KR102300101B1 - 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템 - Google Patents

Abstract

도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템이 개시된다. 일실시예에 따른 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템에 있어서, 도로 터널의 화재 여부를 열 감지를 통해 확인하는 열화상 카메라들; 도로 터널 내 차량 움직임 및 이상 동작 감지를 위한 실시간 모니터링 카메라들; 도로 터널 내 공기질을 모니터링 하며 연기 발생을 확인하는 연기 감지 장치들; 도로 터널 내에 위치하며 3차원 회전을 통해 화재 위치를 중심으로 화재를 진압하는 스프링클러들; 도로 터널 내 연기 제거를 위한 흡입 장치들; 도로 터널 내 화재 발생 여부를 도로 터널 내 사람에게 전달하기 위한 화재 알림 장치들; 도로 터널 내 공기 이동 방향 및 크기를 측정하는 풍향 측정 장치들; 도로 터널 내 각 장치들과 신호를 송수신하며, 각 장치들에 대한 제어 신호를 생성하는 제어 장치; 및 도로 터널 내 화지 감지 시 관련 기관에 자동 신고 신호를 송수신하는 통신 장치를 포함할 수 있다.

Description

도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템{APPARATUS AND SYSTEM FOR FIRE DETECTION AND VENTILATION OF ROAD TUNNELS}

아래 실시예들은 도로 터널의 화재를 감지하고 제연하는 장치 및 기술에 관한 것이다.

도로 터널의 화재 발생은 수많은 인명 피해를 야기할 수 있다는 점에서 조기 진압 및 그 원인 분석이 매우 중요하다. 하지만, 현존하는 기술은 도로 터널의 화재 진압을 무차별적으로 수행해 그 효율성이 떨어지고, 무분별한 소방수 이용으로 오히려 진압되지 않은 화재의 크기가 커지는 사고를 야기할 수 있다. 더불어 화재 사고의 크기가 큰 경우, 원인 분석을 위한 자료가 수집되지 못한 채 전소하는 일이 발생할 수 있다. 따라서, 인공지능을 통해 도로 터널 내 화재 발생 위치를 자동으로 판단해 타깃화한 화재 진압으로 효율을 높이고, 화재 원인을 빠르게 분석해 기록으로 남기는 기술의 연구가 요구된다.

대한민국 등록특허공보 KR10-1590344 대한민국 등록특허공보 KR10-1710458 대한민국 등록특허공보 KR10-1973984 대한민국 등록특허공보 KR10-2022987

실시예들은 도로 터널 내 화재가 발생한 것을 감지하고 정도에 따른 화재 진압을 실시하고자 한다.

실시예들은 도로 터널 내 화재가 발생하면 자동으로 원인을 분석해 신고를 수행하고자 한다.

실시예들은 인공지능을 통행 도로 터널 내 영상을 분석해 화재의 원인을 분석하고자 한다.

일실시예에 따른 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템에 있어서, 상기 도로 터널의 화재 여부를 열 감지를 통해 확인하는 열화상 카메라들; 상기 도로 터널 내 차량 움직임 및 이상 동작 감지를 위한 실시간 모니터링 카메라들; 상기 도로 터널 내 공기질을 모니터링 하며 연기 발생을 확인하는 연기 감지 장치들; 상기 도로 터널 내에 위치하며 3차원 회전을 통해 화재 위치를 중심으로 화재를 진압하는 스프링클러들; 상기 도로 터널 내 연기 제거를 위한 흡입 장치들; 상기 도로 터널 내 화재 발생 여부를 도로 터널 내 사람에게 전달하기 위한 화재 알림 장치들; 상기 도로 터널 내 공기 이동 방향 및 크기를 측정하는 풍향 측정 장치들; 상기 도로 터널 내 각 장치들과 신호를 송수신하며, 상기 각 장치들에 대한 제어 신호를 생성하는 제어 장치; 및 상기 도로 터널 내 화지 감지 시 관련 기관에 자동 신고 신호를 송수신하는 통신 장치를 포함할 수 있다.

일실시예에 따르면, 제어 장치는 상기 열화상 카메라들을 제어해 이상 열 발생을 감지하고, 상기 연기 감지 장치들을 제어해 이상 연기 발생을 감지하고, 상기 이상 열 및 상기 이상 연기의 발생 시, 최초로 상기 이상 열 및 상기 이상 연기를 감지한 열화상 카메라 및 연기 감지 장치를 제어해 상기 이상 열 및 상기 이상 연기의 발생 위치를 특정하고, 상기 이상 열 및 상기 이상 연기의 상기 발생 위치 및 크기를 제1 뉴럴 네트워크를 통해 제1 등급, 제2 등급 및 제3 등급으로 분류하고, 상기 제1 등급에 해당하는 경우, 상기 발생 위치 주변 반경 2m의 상기 흡입 장치들과 상기 스프링클러들을 작동시키고, 상기 제2 등급에 해당하는 경우, 상기 발생 위치 주변 반경 5m의 상기 흡입 장치들과 상기 스프링클러들을 작동시키고, 도로 터널 내 모든 화재 알림 장치들을 제어해 음성 및 점등 신호를 발생시키고, 상기 제3 등급에 해당하는 경우, 도로 터널 내 모든 상기 흡입 장치들과 상기 스프링클러들을 작동시키고, 도로 터널 내 모든 화재 알림 장치들을 제어해 음성 및 점등 신호를 발생시키고, 상기 제1 등급, 상기 제2 등급 및 상기 제3 등급 모두에서 통신 장치를 제어해 인근 소방 기관에 신고 신호를 송신하고, 상기 제1 등급은 상기 이상 열 및 상기 이상 연기의 상기 발생 위치가 한 위치에 국한되고, 상기 발생 위치가 이동하지 않고 있으며, 상기 이상 열 및 상기 이상 연기가 반경 2m의 범위에 국한된 경우이고, 상기 제2 등급은 상기 이상 열 및 상기 이상 연기의 상기 발생 위치가 둘 이상의 위치에 존재하며 각각의 상기 발생 위치의 거리가 10m 이내이고, 모든 상기 발생 위치가 이동하지 않거나 상기 이상 열 및 상기 이상 연기가 반경 5m의 범위에 국한된 경우이고, 상기 제3 등급은 상기 이상 열 및 상기 이상 연기의 상기 발생 위치가 둘 이상의 위치에 존재하며 각각의 상기 발생 위치의 거리가 10m 이상이거나, 적어도 하나의 상기 발생 위치가 이동하고 있거나, 상기 이상 열 및 상기 이상 연기가 반경 5m의 범위를 넘어선 경우일 수 있다.

일실시예에 따르면, 상기 스프링클러들 및 상기 흡입 장치들은 상기 발생 위치 주변에서 상기 발생 위치 방향으로 회전하여 작동하고, 상기 이상 열 및 상기 이상 연기를 분석한 결과로 상기 제어 장치가 생성한 제1 제어 신호에 기초하여, 작동 강도를 조절하고, 상기 풍향 측정 장치들의 풍향 측정 결과에 기초하여, 상기 제어 장치가 상기 이상 열 및 상기 이상 연기의 이동 여부를 판단해 생성한 제2 제어 신호에 기초하여, 상기 이상 열 및 상기 이상 연기가 이동할 것으로 예상되는 방향의 상기 스프링클러들 및 상기 흡입 장치들이 추가적으로 작동할 수 있다.

일실시예에 따르면, 상기 제어 장치는 이상 열 및 이상 연기가 상기 열화상 카메라들 및 상기 연기 감지 장치들 중 어느 하나에 감지되면, 상기 도로 터널 내 모든 상기 실시간 모니터링 카메라의 24시간 내에 촬영된 모니터링 영상들을 데이터베이스에 백업하고, 상기 모니터링 영상들을 분석해 원인 요소를 획득하고, 상기 원인 요소를 포함한 추가 신고 신호를 생성하고, 상기 추가 신고 신호를 인근 소방 기관에 전송할 수 있다.

일실시예에 따르면, 상기 제어 장치가 상기 원인 요소를 획득하는 데 있어서, 상기 제어 장치는 상기 이상 열 및 상기 이상 연기의 발생 시 상기 모니터링 영상들에 기초하여, 제2 입력을 생성하고, 상기 제2 입력을 제2 뉴럴 네트워크에 입력하여 제2 출력을 획득하고, 상기 제2 출력에 기초하여 제1 원인 요소-상기 제1 원인 요소는 상기 이상 열 및 상기 이상 연기의 발생이 차량 사고에 의한 것인지, 감전 사고에 의한 것인지를 포함함-를 획득하고, 상기 제1 원인 요소에 기초하여 차량 사고에 의한 것으로 판명된 경우, 상기 모니터링 영상 중 상기 이상 열 및 상기 이상 연기의 원인이 된 차량들의 상기 도로 터널 내 진입 시점으로부터 사고 발생 시까지의 동선 내 모든 사고 차량 영상들을 데이터베이스에 추가로 백업하고, 상기 사고 차량 영상들에 기초하여, 제3 입력을 생성하고, 상기 제3 입력을 제3 뉴럴 네트워크에 입력하여 제3 출력을 획득하고, 상기 제3 출력에 기초하여, 원인 차량들의 번호판, 운전자 얼굴 및 차량 속도를 포함한 제2 원인 요소를 획득하고, 상기 제1 원인 요소 및 제2 원인 요소에 기초하여, 상기 원인 요소를 생성할 수 있다.

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

실시예들은 도로 터널 내 화재가 발생한 것을 감지하고 정도에 따른 화재 진압을 실시할 수 있다.

실시예들은 도로 터널 내 화재가 발생하면 자동으로 원인을 분석해 신고를 수행할 수 있다.

실시예들은 인공지능을 통행 도로 터널 내 영상을 분석해 화재의 원인을 분석할 수 있다.

도 1은 일실시예에 따른 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 도로 터널 내에 발생한 화재를 진압하는 과정을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 도로 터널 내 화재의 원인 요소를 추적하는 과정을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 장치의 구성의 예시도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은 일실시예에 따른 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템을 설명하기 위한 도면이다.

일실시예에 따른 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템은 도로 터널의 화재 여부를 열 감지를 통해 확인하는 열화상 카메라(102)들; 도로 터널 내 차량 움직임 및 이상 동작 감지를 위한 실시간 모니터링 카메라(103)들; 도로 터널 내 공기질을 모니터링 하며 연기 발생을 확인하는 연기 감지 장치(104)들; 도로 터널 내에 위치하며 3차원 회전을 통해 화재 위치를 중심으로 화재를 진압하는 스프링클러(105)들; 도로 터널 내 연기 제거를 위한 흡입 장치(106)들; 도로 터널 내 화재 발생 여부를 도로 터널 내 사람에게 전달하기 위한 화재 알림 장치(107)들; 도로 터널 내 공기 이동 방향 및 크기를 측정하는 풍향 측정 장치(108)들; 도로 터널 내 각 장치들과 신호를 송수신하며, 각 장치들에 대한 제어 신호를 생성하는 제어 장치(101); 및 도로 터널 내 화지 감지 시 관련 기관에 자동 신고 신호를 송수신하는 통신 장치(109)를 포함할 수 있다.

일실시예에 따른 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템은 서버 및 단말을 포함할 수 있다. 서버 및 단말은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다. 서버는 제어 장치(101)와 동일한 장치일 수 있으나, 이에 국한하지 않는다. 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템을 위한 서버는 단말에 화재 발생 위치를 송신하고, 화재 발생 처리 상황에 대한 정보를 수신할 수 있다. 서버는 인공지능을 통해 이상 열 및 이상 연기의 발생 위치 및 크기를 특정할 수 있고, 이상 열 및 이상 연기의 발생 원인을 분석할 수 있다.

서버는 서버를 이용하여 서비스를 제공하는 자 또는 단체가 보유한 자체 서버일 수도 있고; 클라우드 서버일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버는 추론 기능을 수행하는 적어도 하나 이상의 뉴럴 네트워크를 구비할 수 있다. 서버는 단말과 유무선으로 통신하도록 구성될 수 있다.

서버는 단말과 통신하며, 화재 현장에 대한 영상 및 감지 정보들, 화재 현장에 대한 처리 상황에 대한 정보들, 화재 현장에 대한 신고 신호들 및 화재 원인을 분석한 정보들을 송수신할 수 있다. 따라서, 서버를 통해 제공되는 서비스는 도로 터널을 시공하는 국가 기관, 건설사, 시공사 및 사용자에게 적합할 수 있으나, 이에 국한하지 않는다.

일실시예에 따른 단말은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 단말은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 단말은 서버와 유무선으로 통신하도록 구성될 수 있다.

단말은 서버와 연동된 어플리케이션들이 설치되거나, 서버와 연동된 웹페이지에 연결될 수 있다. 단말은 웹페이지 또는 어플리케이션을 통해, 서버가 연산을 통해 전송한 각종 신호들을 수신할 수 있으며, 이에 대해 원격 신호를 전송해 서버에서 제어할 수 있는 동작을 수동으로 조작할 수 있다. 단말의 사용자는 화재 현장을 처리하는 관계 부처의 개인이 될 수 있으나, 직업에 특별한 제약은 없다. 서버의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.

이하에서, 서버의 동작을 중심으로 실시예가 기술되나, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다.

일실시예에 따른 열화상 카메라(102)는 도로 터널 내 이상 열을 감지할 수 있다. 이상 열은 도로 터널 내에서 자연 발생하는 열의 70%이상의 고온을 의미할 수 있다. 예를 들어, 도로 터널 내부가 평균적으로 34℃라면 1.7배한 57.8℃를 이상 열 발생 기준으로 결정할 수 있다. 열화상 카메라(102)는 이상 열을 적외선을 통해 섭씨 단위로 측정할 수 있다.

일실시예에 따른 연기 감지 장치(104)는 도로 터널 내 이상 연기를 감지할 수 있다. 연기 감지 장치(104)는 공기질을 분석하는 장치로서, 연소에 의해 발생하는 CO₂나 CO, NO₂, Formaldyhyde 등이 포함될 수 있으나, 이에 국한하지 않는다. 이상 연기는 도로 터널 내에 차량 등에 의해 발생한 평균 공기질로부터 앞서 언급한 성분들 중 어느 하나라도 농도가 50%이상 증가하는 경우를 의미할 수 있다.

일실시예에 따른 실시간 모니터링 카메라(103)는 FHD(Full High Definition) 이상의 화질을 가진 영상 촬영용 카메라일 수 있다. 실시간 모니터링 카메라(103)에 촬영된 영상은 기본적인 백업을 거치는데, 이러한 경우 보관 기간은 21일로 할 수 있으나, 이에 국한하지 않는다. 만약 이상 열 및 이상 연기가 발생한 경우, 해당 이상 열 및 이상 연기의 발생 시점으로부터 24시간 전후의 영상은 모두 백업 보관되게 되는데, 이러한 경우 이 영상에 대한 보관 기간은 사용자가 삭제를 하기 전까지 영구적일 수 있으나, 이에 국한하지 않는다.

일실시예에 따른 스프링클러(105)는 3차원 회전이 가능한 장치일 수 있다. 3차원 회전은 각각의 축으로 모두 120˚ 내지 360˚ 회전이 가능함을 의미할 수 있다. 도로 터널 내 스프링클러(105)는 회전 동작을 통해 화재 발생 위치를 보다 정확히 타깃팅한 화재 진압을 수행할 수 있다.

일실시예에 따른 흡입 장치(106)는 연기를 흡입하기 위한 장치로서, 1차적인 공기 정화를 위한 필터를 보유할 수 있고, 제어 장치(101)의 제어 신호에 맞게 흡입 세기를 조절할 수 있다.

일실시예에 따른 화재 알림 장치(107)는 화재 경보기와 마찬가지로 음성 및 점멸 신호를 통해 화재를 알리는 장치일 수 있으나, 이에 국한하지 않는다. 화재 알림 장치(107)는 도로 터널 내 정전이 발생한 경우, 예비 전력을 이용한 비상등으로서 사용될 수 있다.

일실시예에 따른 풍향 측정 장치(108)는 도로 터널 내부의 공기 이동을 평가하기 위한 장치로서, 단순히 바람의 방향만을 측정하는 것이 아니라 바람의 세기까지 측정이 가능한 장치일 수 있다. 풍향 측정 장치(108)는 바람의 세기 및 방향을 측정함으로써, 화재 발생 시 화재의 진행 방향을 예측해 화재를 효과적으로 진압하는 데에 도움을 줄 수 있다.

일실시예에 따른 통신 장치(109)는 관련 기관과 신호를 송수신함으로써, 화재 발생 시 자동으로 신고 신호를 수신하도록 설계된 장치일 수 있다. 통신 장치(109)는 기존에서 최소 전력을 이용해 관련 기관과 연속적인 신호 송수신을 진행하고 있어, 만약 통신 장치(109)에 이상이 발생할 경우, 이러한 신호 송수신이 차단됨으로 인해 자동으로 관련 기관에 신고가 접수되도록 설계될 수 있다.

도 2는 일실시예에 따른 도로 터널 내에 발생한 화재를 진압하는 과정을 설명하기 위한 도면이다.

일실시예에 따른 제어 장치는 열화상 카메라들을 제어해 이상 열 발생을 감지할 수 있다. 또한 제어 장치는 연기 감지 장치를 제어해 이상 연기 발생을 감지할 수 있다.

일실시예에 따르면, 제어 장치는 이상 열 및 이상 연기의 발생 시, 최초로 이상 열 및 이상 연기를 감지한 열화상 카메라 및 연기 감지 장치를 제어해 이상 열 및 이상 연기의 발생 위치를 특정할 수 있다. 제어 장치는 열화상 카메라 및 연기 감지 장치를 통해 이상 열 및 이상 연기가 감지되면, 위치를 정확히 추적하기 위해 열화상 카메라 및 실시간 모니터링 카메라를 회전시킬 수 있다. 발생 위치는 각 카메라 별로 매핑된 3차원 지도 상에 표현될 수 있으며, 3차원 지도는 x, y, z 축을 축으로 하는 좌표를 가질 수 있다.

일실시예에 따르면, 제어 장치는 이상 열 및 이상 연기의 발생 위치 및 크기를 제1 뉴럴 네트워크(201)를 통해 제1 등급(210), 제2 등급(220) 및 제3 등급(230)으로 분류할 수 있다. 제어 장치는 이상 열 및 이상 연기가 발생하면, 해당 부위의 열화상 카메라의 영상 및 연기 감지 장치에 감지된 공기질 정보에 기초하여 제1 입력을 생성할 수 있다. 제1 입력은 제1 뉴럴 네트워크(201)의 입력층 노드에 대응하는 벡터일 수 있다. 제1 뉴럴 네트워크(201)는 제1 출력을 출력으로 할 수 있는데, 제1 출력은 제1 뉴럴 네트워크(201)의 출력층 노드에 대응하는 벡터일 수 있다. 제1 뉴럴 네트워크(201)는 컨볼루션 신경망일 수 있다. 제1 뉴럴 네트워크(201)는 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 4X4 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 4X4 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다. 제1 뉴럴 네트워크(201)는 은닉층과 출력층을 가질 수 있다. 제1 뉴럴 네트워크(201)에는 일반적으로 은닉층이 4개 이상 존재하며, 각 은닉층의 노드는 10개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제1 뉴럴 네트워크(201)의 출력층 노드는 총 3개로 할 수 있으나, 이에 국한하지 않는다. 3개의 출력층 노드는 소프트맥스 함수를 이용해 가장 근접한 값을 정하도록 할 수 있다. 제1 출력은 출력층 노드의 값에 해당하는 노드에 따라 제1 등급(210), 제2 등급(220) 및 제3 등급(230)을 획득하는 데에 사용될 수 있다.

학습 장치는 제1 뉴럴 네트워크(201)를 제1 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제1 트레이닝 레이블들은 1만개의 열화상 영상들 및 연기 감지 장치의 감지 결과들과 이에 대응하는 제1 등급(210), 제2 등급(220) 및 제3 등급(230)의 분류를 포함할 수 있다. 제1 뉴럴 네트워크(201)는 제1 레이블드 트레이닝 입력들을 입력해 얻은 제1 레이블드 트레이닝 출력들을 제1 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제1 뉴럴 네트워크(201)의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제1 뉴럴 네트워크(201)를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 제어 장치는 제1 출력에 기초하여 이상 열 및 이상 연기의 발생 위치 및 크기를 재1 등급, 제2 등급(220) 및 제3 등급(230)으로 분류할 수 있다. 제1 등급(210)은 이상 열 및 이상 연기의 발생 위치가 한 위치에 국한되고, 발생 위치가 이동하지 않고 있으며, 이상 열 및 이상 연기가 반경 2m의 범위에 국한된 경우일 수 있다. 예를 들어, 화재가 한 군데에서만 발생했고, 그 크기가 1m의 반경을 가지고 있으며, 이동 없이 멈춰있는 경우라면 이는 제1 등급(210)으로 분류될 수 있다.

제2 등급(220)은 이상 열 및 이상 연기의 발생 위치가 둘 이상의 위치에 존재하며 각각의 발생 위치의 거리가 10m 이내이고, 모든 발생 위치가 이동하지 않거나 이상 열 및 이상 연기가 반경 5m의 범위에 국한된 경우일 수 있다. 예를 들어, 화재가 두 군데에서 발생했지만 서로 간의 거리가 5m이고, 이동이 없는 경우 제2 등급(220)으로 분류될 수 있다. 혹은 화재가 한 군데에서 발생했지만, 둘 각각의 크기가 2m 및 3m인 경우도 제2 등급(220)으로 분류될 수 있다.

제3 등급(230)은 이상 열 및 이상 연기의 발생 위치가 둘 이상의 위치에 존재하며 각각의 발생 위치의 거리가 10m 이상이거나, 적어도 하나의 발생 위치가 이동하고 있거나, 이상 열 및 이상 연기가 반경 5m의 범위를 넘어선 경우일 수 있다. 예를 들어, 세 군데에서 화재가 발생했는데, 두 곳은 가까우나 나머지 한 곳이 20m 떨어진 곳이라면 이는 제3 등급(230)에 포함될 수 있다. 또한 세 군데에서 화재가 발생했는데, 그 중 하나가 이동하고 있다면, 이 또한 제3 등급(230)에 포함될 수 있다. 또한 두 군데에서 화재가 발생했는데, 그 중 하나가 반경 7m의 크기를 가지고 있다면 이 또한 제3 등급(230)에 포함될 수 있다.

일실시예에 따르면, 제어 장치는 제1 등급(210)에 해당하는 경우, 발생 위치 주변 반경 2m의 흡입 장치들과 스프링클러들을 작동시킬 수 있다. 이 때, 발생 위치 주변 반경 1m의 흡입 장치들과 스프링클러들은 100%의 세기로 가동되나, 발생 위치 주변 반경 1~2m에 있는 흡입 장치들 및 스프링클러들은 80%의 세기로 가동될 수 있으나, 이에 국한하지 않는다. 제어 장치의 판단에 기초하여, 스프링클러들 및 흡입 장치들은 추가적으로 더 작동할 수 있으며, 폭발 위험이 있다고 판단된 경우에는 제어 장치가 도로 터널 내의 모든 스프링클러들 및 흡입 장치들을 작동시킬 수 있다.

일실시예에 따르면, 제어 장치는 제2 등급(220)에 해당하는 경우, 발생 위치 주변 반경 5m의 흡입 장치들과 스프링클러들을 작동시키고, 도로 터널 내 모든 화재 알림 장치들을 제어해 음성 및 점등 신호를 발생시킬 수 있다. 제어 장치는 제2 등급(220)에 해당하는 화재가 발생하면 5m 내의 흡입 장치들과 스프링클러들을 100% 세기로 작동시켜 화재의 조기 진화를 목표로 할 수 있으며, 화재 알림 장치들을 통해 도로 터널 내의 차량을 신속히 이동시킬 수 있다. 제어 장치는 도로 터널의 개폐 장치 및 도로 터널 상황 보고판이 추가적으로 존재하는 경우, 해당 개폐 장치를 이용해 제2 등급(220) 이상의 화재 시 도로 터널을 폐쇄하고, 도로 터널 상황 보고판을 통해 도로 터널 진입 5km 내외의 위치까지 도로 터널 폐쇄 사실을 기재할 수 있다. 제어 장치는 제2 등급(220)의 화재가 발생하면, 제1 등급(210)에 준하는 모든 절차를 함께 수행할 수 있다.

일실시예에 따르면, 제어 장치는 제3 등급(230)에 해당하는 경우, 도로 터널 내 모든 흡입 장치들과 스프링클러들을 작동시키고, 도로 터널 내 모든 화재 알림 장치들을 제어해 음성 및 점등 신호를 발생시킬 수 있다. 제어 장치는 제3 등급(230)에 해당하는 화재가 발생하면, 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템에서 보유한 모든 장치들을 제어해 화재 진화 및 차량 대피를 최우선적으로 조치할 수 있다. 제어 장치는 제3 등급(230)의 화재가 발생하면, 제2 등급(220)에 준하는 모든 절차를 함께 수행할 수 있다.

일실시예에 따르면, 스프링클러들 및 흡입 장치들은 발생 위치 주변에서 발생 위치 방향으로 회전하여 작동할 수 있다. 스프링클러들 및 흡입 장치들은 이상 열 및 이상 연기를 분석한 결과로 제어 장치가 생성한 제어 신호에 기초하여, 작동 강도를 조절할 수 있다. 작동 강도는 0~100%까지 존재할 수 있으나, 작동이 시작되고 나면, 최소한 50%의 작동 강도로 작동할 수 있으나, 이에 국한하지 않는다. 스프링클러들 및 흡입 장치들은 풍향 측정 장치들의 풍향 측정 결과에 기초하여, 제어 장치가 이상 열 및 이상 연기의 이동 여부를 판단해 생성한 제2 제어 신호에 기초하여, 이상 열 및 이상 연기가 이동할 것으로 예상되는 방향의 스프링클러들 및 흡입장치들이 추가적으로 작동할 수 있다. 추가적인 스프링클러들 및 흡입장치들은 시작 시 최대 강도의 50% 정도일 수 있으나, 풍향 측정 장치에서 바람의 세기가 20m/s 이상으로 판명되면, 그 강도를 최대로 자동 조정할 수 있다.

도 3은 일실시예에 따른 도로 터널 내 화재의 원인 요소를 추적하는 과정을 설명하기 위한 도면이다.

일실시예에 따른 제어 장치는 이상 열 및 이상 연기가 열화상 카메라들 및 연기 감지 장치들 중 어느 하나에 감지되면, 도로 터널 내 모든 실시간 모니터링 카메라의 24시간 내에 촬영된 모니터링 영상들을 데이터베이스에 백업할 수 있다. 제어 장치는 기존에 실시간 모니터링 카메라가 백업된 영상들로부터 화재 발생 24시간 전후의 모든 영상을 모니터링 영상들로 분류해 레이블된 형태로 데이터베이스화할 수 있다. 이렇게 추가적인 절차를 통해 백업된 모니터링 영상들은 사용자의 요청이 있기 전까지 영구적으로 보관될 수 있으나, 이에 국한하지 않는다.

일실시예에 따르면, 제어 장치는 모니터링 영상들을 분석해 원인 요소를 획득할 수 있다. 제어 장치는 이상 열 및 이상 연기의 발생 시 모니터링 영상들에 기초하여, 제2 입력을 생성할 수 있다. 제2 입력은 제2 뉴럴 네트워크의 입력층 노드에 대응하는 벡터일 수 있다. 제2 뉴럴 네트워크는 제2 출력을 출력으로 할 수 있는데, 제2 출력은 제2 뉴럴 네트워크의 출력층 노드에 대응하는 벡터일 수 있다. 제2 뉴럴 네트워크는 컨볼루션 신경망일 수 있다. 제2 뉴럴 네트워크는 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 4X4 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 4X4 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다. 제2 뉴럴 네트워크는 은닉층과 출력층을 가질 수 있다. 제2 뉴럴 네트워크에는 일반적으로 은닉층이 4개 이상 존재하며, 각 은닉층의 노드는 10개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제2 뉴럴 네트워크의 출력층 노드는 총 2개로 할 수 있으나, 이에 국한하지 않는다. 2개의 출력층 노드는 소프트맥스 함수를 이용해 가장 근접한 값을 정하도록 할 수 있다. 제2 출력은 출력층 노드의 값에 해당하는 노드에 따라 제1 원인 요소를 획득하는 데에 사용될 수 있다. 제1 원인 요소는 이상 열 및 이상 연기의 발생이 차량 사고에 의한 것인지, 감전 사고에 의한 것인지를 포함할 수 있으나, 이에 국한하지 않는다.

학습 장치는 제2 뉴럴 네트워크를 제2 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제2 트레이닝 레이블들은 1만개의 모니터링 영상들과 이에 대응하는 화재의 원인에 대해 전문가들이 평가한 제1 원인 요소들을 포함할 수 있다. 제2 뉴럴 네트워크는 제2 레이블드 트레이닝 입력들을 입력해 얻은 제2 레이블드 트레이닝 출력들을 제2 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제2 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제2 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 제어 장치는 제1 원인 요소에 기초하여 차량 사고에 의한 것으로 판명된 경우, 모니터링 영상 중 이상 열 및 이상 연기의 원인이 된 차량들의 도로 터널 내 진입 시점으로부터 사고 발생 시까지의 동선 내 모든 사고 차량 영상들을 데이터베이스에 추가로 백업할 수 있다. 사고 차량 영상들은 모니터링 영상들과 마찬가지로 추가적으로 레이블된 영상들로서 사용자의 요청에 의한 삭제가 이뤄지기 전까지 영구 보관될 수 있다.

일실시예에 따르면, 제어 장치는 사고 차량 영상들에 기초하여, 제3 입력을 생성할 수 있다. 제3 입력은 제3 뉴럴 네트워크의 입력층 노드에 대응하는 벡터일 수 있다. 제3 뉴럴 네트워크는 제3 출력을 출력으로 할 수 있는데, 제3 출력은 제3 뉴럴 네트워크의 출력층 노드에 대응하는 벡터일 수 있다. 제3 뉴럴 네트워크는 컨볼루션 신경망일 수 있다. 제3 뉴럴 네트워크는 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 4X4 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 4X4 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다. 제3 뉴럴 네트워크는 은닉층과 출력층을 가질 수 있다. 제3 뉴럴 네트워크에는 일반적으로 은닉층이 4개 이상 존재하며, 각 은닉층의 노드는 10개로 지정하나 경우에 따라 그 이상 또는 이하로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 제3 뉴럴 네트워크의 출력층 노드는 총 6개로 할 수 있으나, 이에 국한하지 않는다. 6개의 출력층 노드 코드화된 정보를 내포할 수 있다. 제3 출력은 출력층 노드의 값에 따라 제2 원인 요소를 획득하는 데에 사용될 수 있다. 제2 원인 요소는 원인 차량들의 번호판, 운전자 얼굴 및 차량 속도 등을 포함할 수 있으나, 이에 국한하지 않는다.

학습 장치는 제3 뉴럴 네트워크를 제3 트레이닝 레이블들을 통해 학습할 수 있다. 학습 장치는 제어 장치와 동일할 수 있으나, 이에 국한하지 않는다. 제3 트레이닝 레이블들은 100만개의 사고 차량 영상들과 이에 대응하는 전문가들이 평가한, 원인 차량들의 번호판, 운전자 얼굴 및 차량 속도들을 포함할 수 있다. 제3 뉴럴 네트워크는 제3 레이블드 트레이닝 입력들을 입력해 얻은 제3 레이블드 트레이닝 출력들을 제3 트레이닝 레이블들과 비교해 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 제3 뉴럴 네트워크의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 뉴럴 네트워크 모델들에서 이용되는 손실함수들이 이용될 수 있다.

다음으로, 학습 장치는 비교값을 기초로 제3 뉴럴 네트워크를 최적화할 수 있다. 학습 장치 비교값이 점점 작아지도록 뉴럴 네트워크의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 뉴럴 네트워크의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 뉴럴 네트워크는 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 뉴럴 네트워크의 웨이트(weight)를 재설정하는 과정을 반복함으로써 뉴럴 네트워크를 최적화할 수 있다. 뉴럴 네트워크의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하강법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.

일실시예에 따르면, 제어 장치는 제1 원인 요소 및 제2 원인 요소에 기초하여, 원인 요소를 생성할 수 있다. 만약 제1 원인 요소의 판정 결과 화재의 발생이 감전의 의한 것일 경우, 제2 원인 요소의 생성은 이뤄지지 않으며 자동적으로 제1 원인 요소가 원인 요소가 될 수 있다.

일실시예에 따르면, 제어 장치는 원인 요소를 포함한 추가 신고 신호를 생성할 수 있다. 제어 장치는 추가 신고 신호를 인근 소방 기관에 전송할 수 있다. 추가 신고 신호는 기존의 신고 신호에 대해 추가적으로 생성되는 신호로서, 관련 소방 기관에 화재 발생 원인을 제공하기 위해 사용될 수 있다.

도 4는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(401)는 프로세서(402) 및 메모리(403)를 포함한다. 일실시예에 따른 장치(401)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 3을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 3을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(403)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(403)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(402)는 프로그램을 실행하고, 장치(401)를 제어할 수 있다. 프로세서(402)에 의하여 실행되는 프로그램의 코드는 메모리(403)에 저장될 수 있다. 장치(401)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (3)

1. 도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템에 있어서,
   상기 도로 터널의 화재 여부를 열 감지를 통해 확인하는 열화상 카메라(102)들;
   상기 도로 터널 내 차량 움직임 및 이상 동작 감지를 위한 실시간 모니터링 카메라(103)들;
   상기 도로 터널 내 공기질을 모니터링 하며 연기 발생을 확인하는 연기 감지 장치(104)들;
   상기 도로 터널 내에 위치하며 3차원 회전을 통해 화재 위치를 중심으로 화재를 진압하는 스프링클러(105)들;
   상기 도로 터널 내 연기 제거를 위한 흡입 장치(106)들;
   상기 도로 터널 내 화재 발생 여부를 도로 터널 내 사람에게 전달하기 위한 화재 알림 장치(107)들;
   상기 도로 터널 내 공기 이동 방향 및 크기를 측정하는 풍향 측정 장치(108)들;
   상기 도로 터널 내 각 장치들과 신호를 송수신하며, 상기 각 장치들에 대한 제어 신호를 생성하는 제어 장치(101); 및
   상기 도로 터널 내 화지 감지 시 관련 기관에 자동 신고 신호를 송수신하는 통신 장치(109)
   를 포함하고,
   상기 제어 장치(101)는
   이상 열 및 이상 연기가 상기 열화상 카메라(102)들 및 상기 연기 감지 장치(104)들 중 어느 하나에 감지되면, 상기 도로 터널 내 모든 상기 실시간 모니터링 카메라(103)의 24시간 내에 촬영된 모니터링 영상들을 데이터베이스에 백업하고,
   상기 모니터링 영상들을 분석해 원인 요소를 획득하고,
   상기 원인 요소를 포함한 추가 신고 신호를 생성하고,
   상기 통신 장치(109)를 제어해 상기 추가 신고 신호를 인근 소방 기관에 전송하며,
   상기 제어 장치(101)가 상기 원인 요소를 획득하는 데 있어서,
   상기 제어 장치(101)는
   상기 이상 열 및 상기 이상 연기의 발생 시 상기 모니터링 영상들에 기초하여, 제2 입력을 생성하고,
   상기 제2 입력을 제2 뉴럴 네트워크에 입력하여 제2 출력을 획득하고,
   상기 제2 출력에 기초하여 제1 원인 요소-상기 제1 원인 요소는 상기 이상 열 및 상기 이상 연기의 발생이 차량 사고에 의한 것인지, 감전 사고에 의한 것인지를 포함함-를 획득하고,
   상기 제1 원인 요소에 기초하여 차량 사고에 의한 것으로 판명된 경우, 상기 모니터링 영상 중 상기 이상 열 및 상기 이상 연기의 원인이 된 차량들의 상기 도로 터널 내 진입 시점으로부터 사고 발생 시까지의 동선 내 모든 사고 차량 영상들을 데이터베이스에 추가로 백업하고,
   상기 사고 차량 영상들에 기초하여, 제3 입력을 생성하고,
   상기 제3 입력을 제3 뉴럴 네트워크에 입력하여 제3 출력을 획득하고,
   상기 제3 출력에 기초하여, 원인 차량들의 번호판, 운전자 얼굴 및 차량 속도를 포함한 제2 원인 요소를 획득하고,
   상기 제1 원인 요소 및 제2 원인 요소에 기초하여, 상기 원인 요소를 생성하는
   도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템.
   
2. 제1 항에 있어서,
   제어 장치(101)는
   상기 열화상 카메라(102)들을 제어해 이상 열 발생을 감지하고,
   상기 연기 감지 장치(104)들을 제어해 이상 연기 발생을 감지하고,
   상기 이상 열 및 상기 이상 연기의 발생 시, 최초로 상기 이상 열 및 상기 이상 연기를 감지한 열화상 카메라(102) 및 연기 감지 장치(104)를 제어해 상기 이상 열 및 상기 이상 연기의 발생 위치를 특정하고,
   상기 이상 열 및 상기 이상 연기의 상기 발생 위치 및 크기를 제1 뉴럴 네트워크(201)를 통해 제1 등급(210), 제2 등급(220) 및 제3 등급(230)으로 분류하고,
   상기 제1 등급(210)에 해당하는 경우, 상기 발생 위치 주변 반경 2m의 상기 흡입 장치(106)들과 상기 스프링클러(105)들을 작동시키고,
   상기 제2 등급(220)에 해당하는 경우, 상기 발생 위치 주변 반경 5m의 상기 흡입 장치(106)들과 상기 스프링클러(105)들을 작동시키고, 도로 터널 내 모든 화재 알림 장치(107)들을 제어해 음성 및 점등 신호를 발생시키고,
   상기 제3 등급(230)에 해당하는 경우, 도로 터널 내 모든 상기 흡입 장치(106)들과 상기 스프링클러(105)들을 작동시키고, 도로 터널 내 모든 화재 알림 장치(107)들을 제어해 음성 및 점등 신호를 발생시키고,
   상기 제1 등급(210), 상기 제2 등급(220) 및 상기 제3 등급(230) 모두에서 통신 장치(109)를 제어해 인근 소방 기관에 신고 신호를 송신하고,
   상기 제1 등급(210)은
   상기 이상 열 및 상기 이상 연기의 상기 발생 위치가 한 위치에 국한되고, 상기 발생 위치가 이동하지 않고 있으며, 상기 이상 열 및 상기 이상 연기가 반경 2m의 범위에 국한된 경우이고,
   상기 제2 등급(220)은
   상기 이상 열 및 상기 이상 연기의 상기 발생 위치가 둘 이상의 위치에 존재하며 각각의 상기 발생 위치의 거리가 10m 이내이고, 모든 상기 발생 위치가 이동하지 않거나 상기 이상 열 및 상기 이상 연기가 반경 5m의 범위에 국한된 경우이고,
   상기 제3 등급(230)은
   상기 이상 열 및 상기 이상 연기의 상기 발생 위치가 둘 이상의 위치에 존재하며 각각의 상기 발생 위치의 거리가 10m 이상이거나, 적어도 하나의 상기 발생 위치가 이동하고 있거나, 상기 이상 열 및 상기 이상 연기가 반경 5m의 범위를 넘어선 경우인
   도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템.
   
3. 제2 항에 있어서,
   상기 스프링클러(105)들 및 상기 흡입 장치(106)들은
   상기 발생 위치 주변에서 상기 발생 위치 방향으로 회전하여 작동하고,
   상기 이상 열 및 상기 이상 연기를 분석한 결과로 상기 제어 장치(101)가 생성한 제1 제어 신호에 기초하여, 작동 강도를 조절하고,
   상기 풍향 측정 장치(108)들의 풍향 측정 결과에 기초하여, 상기 제어 장치(101)가 상기 이상 열 및 상기 이상 연기의 이동 여부를 판단해 생성한 제2 제어 신호에 기초하여, 상기 이상 열 및 상기 이상 연기가 이동할 것으로 예상되는 방향의 상기 스프링클러(105)들 및 상기 흡입 장치(106)들이 추가적으로 작동하는
   도로 터널의 화재 감지 및 제연 장치와 이를 위한 시스템.
   

Images