러한 자원 재활용을 위한 노력을 보다 효과적으로 할 수 있게 폐기물을 종류별로 분류하여 배출하는 정책이 시행되고 있다.

일반적으로 폐기물을 분리하여 배출하는 것은 시민들이 자발적으로 수행할 수 있게 폐기물의 종류를 구별하여 투입할 수 있도록 폐기물 종류에 따라 수거함이나 공간이 별도로 구비된다.

이러한 폐기물 수거함이나 공간이 일정 이상 채워지면 이를 수거하기 위한 차량을 이용하여 폐기물 처리 시설로 옮겨져야 하는데, 폐기물의 종류별 배출량을 분석하는 것이 쉽지 않다.

종래에는, 초음파 센서 등을 이용하여 수거함이나 공간에 폐기물이 일정 이상의 높이로 채워지면, 수거함이나 공간에 폐기물이 채워진 것을 확인하도록 하는 기술이 적용되었다. 하지만, 초음파 센서의 특성상 특정 위치에 소정의 높이로 폐기물이 쌓이면, 다른 위치에 폐기물이 채워질 공간이 있음에도 불구하고 수거함이나 공간에 폐기물이 더 이상 채워질 공간이 없는 것으로 표시되는 등의 오류가 발생할 수 있다.

또한, 초음파 센서는 사물을 인지하지 못하기 때문에 폐기물의 종류를 판단하지 못하고 수거함이나 공간의 청결도 등을 확인하지 못하는 문제가 있다.

대한민국 공개특허 제10-2018-0086164호 (2018.07.30.) 대한민국 공개특허 제10-2017-0017652호 (2017.02.15.) 대한민국 공개특허 제10-2012-0118226호 (2012.10.26.)

본 발명이 해결하고자 하는 과제는, 폐기물을 수거하기 위한 장소에 설치된 폐기물 수거함이나 공간에 정상적으로 폐기물이 분리 배출되어 있는지를 확인하고 또한, 폐기물의 배출량을 확인할 수 있는 폐기물 분석 지능형 CCTV 시스템을 제공하는 것이다.

본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템은, 폐기물이 배출되어 수용되는 하나 이상의 수거함 또는 공간을 촬영하기 위한 하나 이상의 CCTV 장치; 및 상기 하나 이상의 CCTV 장치에서 촬영된 영상에 대한 정보가 저장되는 영상 서버를 포함하고, 상기 CCTV 장치는, 상기 하나 이상의 수거함 또는 공간을 촬영하는 촬영부; 및 상기 촬영부에서 촬영된 영상 또는 이미지를 이용하여 상기 폐기물의 특징을 추출하기 위한 데이터베이스를 생성하고, 생성된 데이터베이스를 이용하여 상기 폐기물의 특징에 대한 모델을 학습하며, 학습된 결과에 따라 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 특징을 연산하여 출력하는 연산부를 포함할 수 있다.

상기 CCTV 장치는, 상기 연산부에서 연산된 상기 폐기물의 특징을 저장하는 저장부를 더 포함할 수 있다.

상기 연산부에서 연산되는 폐기물의 특징은 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 종류 또는 폐기물의 배출량일 수 있다.

상기 연산부는, 상기 데이터베이스를 이용하여 상기 하나 이상의 수거함 또는 공간에 폐기물에 대한 범주 특징을 추출하고, 추출된 범주 특징을 이용하여 상기 하나 이상의 수거함 또는 공간의 폐기물 특징에 대한 모델을 학습하며, 학습된 폐기물 특징에 대한 모델을 이용하여 상기 하나 이상의 폐기물 특징에 대한 결과를 연산할 수 있다.

상기 연산부는, 영상 인식을 위한 딥러닝 합성곱 신경망(Convolutional Neural Network, CNN)을 기반으로 하여 상기 폐기물의 특징에 대한 모델을 학습할 수 있다.

한편, 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템은, 폐기물이 배출되어 수용되는 하나 이상의 수거함 또는 공간을 촬영하기 위한 하나 이상의 CCTV 장치; 및 상기 하나 이상의 CCTV 장치에서 촬영된 영상에 대한 정보가 저장되는 영상 서버를 포함하고, 상기 영상 서버는, 상기 하나 이상의 CCTV 장치에서 촬영된 영상 또는 이미지를 수신하며, 수신된 영상 또는 이미지를 이용하여 상기 폐기물의 특징을 추출하기 위한 데이터베이스를 생성하고, 생성된 데이터베이스를 이용하여 상기 폐기물의 특징에 대한 모델을 학습하며, 학습된 결과에 따라 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 특징을 연산하여 출력하는 서버 연산부를 포함할 수 있다.

상기 서버 연산부에서 연산되는 폐기물의 특징은 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 종류 또는 폐기물의 배출량일 수 있다.

상기 서버 연산부는, 상기 데이터베이스를 이용하여 상기 하나 이상의 수거함 또는 공간에 폐기물에 대한 범주 특징을 추출하고, 추출된 범주 특징을 이용하여 상기 하나 이상의 수거함 또는 공간의 폐기물 특징에 대한 모델을 학습하며, 학습된 폐기물 특징에 대한 모델을 이용하여 상기 하나 이상의 폐기물 특징에 대한 결과를 연산할 수 있다.

상기 서버 연산부는, 영상 인식을 위한 딥러닝 합성곱 신경망(Convolutional Neural Network, CNN)을 기반으로 하여 상기 폐기물의 특징에 대한 모델을 학습할 수 있다.

상기 CCTV 장치는, 상기 하나 이상의 수거함 또는 공간을 촬영하는 촬영부; 및 상기 촬영부에서 촬영된 영상 또는 이미지를 이용하여 상기 폐기물의 특징을 추출하기 위한 데이터베이스를 생성하고, 생성된 데이터베이스를 이용하여 상기 폐기물의 특징에 대한 모델을 학습하며, 학습된 결과에 따라 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 특징을 연산하여 출력하는 연산부를 포함하며, 상기 영상 서버는 상기 촬영부에서 촬영된 영상 또는 이미지를 수신하고, 상기 서버 연산부는 연산된 결과를 상기 CCTV 장치에 포함된 연산부에 전송할 수 있다.

본 발명에 의하면, CCTV 등의 카메라를 이용하여 폐기물을 수거하기 위한 수거함이나 공간을 촬영함으로써, 수거함이나 공간에 배출된 폐기물의 종류와 폐기물의 배출량을 영상을 통해 확인할 수 있는 효과가 있다.

또한, CCTV를 이용하여 촬영한 영상을 분석하여 폐기물의 종류를 인식하고 폐기물 배출량을 분석할 수 있어, 폐기물을 수거하기 위한 차량의 최적 경로를 계산하거나 지역에 따라 폐기물의 배출 현황을 분석할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템을 도시한 개략도이다.
도 2는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템에서 딥러닝 수행을 위한 개념을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템의 통합 단말기를 통해 수거함의 분석 결과의 예를 도시한 도면이다.
도 5 내지 도 9는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템에서 폐기물의 배출량을 분석한 결과를 설명하기 위한 도면이다.
도 10 내지 도 12는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템에서 폐기물의 종류를 분석한 결과를 설명하기 위한 도면이다.
도 13은 본 발명의 다른 실시예에 따른 폐기물 분석 지능형 CCTV 시스템을 도시한 블록도이다.

본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 더 구체적으로 설명한다.

도 1은 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템을 도시한 개략도이고, 도 2는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템을 도시한 블록도이다. 도 3은 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템에서 딥러닝 수행을 위한 개념을 설명하기 위한 도면이다.

도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템(100)은, CCTV 장치(110), 영상 서버(120) 및 관리자 단말기(130)를 포함한다.

CCTV 장치(110)는, 도시된 바와 같이, 다수 개가 구비될 수 있으며, 각 CCTV 장치(110)는, 하나의 수거함(WB) 내부를 촬영하도록 설치될 수 있다. 이때, 본 실시예에서, 하나의 CCTV 장치(110)가 하나의 수거함(WB)을 촬영하는 것으로 설명하지만, 이에 한정되는 것은 아니며, 하나의 CCTV 장치(110)는 폐기물이 수거되는 공간을 촬영할 수도 있다. 즉, 수거함(WB)과 같이 폐기물이 수거되는 특정 박스 형상의 통이 아닌, 특정 폐기물을 수거할 수 있는 장소일 수 있다.

그리고 본 실시예에서, 수거함(WB)이 이용되는 경우, 필요에 따라 CCTV 장치(110)에서 촬영하는 것을 포함하여, 수거함(WB)의 무게를 측정할 수 있는 구성이 포함될 수도 있다. 수거함(WB)의 무게 측정은, 수거함(WB)의 하부 각각에 무게를 측정할 수 있는 장치가 설치될 수 있다. 수거함(WB)의 무게를 측정하고, 측정된 수거함(WB)의 무게에 대한 정보는 관리자 단말기(130)로 전송될 수 있다.

이렇게 수거함(WB)의 무게를 측정함으로써, 수거함(WB)으로 배출된 폐기물의 배출량을 측정할 수 있다. 본 실시예에서, 무게 측정 장치가 선택적으로 구비되더라도, CCTV 장치(110)에서 촬영된 영상을 이용하여 수거함(WB)을 채운 폐기물의 배출량을 확인할 수 있다. 이를 위해 본 실시예에서, CCTV 장치(110)는, 촬영부(112), 영상부 및 저장부(116)를 포함한다.

촬영부(112)는, 수거함(WB)의 내부를 촬영할 수 있다. 이때, 하나의 수거함(WB)에 하나의 CCTV 장치(110)가 설치될 수 있으며, CCTV 장치(110)에 포함된 촬영부(112)에서 수거함(WB)의 내부를 촬영할 수 있다. 그리고 본 실시예에서, 촬영부(112)는 수거함(WB) 내부를 주간 및 야간에 촬영할 수 있으며, 주간 촬영을 위한 카메라와 야간 촬영을 위한 적외선 카메라를 포함할 수 있다.

촬영부(112)는 수거함(WB) 내부를 촬영할 수 있으므로, 본 실시예에서, CCTV 장치(110)는, 도 1에 도시된 바와 같이, 수거함(WB)의 상부에 고정되어 설치될 수 있다. 여기서, CCTV 장치(110)가 다수 개가 구비되어 다수 개의 수거함(WB)을 각각 촬영하는 것에 대해 설명하지만, 이에 한정되는 것은 아니다. 필요에 따라 하나의 CCTV 장치(110)가 구비되고, 하나의 CCTV 장치(110)가 다수의 수거함(WB)을 촬영하도록 구성될 수도 있다. 즉, 다수의 수거함(WB)이 배치된 위치에 하나의 CCTV 장치(110)가 이동하여 다수의 수거함(WB) 내부를 순차적으로 각각 촬영하도록 설치될 수도 있다.

연산부(114)는 촬영부(112)에서 촬영된 영상을 분석하여 수거함(WB) 내에 수용된 폐기물의 종류 및 폐기물의 수용량에 대한 분석을 수행할 수 있다. 본 실시예에서, 연산부(114)는 딥러닝 학습을 통해 수거함(WB) 내에 수용된 폐기물의 종류 및 폐기물의 수용량에 대한 분석이 이루어질 수 있다. 이때, 딥러닝 학습 모델에 대한 상세한 설명은 후술하겠지만, 딥러닝 합성곱 신경망(Convolutional Neural Network, CNN)을 기반으로 하는 모델을 통해 폐기물의 종류 및 수거함(WB) 내의 폐기물 수용량을 분석할 수 있다.

이를 위해 연산부(114)는 딥러닝 합성곱 신경망을 기반으로 하는 프로그램을 통해 분석이 이루어질 수 있게 컴퓨팅 리소스(CPU, GPU, RAM 및 저장장치 등)를 포함하는 하드웨어로 구성될 수 있다. 그리고 연산부(114)에 포함된 저장장치에 폐기물 종류 및 수거함(WB)의 수용량에 대한 모델, 분석 프로그램 및 폐기물 분석 정보 등이 저장될 수 있다.

도 3을 참조하면, 먼저, 연산부(114)는, 폐기물이 수거되는 특정 장소에서, 폐기물의 종류 및 폐기물의 배출량에 대한 정보(input data)를 바탕으로 데이터베이스가 구축된다. 그리고 합성곱 신경망을 기반으로 하는 학습을 위해 구축된 데이터베이스에서 폐기물 종류 및 폐기물의 배출량에 대한 범주 특징을 추출한다(Convolutions). 이렇게 학습된 폐기물 종류 및 폐기물 배출량의 분석 모델을 이용하여 폐기물의 종류 및 폐기물의 배출량을 각각 추출할 수 있다. 이때, 학습된 모델은 수거함(WB)의 폐기물 종류 및 폐기물 배출량에 대한 영상 또는 이미지를 확보할 수 있다.

여기서, 폐기물 종류 및 폐기물 배출량의 분석 모델을 학습하는 과정에서, 폐기물 수거 장소에 대한 다양한 기상변화(예컨대, 눈이나 비가 오는 상황)이나 시간 변화(주간 및 야간 변화) 등에 대한 다양한 영상 또는 이미지를 확보하고, 확보된 영상 또는 이미지를 통해 폐기물 종류 및 폐기물 배출량에 대한 분석 모델을 학습할 수 있다.

그리고 학습된 폐기물 종류 및 폐기물 배출량을 추출할 때, 폐기물 수거함(WB)에 대한 영상 또는 이미지를 사용하여 실제 폐기물의 종류와 폐기물의 배출량을 분석하고, 오류가 발생하는 경우, 폐기물 종류 및 폐기물 배출량에 대한 범주를 다시 추출하는 과정부터 반복하여 오류가 발생하는 것을 최소화할 수 있다. 따라서 연산부(114)는 최종적으로 폐기물의 종류 및 폐기물의 배출량에 대한 정보를 연산할 수 있다.

본 실시예에서, 합성곱 신경망은 기계학습과 인지과학 분야에서 생물학의 신경망과 같은 통계학적인 학습 알고리즘이다. 합성곱 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시킴에 따라 무제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

본 실시예에서, CCTV 장치(110)에 포함된 연산부(114)는, 합성곱 신경망 모델를 이용하여 영상 인식 및 사물 인지 분석에 사용되는 다양한 신경망(예컨대, LeNET, AlexNet, ZFNet, GooLeNet, ResNet 등)을 통해 폐기물 종류 및 폐기물 배출량에 대한 분석 모델을 생성할 수 있다.

즉, 도 3에 도시된 입력데이터(input data)로 촬영부(112)에서 촬영된 영상 또는 이미지가 입력될 수 있다. 그리고 연산부(114)에서 입력된 영상이나 이미지를 이용하여 수거함(WB)에 수용된 폐기물 종류 및 폐기물 배출량을 분석하여 해당 정보를 출력할 수 있다.

이렇게 연산부(114)에서 연산된 폐기물의 종류 및 폐기물의 배출량에 대한 정보는 영상 서버(120)로 전송될 수 있다.

저장부(116)는 연산부(114)에서 연산된 결과를 저장한다. 이때, 저장부(116)는 연산부(114)에 포함된 저장장치와 독립된 구성으로 구비될 수 있지만, 이에 한정되는 것은 아니며, 필요에 따라 연산부(114)에 포함된 저장장치와 저장부(116)는 하나의 구성으로 구비될 수도 있다.

영상 서버(120)는 앞서 설명한 바와 같이, 다수의 CCTV 장치(110)에 포함된 연산부(114)에서 연산된 폐기물 종류 및 폐기물 배출량에 대한 연산 결과를 수신할 수 있고, 수신된 결과를 각각의 수거함(WB)에 대한 정보로 저장할 수 있다.

관리자 단말기(130)는, 폐기물 수거 장소의 폐기물 배출 현황을 관리하기 위해 구비된다. 관리자 단말기(130)는 CCTV 장치(110) 및 영상 서버(120)에서 전송된 정보를 바탕으로 폐기물 수거함(WB)의 분석 및 관리가 수행될 수 있다. 본 실시예에서, 관리자 단말기(130)는 폐기물 수거 장소의 각 수거함(WB)에 대한 폐기물에 따른 배출량에 대한 정보를 기반으로 각 수거함(WB)에 수용된 폐기물을 수거하기 위한 차량의 최적의 이동 경로를 설정할 수 있다.

도 4는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템의 통합 단말기를 통해 수거함의 분석 결과의 예를 도시한 도면이다.

도 4를 참조하면, 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템(100)을 이용하여 수거함(WB)에 각 폐기물 별로, 수거함(WB)에 수용된 수용량을 영상을 이용하여 분석한 것을 확인할 수 있다.

첫 번째 수거함(WB)에 캔 종류의 폐기물이 수용되어 있으며, 수거함(WB)의 약 22%를 캔 종류의 폐기물이 채우고 있는 것을 확인할 수 있다. 그리고 두 번째 수거함(WB)에 플라스틱 종류의 폐기물이 수용되어 있고, 수거함(WB)의 약 83%를 플라스틱 종류의 폐기물이 채우고 있는 것을 확인할 수 있다. 또한, 세 번째 수거함(WB)에 종이 종류의 폐기물이 수용되어 있으며, 수거함(WB)의 약 42%를 종이 종류의 폐기물이 채우고 있는 것을 확인할 수 있다. 그리고 네 번째 수거함(WB)에 일반쓰레기의 폐기물이 수용되어 있는 것을 확인할 수 있다.

따라서 재활용할 수 있는 폐기물이 수거함(WB)에 얼마나 채워져 있는지와 종량제(일반쓰레기)의 폐기물이 수거함(WB)에 얼마나 채워져 있는지를 각각 확인할 수 있고, 모든 수거함(WB)의 적재량 중 얼마나 채워져 있는지를 확인할 수 있다.

이렇게 각 수거함(WB)을 실시간으로 촬영한 영상을 이용하여 각 수거함(WB)에 폐기물이 얼마나 채워져 있는지를 확인함으로써, 관리자 단말기(130)는 해당 수거함(WB)들이 배치된 수거 장소에 폐기물을 수거할 것인지를 사전에 확인할 수 있다.

도 5 내지 도 9는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템에서 폐기물의 배출량을 분석한 결과를 설명하기 위한 도면이다.

도 5 내지 도 9를 참조하여, 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템(100)을 통해 딥러닝 합성곱 신경망을 이용하여 수거함(WB)에 배출된 폐기물의 양을 연산하는 것에 대해 설명한다. 본 실시예에서, 수거함(WB)에 배출된 폐기물의 양을 수거함(WB)의 20%, 40%, 60%, 80% 및 100%의 다섯 단계로 구분한 것에 대해 설명한다. 하지만, 이에 한정되는 것은 아니며, 필요에 따라 더 세분화된 단계로 구분할 수 있으며, 1% 단계로 구분될 수도 있다.

도 5를 참조하면, 도 5의 (a)의 수거함(WB)에 20%, 40%, 60%, 80% 및 100%의 단계에 대해 각 단계에 대한 확률이 도 5의 (b)에 도시된 바와 같이, 20%일 때 0.8725821, 60%일 때 0.099532016, 40%일 때 0.027615786, 80%일 때 0.00014902806 및 100%일 때 0.00012094527인 것으로 나타날 수 있다. 이때 소요된 시간은 0.492s가 소용된 것을 확인할 수 있다.

따라서 가장 높은 확률을 갖는 20%인 것을 판단되는데, 이는 폐기물이 수거함(WB)의 약 20%를 채운 상태인 것을 나타낸다.

도 6을 참조하면, 도 6의 (a)의 수거함(WB)에 20%, 40%, 60%, 80% 및 100%의 단계에 대해 각 단계에 대한 확률이 도 6의 (b)에 도시된 바와 같이, 40%일 때 0.8305835, 20%일 때 0.1431199, 60%일 때 0.025084553, 80%일 때 0.0010898137 및 100%일 때 0.00012224758인 것으로 나타날 수 있다. 이때 소요된 시간은 0.373s가 소용된 것을 확인할 수 있다.

따라서 가장 높은 확률을 갖는 40%인 것을 판단되는데, 이는 폐기물이 수거함(WB)의 약 40%를 채운 상태인 것을 나타낸다.

도 7을 참조하면, 도 7의 (a)의 수거함(WB)에 20%, 40%, 60%, 80% 및 100%의 단계에 대해 각 단계에 대한 확률이 도 7의 (b)에 도시된 바와 같이, 60%일 때 0.9658261, 20%일 때 0.0234172, 100%일 때 0.008906304, 40%일 때 0.000983298및 80%일 때 0.0008670432인 것으로 나타날 수 있다. 이때 소요된 시간은 0.355s가 소용된 것을 확인할 수 있다.

따라서 가장 높은 확률을 갖는 60%인 것을 판단되는데, 이는 폐기물이 수거함(WB)의 약 60%를 채운 상태인 것을 나타낸다.

도 8을 참조하면, 도 8의 (a)의 수거함(WB)에 20%, 40%, 60%, 80% 및 100%의 단계에 대해 각 단계에 대한 확률이 도 8의 (b)에 도시된 바와 같이, 80%일 때 0.9572164, 100%일 때 0.030484878, 20%일 때 0.008193274, 60%일 때 0.0028198282및 40%일 때 0.001285649인 것으로 나타날 수 있다. 이때 소요된 시간은 0.358s가 소용된 것을 확인할 수 있다.

따라서 가장 높은 확률을 갖는 80%인 것을 판단되는데, 이는 폐기물이 수거함(WB)의 약 80%를 채운 상태인 것을 나타낸다.

도 9를 참조하면, 도 9의 (a)의 수거함(WB)에 20%, 40%, 60%, 80% 및 100%의 단계에 대해 각 단계에 대한 확률이 도 9의 (b)에 도시된 바와 같이, 100%일 때 0.9915324, 60%일 때 0.005785733, 80%일 때 0.0025920623, 20%일 때 6.868307e-05 및 40%일 때 2.1143418e-05인 것으로 나타날 수 있다. 이때 소요된 시간은 0.355s가 소용된 것을 확인할 수 있다.

따라서 가장 높은 확률을 갖는 100%인 것을 판단되는데, 이는 폐기물이 수거함(WB)의 약 100%를 채운 상태인 것을 나타낸다.

도 10 내지 도 12는 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV 시스템에서 폐기물의 종류를 분석한 결과를 설명하기 위한 도면이다.

도 10 내지 도 12를 참조하여, 본 발명의 일 실시예에 따른 폐기물 분석 지능형 CCTV를 통해 딥러닝 합성곱 신경망을 이용하여 수거함(WB)에 배출된 폐기물의 종류를 연산하는 것에 대해 설명한다. 본 실시예에서, 일반쓰레기, 플라스틱 및 종이를 구분하는 것에 대해 설명한다. 하지만, 이에 한정되는 것은 아니며, 필요에 따라 더 세분화된 종류를 구분할 수 있다.

도 10을 참조하면, 도 10의 (a)의 수거함(WB)에 수용된 폐기물의 종류에 대해 도 10의 (b)에 도시된 바와 같이, 일반쓰레기 폐기물일 확률이 0.7413017이고, 플라스틱 폐기물일 확률이 0.2538774이며, 종이 폐기물일 확률이 0.0048224716인 것으로 나타났으며, 이때, 소용된 시간은 0.337s인 것을 확인할 수 있다.

따라서 도 10의 (a)에 도시된 수거함(WB)에 일반쓰레기 폐기물이 수용된 것으로 판단될 수 있다.

도 11을 참조하면, 도 11의 (a)의 수거함(WB)에 수용된 폐기물의 종류에 대해 도 11의 (b)에 도시된 바와 같이, 종이 폐기물일 확률이 0.996872이고, 플라스틱 폐기물일 확률이 0.0030095605이며, 일반쓰레기 폐기물일 확률이 0.00011851702인 것으로 나타났으며, 이때, 소용된 시간은 0.344s인 것을 확인할 수 있다.

따라서 도 11의 (a)에 도시된 수거함(WB)에 종이 폐기물이 수용된 것으로 판단될 수 있다.

도 12를 참조하면, 도 12의 (a)의 수거함(WB)에 수용된 폐기물의 종류에 대해 도 12의 (b)에 도시된 바와 같이, 플라스틱 폐기물일 확률이 0.9160764이고, 종이 폐기물일 확률이 0.08361702이며, 일반쓰레기 폐기물일 확률이 0.000306574007인 것으로 나타났으며, 이때, 소용된 시간은 0.356s인 것을 확인할 수 있다.

따라서 도 12의 (a)에 도시된 수거함(WB)에 플라스틱 폐기물이 수용된 것으로 판단될 수 있다.

도 13은 본 발명의 다른 실시예에 따른 폐기물 분석 지능형 CCTV 시스템을 도시한 블록도이다.

도 13을 참조하면, 본 발명의 다른 실시예에 따른 폐기물 분석 지능형 CCTV 시스템(100)은, CCTV 장치(110), 영상 서버(120) 및 관리자 단말기(130)를 포함한다. 본 실시예에 대해 설명하면서, 일 실시예에서와 동일한 설명은 생략한다.

본 실시예에서, CCTV 장치(110)는 촬영부(112)만 포함할 수 있다. 따라서 다수의 CCTV 장치(110)는 폐기물이 배출되기 위한 각 수거함(WB)이나 공간을 촬영한다.

그리고 CCTV 장치(110)에서 촬영된 영상은 영상 서버(120)로 전송될 수 있다. 이때, 필요에 따라 CCTV 장치(110)에 촬영된 영상이 저장되기 위한 저장부(116)가 추가로 포함될 수도 있다.

영상 서버(120)는, CCTV 장치(110)에서 전송된 영상을 분석하기 위해 서버 연산부(122) 및 서버 저장부(124)를 포함할 수 있다.

서버 연산부(122)는 다수의 CCTV 장치(110)에서 수거함(WB) 또는 공간을 촬영한 영상을 실시간으로 수신하고, 수신된 각 영상에 대해 폐기물 종류 및 폐기물 배출량을 연산할 수 있다. 그리고 연산된 결과를 서버 저장부(124)에 저장하고, 관리자 단말기(130)로 전송할 수 있다.

이때, 영상 서버(120)는 서버 연산부(122)에서 연산된 시간별, 일별, 월별 및 연별 등으로 폐기물의 종류별로 배출되는 배출량에 대한 정보를 기반으로 최적의 관리를 수행할 수 있다.

본 실시예에서 서버 연산부(122)는, 딥러닝을 기반으로 폐기물 수거 장소의 배치된 각 수거함(WB)에 수용된 폐기물 종류와 폐기물 배출량을 모델링하여 합성곱 신경망을 통해 지속적으로 정보를 갱신하고, 갱신된 각 모델에 따라 가장 정확한 모델을 유지할 수 있다.

서버 연산부(122)는, CCTV에 촬영된 영상 또는 이미지를 수신하고, 수신된 영 상 또는 이미지에서 폐기물 종류 및 폐기물 배출량에 대한 데이터베이스를 구축한다. 그리고 합성곱 신경망을 기반으로 학습을 위한 데이터베이스에서 폐기물 종류 및 폐기물 배출량에 대한 범주 특징을 추출한다. 이렇게 학습된 폐기물 종류 및 폐기물 배출량에 대한 분석 모델을 이용하여 폐기물 종류 및 폐기물 배출량을 추출할 수 있다.

또한, 서버 연산부(122)는 CCTV 장치(110)에서 촬영된 영상 또는 이미지를 그대로 이용함에 따라 수거함(WB)에 배치된 위치의 다양한 기상 변화와 시간 변화 등에 대한 다양한 영상 또는 이미지에 대한 분석이 이루어질 수 있다.

그리고 서버 연산부(122)는 폐기물 종류 및 폐기물 배출량을 분석할 때, 오류가 발생하는 경우, 합성곱 신경망을 기반으로 학습을 위해 데이터베이스에서 폐기물 종류 및 폐기물 배출량에 대한 범주 특징을 다시 추출하고, 분석 모델을 이용하여 폐기물의 종류 및 폐기물의 배출량을 연산할 수 있다.

상기와 같이, 본 실시예에서, 영상 서버(120)에 포함된 서버 연산부(122)에서 CCTV 장치(110)를 통해 촬영된 영상 또는 이미지의 분석이 이루어질 수 있는데, 이에 한정되지 않고, 일 실시예에서와 같이, CCTV 장치(110)에 연산부(114)가 포함되고, 다른 실시예에서와 같이, 영상 서버(120)에 서버 연산부(122)가 포함되어 CCTV 장치(110) 및 영상 서버(120)에서 모두 연산이 이루어질 수 있다.

이렇게 CCTV 장치(110) 및 영상 서버(120)에서 모두 연산이 이루어지는 경우, 보다 CCTV 장치(110)에서 촬영된 영상 또는 이미지에 대한 연산이 효율적으로 이루어질 수 있다.

이 경우, 영상 서버(120)는 CCTV 장치(110)에서 촬영된 영상 또는 이미지를 수신하고, CCTV 장치(110)의 연산부(114)에서 분석된 폐기물 종류 및 폐기물 배출량에 대한 연산 결과를 수신할 수 있다. 그리고 CCTV 장치(110)의 연산부(114)에서 수신된 폐기물 종류 및 폐기물 배출량의 분석 정보를 바탕으로 폐기물의 배출 현황을 분석할 수 있다. 또한, 영상 서버(120)의 서버 연산부(122)는 CCTV 장치(110)의 촬영부(112)에서 수신된 영상 또는 이미지와 CCTV의 연산부(114)에서 수신된 분석 정보를 이용하여 합성곱 신경망을 기반으로 폐기물 종류 및 폐기물 배출량의 분석 학습 모델을 갱신할 수 있다.

이렇게 서버 연산부(122)는 분석 학습 모델을 갱신하여 폐기물 종류 및 폐기물 배출량에 대한 분석 결과를 CCTV 장치(110) 및 관리자 단말기(130)로 전송한다.

또는, 서버 연산부(122)는, 합성곱 신경망을 기반으로 연상 분석을 통해 폐기물 종류 및 폐기물 배출량에 대한 분석 학습 모델을 생성하고, 다수의 CCTV 장치(110)에서 촬영된 영상 또는 이미지를 수집한다. 그리고 수집된 영상 또는 이미지를 이용하여 폐기물의 종류 및 폐기물의 배출량을 연산할 수 있다.

위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이므로, 본 발명이 상기 실시예에만 국한되는 것으로 이해돼서는 안 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 등가개념으로 이해되어야 할 것이다.

100: 지능형 CCTV 시스템
110: CCTV 장치
112: 촬영부
114: 연산부
116: 저장부
120: 영상 서버
122: 서버 연산부
124: 서버 저장부
130: 관리자 단말기
WB: 수거함

Claims

삭제
삭제
삭제
삭제
삭제
폐기물이 배출되어 수용되는 하나 이상의 수거함 또는 공간을 촬영하기 위한 하나 이상의 CCTV 장치; 및
상기 하나 이상의 CCTV 장치에서 촬영된 영상에 대한 정보가 저장되는 영상 서버를 포함하고,
상기 영상 서버는, 상기 하나 이상의 CCTV 장치에서 촬영된 영상 또는 이미지를 수신하며, 수신된 영상 또는 이미지를 이용하여 상기 폐기물의 특징을 추출하기 위한 데이터베이스를 생성하고, 생성된 데이터베이스를 이용하여 상기 폐기물의 특징에 대한 모델을 학습하며, 학습된 결과에 따라 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 특징을 연산하여 출력하는 서버 연산부를 포함하고,
상기 CCTV 장치는,
상기 하나 이상의 수거함 또는 공간을 촬영하는 촬영부; 및
상기 촬영부에서 촬영된 영상 또는 이미지를 이용하여 상기 폐기물의 특징을 추출하기 위한 데이터베이스를 생성하고, 생성된 데이터베이스를 이용하여 상기 폐기물의 특징에 대한 모델을 학습하며, 학습된 결과에 따라 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 특징을 연산하여 출력하는 연산부를 포함하며,
상기 영상 서버는 상기 촬영부에서 촬영된 영상 또는 이미지를 수신하고,
상기 서버 연산부는 연산된 결과를 상기 CCTV 장치에 포함된 연산부에 전송하는 폐기물 분석 지능형 CCTV 시스템.
청구항 6에 있어서,
상기 서버 연산부에서 연산되는 폐기물의 특징은 상기 하나 이상의 수거함 또는 공간에 수용된 폐기물의 종류 또는 폐기물의 배출량인 폐기물 분석 지능형 CCTV 시스템.
청구항 6에 있어서,
상기 서버 연산부는, 상기 데이터베이스를 이용하여 상기 하나 이상의 수거함 또는 공간에 폐기물에 대한 범주 특징을 추출하고, 추출된 범주 특징을 이용하여 상기 하나 이상의 수거함 또는 공간의 폐기물 특징에 대한 모델을 학습하며, 학습된 폐기물 특징에 대한 모델을 이용하여 상기 폐기물 특징에 대한 결과를 연산하는 폐기물 분석 지능형 CCTV 시스템.
청구항 6에 있어서,
상기 서버 연산부는, 영상 인식을 위한 딥러닝 합성곱 신경망(Convolutional Neural Network, CNN)을 기반으로 하여 상기 폐기물의 특징에 대한 모델을 학습하는 폐기물 분석 지능형 CCTV 시스템.
삭제