KR102305464B1 - 딥러닝-기반 현장설치 산사태 감지 모듈 - Google Patents
딥러닝-기반 현장설치 산사태 감지 모듈 Download PDFInfo
- Publication number
- KR102305464B1 KR102305464B1 KR1020210061526A KR20210061526A KR102305464B1 KR 102305464 B1 KR102305464 B1 KR 102305464B1 KR 1020210061526 A KR1020210061526 A KR 1020210061526A KR 20210061526 A KR20210061526 A KR 20210061526A KR 102305464 B1 KR102305464 B1 KR 102305464B1
- Authority
- KR
- South Korea
- Prior art keywords
- landslide
- camera
- deep learning
- image
- detection module
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims description 97
- 238000012544 monitoring process Methods 0.000 claims description 41
- 238000010191 image analysis Methods 0.000 claims description 26
- 238000009434 installation Methods 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004078 waterproofing Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 29
- 239000002344 surface layer Substances 0.000 description 12
- 238000004891 communication Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B17/00—Details of cameras or camera bodies; Accessories therefor
- G03B17/02—Bodies
- G03B17/08—Waterproof bodies or housings
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- H04N5/2256—
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- General Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
카메라를 사용하여 비접촉 방식으로 산사태 영상을 수집하여 딥러닝-기반으로 산사태 영상을 분석할 경우, 현장에서 설치 및 해체가 용이하고 사용이 편리하도록 산사태 감지 모듈을 모듈화함으로써, 기존 시스템과 달리 관리자에게 직관적인 정보를 신속히 제공할 수 있고, 이에 따라, 사면붕괴 발생 시 현장조사 시간을 절약하고, 신속하게 대응할 수 있으며, 또한, 카메라 및 적외선 투광기를 사용하여 초저조도 야간 강우 상황에도 산사태 영상을 수집하여 신속하게 산사태 발생을 감지하며, 또한, 분산형 구조를 갖도록 설치됨으로써 대규모 하드웨어 자원이 필요 없이 운영비용을 절감할 수 있는, 딥러닝-기반 현장설치 산사태 감지 모듈이 제공된다.
Description
본 발명은 산사태 감지 모듈에 관한 것으로, 보다 구체적으로, 카메라를 사용하여 비접촉 방식으로 산사태 영상을 수집하여 딥러닝(Deep Learning)-기반으로 산사태 영상을 분석할 수 있도록 현장에서 신속하게 설치가 가능하고, 필요시 간편하게 해체할 수 있도록 모듈화된, 딥러닝-기반 현장설치 산사태 감지 모듈에 관한 것이다.
일반적으로, 산사태는 강우, 지진 및 중력 작용으로 인해 자연사면의 흙과 암석이 한꺼번에 사면 아래로 이동하는 현상을 말하며, 이러한 산사태가 발생할 경우, 사면의 붕괴로 인해 인명피해 및 재산피해가 발생하게 된다. 특히, 국내의 경우, 지형 및 기상학적으로 국토의 대부분이 산지로 형성되어 있기 때문에 산지의 경사가 급하게 형성될 뿐만 아니라 매년 장마와 같은 집중 호우로 인해 지반의 응집력이 약화됨으로써 대규모의 인명 및 재산피해를 일으키는 산사태가 빈번하게 발생되고 있다.
이에 따라, 각종 정부기관 등에서는 산사태를 예방하기 위해 산사태 발생 위험지역을 선정하며, 선정된 지역의 산사태 예방 공사를 실시하여 산사태 발생률을 절감시키거나 또는 산사태로 인해 발생될 수 있는 피해를 최소화하고 있다.
한편, 산사태 감지와 관련된 선행기술로서, 대한민국 등록특허번호 제10-814470호에는 "토석류 산사태 모니터링 시스템 및 방법"이라는 명칭의 발명이 개시되어 있는데, 도 1을 참조하여 설명한다.
도 1은 종래의 기술에 따른 토석류 산사태 모니터링 시스템을 나타내는 구성도이다.
도 1을 참조하면, 종래의 기술에 따른 토석류 산사태 모니터링 시스템은, 계측부(11), 메인 로거부(12), 모니터링 서버(13) 및 산사태 감시 통합 서버(14)로 이루어지고, 여기서, 계측부(11)는 토석류 감지부(11a)와 토석류 거동 관측부(11b) 및 함수비 측정부(11c)를 포함하고, 메인 로거부(12)는 강우량계(12a) 및 비 감지센서(12b)를 포함한다.
토석류 감지부(11a)는 토석류가 발생할 것으로 예상되는 계곡부를 중심으로 소정의 간격을 두면서 횡방향으로 여러 개의 와이어가 설치되기 때문에 직접적으로 토석류의 이동 여부와 토석류에 의한 산사태의 발생 위치를 알 수 있다. 또한, 설치된 토석류 감지부(11a) 사이의 소정의 거리와 각각의 토석류 감지부(11a)에서 측정된 시간을 토대로 속도를 예측할 수 있다. 이때, 토석류 감지부(11a)는 와이어나 광원을 이용할 수 있다.
종래의 기술에 따른 토석류 산사태 모니터링 시스템은, 계측부(11)가 토사층의 이동뿐만 아니라 토석류의 움직임 및 속도를 계측하여 산사태를 보다 신속하고 정확하게 예측 및 감지할 수 있고, 이에 따라, 사전에 산사태 발생을 미리 감지하여 피해를 최소화할 수 있다.
하지만, 종래의 기술에 따른 토석류 산사태 모니터링 시스템은, 토석류의 이동 여부와 토석류에 의한 산사태의 발생위치를 검출하기 위해서 와이어나 광원을 계곡부들 사이에 일일이 설치해야 하기 때문에 설치비용 및 시간이 증가하는 문제점이 있다. 또한, 토석류 감지부(11a)는 토석류가 아래로 이동하는 것만을 감지하는 것이기 때문에 지면이 침하되는 경우, 이를 인지하지 못하여 피해를 줄이지 못하게 된다. 또한, 단순히 토석류 감지부(11a)가 사면의 이동을 감지하여 산사태 여부를 발생하는 것이기 때문에 산사태 발생에 가장 큰 원인들 중 하나인 강우량 및 풍속 등과 같은 환경인자를 고려하지 않고 산사태 발생 여부를 판단함으로써 경보의 정확성이 떨어지게 된다는 문제점이 있다.
전술한 토석류 산사태 모니터링 시스템의 문제점을 해결하기 위한 선행기술로서, 대한민국 등록특허번호 제10-1149916호에는 "산사태 경보시스템"이라는 명칭의 발명이 개시되어 있는데, 도 2를 참조하여 설명한다.
도 2는 종래의 기술에 따른 산사태 경보시스템의 구성도이다.
도 2를 참조하면, 종래의 기술에 따른 산사태 경보시스템은, 산사태 위험지역에 기설정된 촬영지점들을 주기적으로 촬영하여 영상정보를 획득하는 카메라(24a~24n); 산사태 발생에 원인이 되는 환경인자들인 강우량, 풍속 및 조도들을 각각 감지하는 강우량센서(25), 풍속센서(26) 및 조도센서(27); 연결대상들과 통신망(23)으로 연결되어 이들을 관리 및 제어하며, 카메라(24a~24n)로부터 전송받은 영상정보와 센서(25, 26, 27)로부터 전송받은 환경인자 값들을 관제서버(28)로 전송하는 컨트롤러(22); 컨트롤러(22)로부터 주기적으로 영상정보들을 전송받아 저장하며 전송받은 영상정보들과 환경인자 값들을 교차로 통합분석하여 '정상', '주의보' 및 '경보'로 이루어지는 산사태 위험단계를 검출하는 관제서버(28); 산사태 위험지역으로부터 인접한 인근지역에 설치되어 관제서버(28)로부터 경보 및 주의보 데이터를 전송받으면, 이를 인근 주민들에게 통지하는 주민관제센터(29a~29n); 연결대상들간에 데이터가 송수신되는 경로를 제공하는 통신망(23); 및 연결대상들 간에 데이터가 송수신되는 경로를 제공하는 근거리 통신망(21)으로 이루어진다.
종래의 기술에 따른 산사태 경보시스템에 따르면, 강우량, 풍속 및 조도 등과 같은 환경지표와, 산사태 위험단계를 판단할 수 있는 판단물체들이 포함되는 촬영지점들의 촬영으로 인해 획득되는 영상정보들을 교차로 분석하여 해당 지역의 산사태 위험단계를 검출함으로써, 정확도가 우수하며, 검출 오차율이 적고, 관제센터가 '경보' 및 '주의보' 단계를 검출하면 주민관제센터로 이를 통지할 뿐만 아니라 주기적으로 해당 지역의 실시간 영상을 주민관제센터의 관리자에게 전송함으로써 산사태 발생으로 인한 인명피해 및 재산피해를 최소화할 수 있다.
종래의 기술에 따른 산사태 경보시스템의 경우, 강우량 및 풍속 등과 같은 환경인자를 고려하여 산사태 발생 여부를 판단할 수 있지만, 관제서버(28)가 컨트롤러(22)로부터 주기적으로 영상정보들을 전송받아 영상정보들과 환경인자 값들을 교차로 통합분석하여 산사태 위험단계를 검출하는 방식이기 때문에 신속하게 현장에서 산사태에 대응하기 어렵다는 문제점이 있다. 또한, 초저조도 환경 등에 적용하기 어렵다는 한계점이 있고, 특히, 야간 강우 환경에서 이벤트 감지 정확도가 낮아 산사태 이벤트에 대한 오감지율이 높다는 문제점이 있다.
한편, 다른 선행기술로서, 대한민국 등록특허번호 제10-1356686호에는 "산사태 경고 시스템 및 그 방법"이라는 명칭의 발명이 개시되어 있는데, 도 3a 및 도 3b를 참조하여 설명한다.
도 3a는 종래의 기술에 따른 산사태 경고 시스템의 구성도이고, 도 3b는 도 3a에 도시된 산사태 경고 시스템의 설치 예를 나타내는 도면이다.
도 3a를 참조하면, 종래의 기술에 따른 산사태 경고 시스템은, 인공물(30), 카메라(40) 및 제어서버(50)를 포함한다.
인공물(30)은 산사태 위험 지점에 설치되며 고유 펄스신호를 송출하며, 하나 또는 복수 개로 설치될 수 있다. 이러한 인공물(30)이 복수 개인 경우, 각각의 인공물(30)은 서로 다른 지점, 예를 들면, 산 정상이나 산 중턱에 대해 설치될 수 있다.
구체적으로, 인공물(30)은 신호 송출부(31)를 이용하여 자신의 고유 펄스신호를 송출한다. 이러한 고유 펄스신호는 인공물별로 기설정된 주기 또는 패턴을 갖는다. 예를 들면, 펄스의 On 구동 시간과 Off 구동 시간을 달리하면 인공물(30)별로 고유의 펄스신호를 구성할 수 있다. 이러한 고유 펄스신호는 고유한 주기 또는 패턴을 가지므로 주변에 있는 다른 물체에서 보내지는 간섭신호와는 손쉽게 구별될 수 있으며 인공물(30)의 위치 검출 능력을 향상시킨다. 또한, 인공물(30)은 고유 펄스신호의 송출 등에 필요한 전력을 발전부(32)를 통해 자가 생산한다. 이러한 발전부(32)는 필요한 전원을 자체적으로 확보할 수 있다.
카메라(40)는 산사태 위험 지점을 촬영하며, 인공물(30)로부터 송출된 고유 펄스신호를 수신하면, 촬영된 영상에 대하여 수신된 고유 펄스신호에 대응되는 화면 지점에 대해 윈도우 마스크를 적용하여 인공물에 대응되는 영상 이미지를 추출한다.
구체적으로, 카메라(40)는 신호 수신부(41), 영상 촬영부(42), 영상 처리부(243), 저장부(44) 및 전송부(45)를 포함한다. 여기서, 신호 수신부(41)는 인공물(30)로부터 송출된 고유 펄스신호를 수신하며, 영상 촬영부(42)는 산사태 위험지점의 영상을 촬영한다. 또한, 영상 처리부(43)는 촬영된 영상에 대하여 수신된 고유 펄스신호에 대응되는 화면 지점에 대해 윈도우 마스크(Window Mask)를 적용하여 인공물(30) 부분의 영상만을 추출함에 따라 영상에 포함되는 노이즈를 제거하고, 인공물(30) 영역만을 정확히 추출할 수 있다. 이에 따라, 영상 촬영부(42)는 영상 처리부(43)에서 추출된 인공물(30)의 위치 부분을 정확하게 촬영할 수 있다.
이를 위해, 카메라(40)는 인공물(30) 각각에 대하여 인공물(30)의 고유 펄스신호에 대응되는 윈도우 마스크의 화면 지점을 저장부(44) 내에 기저장시키고 있으며, 저장부(44) 내에 저장되는 윈도우 마스크의 화면 지점은 인공물(30)의 초기 위치(reference position)에 대해 미리 설정된 카메라(40)의 윈도우 마스크 지점에 해당된다.
이에 따라, 카메라(40)에 임의의 고유 펄스신호가 수신되면, 그에 대응되는 윈도우 마스크를 화면의 해당 지점에 적용하여 윈도우 마스크 부분을 집중적으로 감시한다. 이에 따라, 인공물(30) 부분을 초기 위치를 기준으로 정확하게 촬영할 수 있다.
또한, 제어부(50)는 수신부(51), 판단부(52) 및 알람부(53)를 포함하며, 인공물(30)에 대해 기촬영된 초기 이미지를 기준으로 카메라(40)로부터 추출된 영상 이미지의 변위를 분석하여 산사태의 위험 여부를 판단한다.
종래의 기술에 따른 산사태 경고 시스템에 따르면, 산사태 우려 지역에 설치된 인공물로부터 송출된 고유펄스신호를 수신하면 산사태 위험지점의 촬영 영상에 대하여 고유 펄스신호에 대응되는 화면 지점에 대해 윈도우 마스크를 적용하여 인공물의 위치 부분을 촬영함에 따라 산사태의 위험 정보를 손쉽고 정확하게 판단할 수 있다.
하지만, 종래의 기술에 따른 산사태 경고 시스템의 경우, 산사태 우려 지역에 별도 설치되는 인공물(30)에 신호 송출부(31) 및 발전부(32)를 설치해야 하며, 또한, 초저조도 환경 등에 적용하기 어렵다는 한계점이 있다.
한편, 다른 선행기술로서, 대한민국 등록특허번호 제10-1810336호에는 "산사태 예경보 서버, 산사태 예경보 방법 및 산사태 예경보 수신 방법"이라는 명칭의 발명이 개시되어 있는데, 도 4a 및 도 4b를 참조하여 설명한다.
도 4a는 종래의 기술에 따른 산사태 예경보 시스템을 설명하기 위한 도면이고, 도 4b는 산사태 예경보 시스템에서 산사태 예경보 서버의 구성도이다.
도 4a를 참조하면, 종래의 기술에 따른 산사태 예경보 시스템은, 산사태 예경보 서버(70), 타겟 사면(81)에 설치된 센서(82), 강우예보자료(83)를 제공하는 서버 및 산사태 예경보를 수신하는 유저 단말(84)을 포함할 수 있다. 유저 단말(84)은 피해예상 지역(85) 내에 위치할 수 있고, 여기서, 피해예상 지역(85)은 타겟 사면(81)에서 발생할 수 있는 산사태로부터 피해가 예상되는 지역을 의미한다. 유저 단말(84)은 피해예상 지역(85)과 무관하거나 피해예상 지역(85) 인근에 위치할 수도 있다.
또한, 도 4a 및 도 4b를 참조하면, 종래의 기술에 따른 산사태 예경보 시스템의 경우, 산사태 예경보 서버(70)는, 산사태 발생을 모니터링하고자 하는 타겟 사면(81)의 강우예보자료를 수신하고, 타겟 사면(81)에 설치된 센서(82)에 의해 측정된 타겟 사면(81)의 기울기를 수신하는 통신부(71); 및 강우예보자료(83) 및 타겟 사면(81)의 특성에 기초하여 타겟 사면(81)의 산사태 위험도를 예보하고, 상기 산사태 위험도 및 기울기에 기초하여 타겟 사면(81)의 돌발 산사태 위험도를 경보하는 프로세서(72); 및 데이터베이스(73)를 포함하여 구성된다.
통신부(71)는 타겟 사면(81)의 시간별 기울기들을 주기적으로 수신하고, 또한, 프로세서(72)는 시간별 기울기들에 기초하여 타겟 사면(81)의 변위를 추정하고, 타겟 사면(81)의 변위에 기초하여 사면 위험도를 생성하고, 생성된 사면 위험도와 산사태 위험도에 각각 가중치들을 적용하여 돌발 산사태 위험도를 생성하여 경보한다.
종래의 기술에 따른 산사태 예경보 시스템에 따르면, 산사태 발생을 모니터링하고자 하는 타겟 사면(81)의 강우예보자료(83)를 수신하고, 타겟 사면(91)에 설치된 센서(82)에 의해 측정된 타겟 사면(81)의 기울기를 수신하고, 강우예보자료(83) 및 타겟 사면(81)의 특성에 기초하여 타겟 사면(81)의 산사태 위험도를 예보하고, 산사태 위험도 및 기울기에 기초하여 타겟 사면의 돌발 산사태 위험도를 경보할 수 있다.
하지만, 종래의 기술에 따른 산사태 예경보 시스템의 경우, 타겟 사면(81)에 센서를 설치하는 접촉식 감시 시스템의 경우, 주기적인 재교정, 노이즈 데이터 필터링, 데이터 분석 교육이 필요하며, 사면붕괴 알람 통보 후 현장을 방문하여 조사해야 하는 한계점을 갖고, 또한, 초저조도 환경 등에 적용하기 어렵다는 한계점이 있다.
또한, 종래의 기술에 따른 카메라를 이용하여 비접촉 방식으로 산사태를 감지하는 모듈의 경우, 대부분 설치 및 해체가 용이하지 않다는 문제점이 있다.
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 카메라를 사용하여 비접촉 방식으로 산사태 영상을 수집하여 딥러닝-기반으로 산사태 영상을 분석할 경우, 현장에서 설치 및 해체가 용이하고 사용이 편리하도록 산사태 감지 모듈을 모듈화하는, 딥러닝-기반 현장설치 산사태 감지 모듈을 제공하기 위한 것이다.
본 발명이 이루고자 하는 다른 기술적 과제는, 카메라 및 적외선 투광기를 사용하여 초저조도 야간 강우 상황에도 산사태 영상을 수집하여 산사태 발생을 감지하며, 분산형 구조를 갖도록 설치할 수 있는, 딥러닝-기반 현장설치 산사태 감지 모듈을 제공하기 위한 것이다.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 딥러닝-기반 산사태 감지 모듈은, 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하는 산사태 감지 모듈에 있어서, 설치 및 해체 가능하도록 산사태 감지 현장에 설치되는 지주; 상기 지주의 상단부에 설치되어 표층붕괴 감시영역을 촬영하는 카메라; 상기 지주 상에 설치되어 초저조도의 야간 악천후 시 상기 카메라에 적외선 조명을 제공하는 적외선 투광기; 상기 카메라의 보호 및 방수를 위해 상기 카메라의 상부에 설치되는 카메라 하우징: 및 상기 지주의 하단부에 결합되고, 상기 지주의 설치 및 해체를 위해 지반에 매립되는 기초부를 포함하되, 상기 적외선 투광기는 초저조도의 야간 악천후 환경에서 상기 카메라에 조명을 제공하도록 최적화된 고성능 적외선 램프이며,
상기 카메라에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공하는 산사태 영상분석 단말이 상기 지주에 설치되고 적어도 하나 이상의 산사태 영상분석 단말로부터 영상정보 및 알람정보를 전송받아 전달하는 게이트웨이가 상기 지주에 설치되고, 상기 산사태 영상분석 단말은 분산형으로 설치되고, CNN 알고리즘에 따른 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용하며, 상기 산사태 영상분석 단말은 CNN 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 산사태 감지 정확도를 확보하되, CNN 알고리즘을 이용한 딥러닝-기반 학습 시, 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 제작하여 적용하는 것을 특징으로 하게 된다.
상기 카메라에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공하는 산사태 영상분석 단말이 상기 지주에 설치되고 적어도 하나 이상의 산사태 영상분석 단말로부터 영상정보 및 알람정보를 전송받아 전달하는 게이트웨이가 상기 지주에 설치되고, 상기 산사태 영상분석 단말은 분산형으로 설치되고, CNN 알고리즘에 따른 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용하며, 상기 산사태 영상분석 단말은 CNN 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 산사태 감지 정확도를 확보하되, CNN 알고리즘을 이용한 딥러닝-기반 학습 시, 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 제작하여 적용하는 것을 특징으로 하게 된다.
삭제
삭제
여기서, 상기 기초부는, 소형 스파이럴 파일이나 케미컬 앵커로 형성되며, 콘크리트 기초부 타설 없이 지지력을 발휘하도록 상기 지반에 형성되는 천공홀에 삽입 고정되고, 상단에 나사산이 형성된 다수의 앵커체; 상기 지주의 하부에 결합되고. 상기 다수의 앵커체 각각이 상부로 노출될 수 있도록 천공홀이 형성된 지주 하부판; 및 상기 다수의 앵커체가 상기 지주 하부판에 체결되도록 상기 다수의 앵커체에 형성된 나사산에 체결되는
삭제
본 발명에 따르면, 카메라를 사용하여 비접촉 방식으로 산사태 영상을 수집하여 딥러닝-기반으로 산사태 영상을 분석할 경우, 현장에서 설치 및 해체가 용이하고 사용이 편리하도록 산사태 감지 모듈을 모듈화함으로써, 기존 시스템과 달리 관리자에게 직관적인 정보를 신속히 제공할 수 있고, 이에 따라, 사면붕괴 발생 시 현장조사 시간을 절약하고, 신속하게 대응할 수 있다.
본 발명에 따르면, 카메라 및 적외선 투광기를 사용하여 초저조도 야간 강우 상황에도 산사태 영상을 수집하여 신속하게 산사태 발생을 감지하며, 또한, 분산형 구조를 갖도록 설치됨으로써 대규모 하드웨어 자원이 필요 없이 운영비용을 절감할 수 있다.
도 1은 종래의 기술에 따른 토석류 산사태 모니터링 시스템을 나타내는 구성도이다.
도 2는 종래의 기술에 따른 산사태 경보시스템의 구성도이다.
도 3a는 종래의 기술에 따른 산사태 경고 시스템의 구성도이고, 도 3b는 도 3a에 도시된 산사태 경고 시스템의 설치 예를 나타내는 도면이다.
도 4a는 종래의 기술에 따른 산사태 예경보 시스템을 설명하기 위한 도면이고, 도 4b는 산사태 예경보 시스템에서 산사태 예경보 서버의 구성도이다.
도 5는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 설치되는 표층붕괴 위험지점 선정 절차를 예시하는 도면이다.
도 6은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 개략적인 구성도이다.
도 8은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템에 적용되는 딥러닝-기반 현장설치 산사태 감지 모듈을 예시하는 도면이다.
도 9는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템에 적용되는 딥러닝-기반 현장설치 산사태 감지 모듈의 다른 예를 나타내는 도면이다.
도 10은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈에 연결되는 게이트웨이를 예시하는 사진이다.
도 11은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 표층 붕괴 전 작동을 예시하는 도면이다.
도 12는 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 표층 붕괴 후 작동을 예시하는 도면이다.
도 13은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈이 현장에 설치된 것을 예시하는 도면이다.
도 2는 종래의 기술에 따른 산사태 경보시스템의 구성도이다.
도 3a는 종래의 기술에 따른 산사태 경고 시스템의 구성도이고, 도 3b는 도 3a에 도시된 산사태 경고 시스템의 설치 예를 나타내는 도면이다.
도 4a는 종래의 기술에 따른 산사태 예경보 시스템을 설명하기 위한 도면이고, 도 4b는 산사태 예경보 시스템에서 산사태 예경보 서버의 구성도이다.
도 5는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 설치되는 표층붕괴 위험지점 선정 절차를 예시하는 도면이다.
도 6은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 개략적인 구성도이다.
도 8은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템에 적용되는 딥러닝-기반 현장설치 산사태 감지 모듈을 예시하는 도면이다.
도 9는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템에 적용되는 딥러닝-기반 현장설치 산사태 감지 모듈의 다른 예를 나타내는 도면이다.
도 10은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈에 연결되는 게이트웨이를 예시하는 사진이다.
도 11은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 표층 붕괴 전 작동을 예시하는 도면이다.
도 12는 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 표층 붕괴 후 작동을 예시하는 도면이다.
도 13은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈이 현장에 설치된 것을 예시하는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하, 도 5 내지 도 7을 참조하여, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈이 적용되는 딥러닝-기반 산사태 분산 감지 시스템을 설명하고, 도 8 내지 도 12를 참조하여 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈을 설명하기로 한다.
[딥러닝-기반 산사태 분산 감지 시스템]
도 5는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 설치되는 표층붕괴 위험지점 선정 절차를 예시하는 도면이다.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템은, 도 5에 도시된 바와 같은 절차에 따라 신속한 설치 및 운용이 가능하도록 표층붕괴 위험지점에 설치되며, 기초자료 조사, 현장조사 및 산사태 발생 가능성 판단 과정을 거쳐 딥러닝-기반 분산형 산사태 감시 시스템을 설치 및 운용하게 된다. 이때, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템은 다수의 현장설치 산사태 감지 모듈, 산사태 영상분석 단말 및 게이트웨이를 설치한다.
구체적으로, 기초자료 조사는 지역별 산사태 위험등급 확인, 지도, 사진, 설계도 확인 및 과거 산사태 발생 유무 확인 등을 포함할 수 있다. 또한, 현장조사는 산사태 예상지역의 도로, 건물 확인, 비탈면 규모 확인, 지반상태 확인, 표층상태 확인, 비탈면 손상상태 확인 및 배수시설과 지하수 상태 확인 등을 포함할 수 있다. 또한, 산사태 발생 가능성 판단 및 기상청 예상강우량 확인 등을 포함할 수 있다.
한편, 도 6은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템을 설명하기 위한 도면이고, 도 7은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 개략적인 구성도이다.
도 6 및 도 7을 참조하면, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템은, 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하여 영상을 분석하는 비접촉식 산사태 감지 시스템으로서, 현장설치 산사태 감지 모듈(100), 산사태 영상분석 단말(200), 게이트웨이(300), 원격 서버(400) 및 관리자 단말(500)을 포함하며, 상기 현장설치 산사태 감지 모듈(100)은 카메라(110), 적외선 투광기(120), 지주 등을 포함한다. 도 6에서, 도면부호 610은 사면붕괴 감시영역을 나타내고, 도면부호 620은 감시 포인트를 나타내며, 도면부호 630은 적외선 투광기 투광영역을 각각 나타낸다.
현장설치 산사태 감지 모듈(100)은 카메라(110), 적외선 투광기(120) 및 지주가 모듈 형태로 설치되어 산사태 감지를 위한 현장에서 설치 및 해체가 가능하며, 상기 카메라(110)를 통해 붕괴위험 사면 표층의 주야간 영상을 제공한다.
여기서, 상기 현장설치 산사태 감지 모듈(100)의 카메라(110)는 붕괴위험 사면 표층의 주야간 영상을 제공하며, 상기 카메라(110)는 IP(Internet Protocol) 카메라일 수 있지만, 이에 국한되는 것은 아니다. 또한, 상기 현장설치 산사태 감지 모듈(100)의 적외선 투광기(120)는 초저조도인 야간 악천후 환경에서 상기 카메라(110)에 조명을 제공하는 최적화된 고성능 적외선 램프일 수 있다.
또한, 상기 현장설치 산사태 감지 모듈(100)은, 후술하는 바와 같이, 설치 및 해체가 용이한 현장 부품을 모듈화하여 설치되며, 예를 들면, 고강도 경량형강 지주 및 각종 부품과 모듈화된 IP 카메라, 적외선 투광기, 라우터, 허브스위치, PC 및 전원공급장치 등을 설치할 수 있고, 이에 따라, 상기 현장설치 산사태 감지 모듈(100)은 신속하게 현장에 구축할 수 있다.
산사태 영상분석 단말(200)은 상기 현장설치 산사태 감지 모듈(100)의 지주에 설치되며, 상기 카메라(110)에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공한다. 또한, 상기 산사태 영상분석 단말(200)은 카메라(110)로부터 촬영된 영상으로부터 표층붕괴를 유형별로 감지할 수 있는 기능뿐만 아니라 표층의 진동을 감지할 수 있다. 이때, 다수의 IP 카메라(110)에서 전달되는 영상정보는 동시에 분석되면서 표층붕괴 발생 시 게이트웨이(300)에 알람 정보와 영상정보를 전송하게 된다.
이에 따라, 상기 산사태 영상분석 단말(200)은 감시영역 설정, 감시대상 학습, 표층붕괴 분석, 표층진동 분석, 이벤트 알람, 원격 연결/제어 및 원격 전원 온/오프 기능을 제공할 수 있다. 또한, 상기 산사태 영상분석 단말(200)은 CNN(Convolution Neural Network) 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 현장감시에 필요한 수준의 산사태 감지 정확도를 확보하되, 상기 CNN 학습(CNN 알고리즘을 이용한 딥러닝-기반 학습) 시 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 추가로 제작하여 적용할 수 있다.
또한, 상기 산사태 영상분석 단말(200)은 분산형으로 설치되고, 상기 CNN 알고리즘에 따른 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용할 수 있다.
게이트웨이(300)는 적어도 하나 이상의 산사태 영상분석 단말(200)로부터 영상정보 및 알람정보를 전송받아 전달한다. 구체적으로, 상기 게이트웨이(300)는 상기 산사태 영상분석 단말(200)로부터 알람 정보를 수신한 후, 내장된 LTE 모뎀을 이용하여 사전에 등록된 관리자 단말(500)에게 SMS 알람문자를 전송하고, 또한, 상기 영상정보는 상기 게이트웨이(300)에 내장된 미니 웹 서버에 이벤트 로그 기록과 함께 저장될 수 있다. 다시 말하면, 상기 게이트웨이(300)는 LTE(Long Term Evolution) 모뎀, 미니 웹 서버, 허브스위치, 라우터 등이 내장될 수 있지만, 이에 국한되는 것은 아니다.
관리자 단말(500)은 상기 게이트웨이(300)와 통신이 가능한 유선 또는 무선 단말로서 상기 게이트웨이(300)를 통해 전달되는 SMS 알람문자를 수신하면서 상기 게이트웨이(300)의 미니 웹 서버에 접속할 수 있는 링크주소를 함께 전송받는다. 또한, 상기 관리자 단말(500)은 상기 게이트웨이(300)의 미니 웹 서버에 접속한 후, 표층붕괴 정보와 이미지를 확인할 수 있다. 또한, 필요한 경우, 상기 관리자 단말(500)은 상기 게이트웨이(300)를 통해 역으로 상기 현장설치 산사태 감지 모듈(100)의 IP 카메라(110)에 접속하여 스트리밍을 통해 현장 상황을 실시간 확인할 수도 있다.
또한, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 여러 지역에 걸쳐 분산 설치되는 경우, 각각의 현장에 설치되는 상기 게이트웨이(300)의 링크주소를 통합 관리하는 원격 서버(400)로 구축될 수 있으며, 예를 들면, 상기 원격 서버(400)는 클라우드 서버 또는 개인용 서버일 수 있다. 이를 통해 원격 서버(400)가 간편하게 다수의 산사태 위험지역 현장을 관리할 수 있다. 즉, 상기 원격 서버(400)는 다수의 산사태 위험지역 현장 각각에 설치된 게이트웨이(300)와 연결되어 다수의 산사태 위험지역 현장을 관리하고, 예기치 않은 시스템의 셧다운에 대한 대응을 위해서 상기 산사태 영상분석 단말(200)과 게이트웨이(300)에 대한 원격 전원 온/오프 기능을 제공한다.
[딥러닝-기반 현장설치 산사태 감지 모듈(100)]
도 8은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈을 예시하는 도면으로서, 도 8의 a)는 현장설치 산사태 감지 모듈의 구성도이고, 도 8의 b)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 평면도이며, 도 8의 c)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 단면도이다.
도 8의 a)를 참조하면, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)은, 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하는 산사태 감지 모듈로서, 카메라(110), 적외선 투광기(120), 지주(130), 카메라 하우징(140) 및 기초부(150)를 포함하여 구성되지만, 이에 국한되는 것은 아니다.
카메라(110)는 지주(130)의 상단부에 설치되어 표층붕괴 감시영역을 촬영하며, 예를 들면, 지주(130)의 상단에 설치되는 IP 카메라일 수 있고, 구체적으로, 딥러닝-기반 산사태 감지를 위해 IP 카메라(110)를 통해 영상이 수집되는데, 예를 들면, 상기 카메라(110)를 구성하는 렌즈의 포맷 크기(format size)와 초점거리(focal length)를 각각 8㎜로 설정하고, 상기 카메라(110)를 감시대상인 감시 포인트(620)로부터 약 30m 정도 이격시켜 설치하면 250㎡ 정도의 면적을 1대의 카메라(110)로 감시할 수 있다. 이에 따라, 감시대상 면적이 2,000㎡인 경우는 8대의 카메라(110) 설치가 필요하다. 이때, 카메라 하우징(140)이 상기 카메라(110)의 보호 및 방수를 위해 상기 카메라(110)의 상부에 설치될 수 있다.
적외선 투광기(120)는 상기 지주(130) 상에 설치되어 초저조도의 야간 악천후 시 상기 카메라(110)에 적외선 조명을 제공하며, 예를 들면, 야간 악천후의 초저조도 환경에서도 상기 카메라(110)가 영상을 촬영할 수 있도록 도와주는 고성능 적외선 램프로서, 이에 따라, 야간 악천후의 경우는 근적외선의 흑백영상이 산사태 영상분석 단말(200)에게 전달된다.
지주(130)는 설치 및 해체 가능하도록 산사태 감지 현장에 설치되고, 고강도의 구조용 경량형강으로 제작되고, 상기 카메라(110)가 상단에 설치되고, 상기 적외선 투광기(120)가 상기 카메라(110)의 하부에 설치되며, 또한, 상기 지주(130)의 중앙부에 상기 산사태 영상분석 단말(200)이 장착될 수 있다. 특히, 상기 지주(130)는 현장에 장기간 방치되어야 하기 때문에 부식 등으로 인한 유지관리가 불필요하도록 방식 기능을 갖는 고강도 구조용 경량형강으로 제작되는 것이 바람직하다.
카메라 하우징(140)은 상기 카메라(110)의 보호 및 방수를 위해 상기 카메라(110)의 상부에 설치된다.
기초부(150)는 상기 지주(130)의 하단부에 결합되고, 상기 지주(130)의 설치 및 해체를 위해 지반에 매립되며, 예를 들면, 상기 지주(130)의 하부에 결합되어 지반에 매립되도록 설치된다. 구체적으로, 도 8의 b) 및 c)에 도시된 바와 같이, 상기 현장설치 산사태 감지 모듈의 기초부(150)는 사각박스틀(151), 볼트 머리부(152), 볼트 축부(153), 지주 하부판(154) 및 체결너트(155)를 포함할 수 있지만, 이에 국한되는 것은 아니다.
사각박스틀(151)은 지반 상에 매립되고, 다수의 천공홀이 형성된다.
볼트 머리부(152)는 상기 지반에 매립되도록 상기 사각박스틀(151) 하부에 배치된다. 이때, 상기 볼트 머리부(152)는 상기 사각박스틀(151) 하면은 레벨을 맞추어 설치된다.
볼트 축부(153)는 상기 사각박스틀(151)에 형성된 다수의 천공홀을 통해 각각 상기 볼트 머리부(152)로부터 상부로 연장되도록 형성되고, 상단에 나사산이 형성된다.
지주 하부판(154)은 상기 지주(130)의 하부에 결합되고 상기 사각박스틀(151) 내에 안착되며, 상기 다수의 볼트 축부(153) 각각이 상부로 노출될 수 있도록 천공홀이 형성된다.
체결너트(155)는 상기 볼트 축부(153)에 형성된 나사산에 체결된다.
본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 상기 카메라(110)에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공하는 산사태 영상분석 단말(200)이 상기 지주(130)에 부착 설치되며, 또한, 적어도 하나 이상의 산사태 영상분석 단말(200)로부터 영상정보 및 알람정보를 전송받아 전달하는 게이트웨이(300)가 다수의 딥러닝-기반 현장설치 산사태 감지 모듈(100) 중에서 어느 하나의 지주(130)에 설치될 수 있다.
구체적으로, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 카메라(110)가 상단에 설치되는 지주(130)가 지반에 매립되는 사각박스틀(151)의 중앙 내부로 결합되고, 상기 사각박스틀(151)은 천공홀이 다수 형성되어 내부에 볼트 머리부가 접하도록 세팅되며, 또한, 상기 볼트 머리부로부터 연장되는 볼트 축부가 천공홀에 삽입되어 사각박스틀(151) 내부로부터 외부로 돌출된다.
또한, 경량형강 지주(130)와 기초부(150)가 설치되면 카메라(110), 카메라 하우징(140) 및 고성능 적외선 램프인 적외선 투광기(120) 등이 고강도 구조용 경량형강인 지주(130)에 부착되며, 또한, 산사태 영상분석 단말(200) 및 게이트웨이(300)가 상기 지주(130)에 부착되도록 설치된다. 이때, 상기 지주(130), 기초부(150), 카메라 하우징(140) 등이 모듈화되어 있으므로 설치 과정에서 발생되는 불필요한 시간 소모를 최소화할 수 있다. 이에 따라, 현장 작업자는 각 구성품을 미리 마킹된 위치에 부착 및 체결만 하면 되므로 신속하게 딥러닝-기반 현장설치 산사태 감지 모듈(100)을 설치할 수 있고, 해체도 신속하게 진행할 수 있다.
한편, 도 9는 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 다른 예를 나타내는 도면으로서, 도 9의 a)는 현장설치 산사태 감지 모듈의 구성도이고, 도 9의 b)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 평면도이며, 도 9의 c)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 단면도이다.
도 9의 b) 및 c)에 도시된 바와 같이, 기초부(150)는, 다수의 앵커체(156), 지주 하부판(157) 및 체결너트(158)를 포함할 수 있다.
다수의 앵커체(156)는 소형 스파이럴 파일이나 케미컬 앵커로 형성되며, 도 9의 c)에 도시된 바와 같이, 콘크리트 기초부 타설 없이 지지력을 발휘하도록 상기 지반에 형성되는 천공홀(h)에 삽입 고정되고, 상단에 나사산이 형성된다.
지주 하부판(157)은 상기 지주(130)의 하부에 결합되고. 상기 다수의 앵커체(156) 각각이 상부로 노출될 수 있도록 천공홀이 형성된다.
체결너트(158)는 상기 다수의 앵커체(156)가 상기 지주 하부판(157)에 체결되도록 상기 다수의 앵커체(156)에 형성된 나사산에 체결된다.
한편, 도 10은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈에 연결되는 게이트웨이를 예시하는 사진이다.
본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈에 연결되는 게이트웨이(300)는 사물인터넷(IoT) 게이트웨이로 구현될 수 있고, 도 10에 도시된 바와 같이, ARM(Advanced RISC Machines Ltd.) CPU(Central Processing Unit) 모듈을 중심으로 하여 현장설치 산사태 감지 모듈(100)과의 연동 또는 시설물 제어를 위한 다양한 입출력 포트와 다양한 외부장비 등과 통신하기 위한 통신포트를 내장하고 있다. 이때, 상기 게이트웨이(300)는 사용자 또는 관리자의 조작 편이성을 위하여 LCD(Liquid Crystal Display) 및 키패드, RTC(Real Time Clock) 등을 내장할 수 있지만, 이에 국한되는 것은 아니다.
이러한 게이트웨이(300)는 초기 시작 시, 장치 및 네트워크를 초기화하고 자체 센서 인터페이스로부터 센서 값을 주기적 또는 실시간으로 수집한다. 또한, 상기 게이트웨이(300)는 웹 명령 인터페이스로부터 명령을 수신받아 지정된 전원 출력을 제어하며 상태 값을 웹 인터페이스에게 전달한다.
또한, 상기 게이트웨이(300)는 상기 산사태 영상분석 단말(200)로부터 요청을 받아서 관리자 단말(500)에게 긴급 이벤트 상황을 알리는 문자 메시지를 전달하며, 요청 시의 이미지를 상기 산사태 영상분석 단말(200)로부터 읽어 와서 향후 관리자가 임베디드 웹에 접속하여 이벤트 발생 시의 이미지를 확인할 수 있다.
한편, 도 11은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 표층 붕괴 전 작동을 예시하는 도면이다.
본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)은, 도 11에 도시된 바와 같이, 야간 악천후에 산사태 위험이 높은 지역에 설치될 수 있다. 또한, 표층붕괴 위험이 높은 지역은 가로등이 설치되지 않아 인공조명이 없는 경우가 대부분이며, 특히, 야간 악천후의 경우는 초저조도 환경으로서 육안으로는 수 m 전방의 물체도 식별하기 어렵게 된다. 이때, 기존의 실외용 카메라의 경우에도 적외선 램프가 내장되어 있지만, 이러한 적외선 램프는 출력이 적기 때문에 초저조도 환경하에서는 영상감시가 어려운 것이 현실이다.
이에 따라, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 최적화된 고성능 적외선 램프인 적외선 투광기(120)를 이용하여 야간 악천후, 초저조도 환경 하에서 산사태 영상감시 문제를 해결할 수 있다.
구체적으로, 감시 카메라(110)의 촬영범위는 적외선 투광기(120)의 투광범위 보다 좁게 되며, 이때, 감시폭과 감시높이는 카메라(110)의 화상소자(CCD)의 크기와 초점거리에 따라 달라지게 된다. 예를 들면, 1/3인치, 8㎜ 블릿형(Bullet Type) 카메라를 8대 사용할 경우, 15~30m 감시거리에서 폭 15~60m 및 높이 50m 사면에 대한 감시가 가능하다. 이때, 사용자는 카메라 영상을 확인한 후, 감시영역을 설정하고, 위험도가 높은 지점에 추가적으로 감시 포인트를 설정할 수 있다. 여기서, 상기 감시 포인트는 적어도 하나 이상 설정할 수 있다.
도 11은 감시대상이 도로사면을 반대편에서 감시하는 예를 보여주고 있지만, 필요에 따라 붕괴가 예상되는 도로사면 측면에 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈을 설치하여 측면에서 관찰하는 형태로도 사용할 수 있다.
한편, 도 12는 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 표층 붕괴 후 작동을 예시하는 도면이다.
도 12에 도시된 바와 같이, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 경우, 표층붕괴가 시작되면, 상기 딥러닝-기반 현장설치 산사태 감지 모듈(100)에 연결되는 산사태 영상분석 단말(200)이 이를 감지하여 붕괴유형을 분류한 후, 상기 관리자 단말(500)에게 신속하게 SMS 알람을 통보할 수 있다.
이에 따라, 상기 관리자 단말(500)은 SMS 알람 정보를 수신한 후, 표층 탈락, 활동, 전도, 퍼짐, 유동 여부를 바로 확인할 수 있다. 또한, 산사태 영상분석 단말(200)의 설정 상태에 따라 표층의 이상 진동에 대한 SMS 알람도 전송받을 수 있다. 이와 같이 표층붕괴 알람을 수신한 후에 상기 관리자 단말(500)은 현장에 설치된 게이트웨이(300)를 통해 현장의 IP 카메라(110)에 접속하여 실시간으로 현장상황을 확인할 수 있고, 또한, 여러 관계자들도 현장을 확인하면서 신속하게 대책을 수립할 수 있다.
결국, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 경우, 야간 악천후에도 현장을 신속하게 영상으로 확인할 수 있기 때문에 상황 전파 및 사고 대응 시간을 줄일 수 있다.
한편, 도 13은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈이 현장에 설치된 것을 예시하는 도면이다.
도 13에 도시된 바와 같이, 표층붕괴 위험이 높은 지역에서 신속하고 저렴한 비용으로 감시 포인트를 확보해야 하며, 이에 따라, 고정식이 아닌 신속한 설치 및 해체가 가능한 이동식으로 딥러닝-기반 현장설치 산사태 감지 모듈(100)을 구현할 수 있다.
구체적으로, 전술한 바와 같이, 소형 볼트 결합이 가능한 고강도 구조용 경량형강을 사용하여 감시용 지주를 구성할 수 있고, 또한, 앵커체에 의한 고강도 구조용 경량형강을 사용하여 감시용 지주를 구성할 수 있다. 이때, 지주(130)를 형성하는 구조용 경량형강은 가볍기 때문에 인력운반이 용이하며, 또한, 기존의 크레인 사용이나 교통통제 작업 없이, 간단히 조립만으로 지주를 구성할 수 있다.
또한, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 상기 지주(130)의 하부구조에 연결되는 기초부(150)는, 도 8에 도시된 바와 같이 사각박스틀과 소형 볼트 접합을 통해 연결하는 구조 이외에도, 도 9에 도시된 바와 같이, 간단한 바닥 고르기 작업을 수행한 후, 지주 하부판을 소형 스파이럴 파일이나 케미컬 앵커와 같은 앵커체를 이용하여 지반에 고정함으로써, 콘크리트 기초부 타설 없이도 충분한 지지력을 발휘할 수도 있다. 특히, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)을 경량으로 구현할 수 있으므로 지반조건이 암반이 아닌 경우 지주 설치 및 해체 시간을 단축할 수 있다.
결국, 본 발명의 실시예에 따르면, 설치가 용이하고, 사용이 편리하기 때문에, 기존 시스템과 달리 관리자에게 직관적인 정보를 신속히 제공할 수 있는 장점을 가지고 있다. 이러한 장점은 사면붕괴 발생 시 현장조사 시간을 절약하고, 신속한 대응을 가능하게 한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 현장설치 산사태 감지 모듈 200: 산사태 영상분석 단말
300: 게이트웨이 400: 원격 서버
500: 관리자 단말 110: 카메라
120: 적외선 투광기 130: 지주
140: 카메라 하우징 150: 기초부
151: 사각박스틀 152: 볼트 머리부
153: 볼트 축부 154: 지주 하부판
155: 체결너트 156: 앵커체
157: 지주 하부판 158: 체결너트
610: 사면붕괴 감시영역 620: 감시 포인트
630: 적외선 투광기 투광영역
300: 게이트웨이 400: 원격 서버
500: 관리자 단말 110: 카메라
120: 적외선 투광기 130: 지주
140: 카메라 하우징 150: 기초부
151: 사각박스틀 152: 볼트 머리부
153: 볼트 축부 154: 지주 하부판
155: 체결너트 156: 앵커체
157: 지주 하부판 158: 체결너트
610: 사면붕괴 감시영역 620: 감시 포인트
630: 적외선 투광기 투광영역
Claims (5)
- 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하는 산사태 감지 모듈에 있어서,
설치 및 해체 가능하도록 산사태 감지 현장에 설치되는 지주(130);
상기 지주(130)의 상단부에 설치되어 표층붕괴 감시영역을 촬영하는 카메라(110);
상기 지주(130) 상에 설치되어 초저조도의 야간 악천후 시 상기 카메라(110)에 적외선 조명을 제공하는 적외선 투광기(120);
상기 카메라(110)의 보호 및 방수를 위해 상기 카메라(110)의 상부에 설치되는 카메라 하우징(140): 및
상기 지주(130)의 하단부에 결합되고, 상기 지주(130)의 설치 및 해체를 위해 지반에 매립되는 기초부(150)를 포함하되,
상기 적외선 투광기(120)는 초저조도의 야간 악천후 환경에서 상기 카메라(110)에 조명을 제공하도록 최적화된 고성능 적외선 램프이며,
상기 카메라(110)에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공하는 산사태 영상분석 단말(200)이 상기 지주(130)에 설치되고 적어도 하나 이상의 산사태 영상분석 단말(200)로부터 영상정보 및 알람정보를 전송받아 전달하는 게이트웨이(300)가 상기 지주(130)에 설치되고,
상기 산사태 영상분석 단말(200)은 분산형으로 설치되고, CNN 알고리즘에 따른 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용하며, 상기 산사태 영상분석 단말(200)은 CNN 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 산사태 감지 정확도를 확보하되, CNN 알고리즘을 이용한 딥러닝-기반 학습 시, 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 제작하여 적용하는 것을 특징으로 하는
딥러닝-기반 현장설치 산사태 감지 모듈. - 삭제
- 삭제
- 제1항에 있어서, 상기 기초부(150)는,
소형 스파이럴 파일이나 케미컬 앵커로 형성되며, 콘크리트 기초부 타설 없이 지지력을 발휘하도록 상기 지반에 형성되는 천공홀(h)에 삽입 고정되고, 상단에 나사산이 형성된 다수의 앵커체(156);
상기 지주(130)의 하부에 결합되고. 상기 다수의 앵커체(156) 각각이 상부로 노출될 수 있도록 천공홀이 형성된 지주 하부판(157); 및
상기 다수의 앵커체(156)가 상기 지주 하부판(157)에 체결되도록 상기 다수의 앵커체(156)에 형성된 나사산에 체결되는 체결너트(158)를 포함하는 딥러닝-기반 현장설치 산사태 감지 모듈. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210061526A KR102305464B1 (ko) | 2021-05-12 | 2021-05-12 | 딥러닝-기반 현장설치 산사태 감지 모듈 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210061526A KR102305464B1 (ko) | 2021-05-12 | 2021-05-12 | 딥러닝-기반 현장설치 산사태 감지 모듈 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102305464B1 true KR102305464B1 (ko) | 2021-09-30 |
Family
ID=77920488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210061526A KR102305464B1 (ko) | 2021-05-12 | 2021-05-12 | 딥러닝-기반 현장설치 산사태 감지 모듈 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102305464B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102564707B1 (ko) * | 2023-03-27 | 2023-08-08 | 주식회사 건설방재기술연구원 | 콘크리트 구조물의 균열폭 측정 시스템 및 그 측정방법 |
| CN118506526A (zh) * | 2024-07-17 | 2024-08-16 | 中国地质调查局烟台海岸带地质调查中心 | 一种用于山体滑坡的地质灾害预警装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100814470B1 (ko) | 2007-08-10 | 2008-03-17 | (주)바이텍코리아 | 토석류 산사태 모니터링 시스템 및 방법 |
| KR20090059185A (ko) * | 2007-12-06 | 2009-06-11 | 주식회사 온텍콤 | 적외선 투광기 |
| KR101130791B1 (ko) * | 2011-10-07 | 2012-03-28 | 주식회사 자연에너지 | 지형상태 감시시스템 |
| KR101149916B1 (ko) | 2011-08-16 | 2012-05-30 | (주)인펙비전 | 산사태 경보시스템 |
| KR101356686B1 (ko) | 2012-07-24 | 2014-02-03 | 숭실대학교산학협력단 | 산사태 경고 시스템 및 그 방법 |
| KR101810336B1 (ko) | 2016-11-11 | 2017-12-18 | 서울대학교산학협력단 | 산사태 예경보 서버, 산사태 예경보 방법 및 산사태 예경보 수신 방법 |
| KR20180137238A (ko) * | 2017-06-16 | 2018-12-27 | 한국철도기술연구원 | 지표면 가속도 및 경사변화를 이용한 비탈면 붕괴 및 활동면 추정 방법 및 장치 |
| KR102139987B1 (ko) | 2019-11-02 | 2020-07-31 | 씨티씨 주식회사 | 진동 합성 영상정보를 이용한 급경사지 위험 감시 방법 |
| KR102140606B1 (ko) | 2019-11-02 | 2020-08-03 | 씨티씨 주식회사 | 가상공간을 이용한 영상정보 기반 급경사지 위험 감시 방법 |
-
2021
- 2021-05-12 KR KR1020210061526A patent/KR102305464B1/ko active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100814470B1 (ko) | 2007-08-10 | 2008-03-17 | (주)바이텍코리아 | 토석류 산사태 모니터링 시스템 및 방법 |
| KR20090059185A (ko) * | 2007-12-06 | 2009-06-11 | 주식회사 온텍콤 | 적외선 투광기 |
| KR101149916B1 (ko) | 2011-08-16 | 2012-05-30 | (주)인펙비전 | 산사태 경보시스템 |
| KR101130791B1 (ko) * | 2011-10-07 | 2012-03-28 | 주식회사 자연에너지 | 지형상태 감시시스템 |
| KR101356686B1 (ko) | 2012-07-24 | 2014-02-03 | 숭실대학교산학협력단 | 산사태 경고 시스템 및 그 방법 |
| KR101810336B1 (ko) | 2016-11-11 | 2017-12-18 | 서울대학교산학협력단 | 산사태 예경보 서버, 산사태 예경보 방법 및 산사태 예경보 수신 방법 |
| KR20180137238A (ko) * | 2017-06-16 | 2018-12-27 | 한국철도기술연구원 | 지표면 가속도 및 경사변화를 이용한 비탈면 붕괴 및 활동면 추정 방법 및 장치 |
| KR102139987B1 (ko) | 2019-11-02 | 2020-07-31 | 씨티씨 주식회사 | 진동 합성 영상정보를 이용한 급경사지 위험 감시 방법 |
| KR102140606B1 (ko) | 2019-11-02 | 2020-08-03 | 씨티씨 주식회사 | 가상공간을 이용한 영상정보 기반 급경사지 위험 감시 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102564707B1 (ko) * | 2023-03-27 | 2023-08-08 | 주식회사 건설방재기술연구원 | 콘크리트 구조물의 균열폭 측정 시스템 및 그 측정방법 |
| CN118506526A (zh) * | 2024-07-17 | 2024-08-16 | 中国地质调查局烟台海岸带地质调查中心 | 一种用于山体滑坡的地质灾害预警装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102305468B1 (ko) | 딥러닝-기반 산사태 분산 감지 시스템 | |
| KR102305467B1 (ko) | 딥러닝-기반 산사태 분산 감지 방법 | |
| KR102124546B1 (ko) | 비탈면 경보 장치와 연동된 낙석과 토석 대책 시설의 관리 및 경보 시스템 및 방법 | |
| KR102305464B1 (ko) | 딥러닝-기반 현장설치 산사태 감지 모듈 | |
| KR101008251B1 (ko) | 무선 센서 네트워크를 이용한 토목구조물의 원격 자동 계측 방법 및 그 시스템 | |
| CN102938179A (zh) | 周界防护系统和周界防护方法 | |
| KR101149916B1 (ko) | 산사태 경보시스템 | |
| KR20170033103A (ko) | 도로침수 모니터링 시스템 및 그 방법 | |
| KR102494010B1 (ko) | 케이블 보도교의 감시 시스템 | |
| KR101391388B1 (ko) | 차량 통행 제한장치 및 이에 설치되는 태양광 재난 감시시스템 | |
| KR20220025390A (ko) | 경사지의 붕괴 예경보 시스템 및 그 경사지의 보강방법 | |
| KR20160104948A (ko) | 게릴라 센서 및 이를 이용한 실시간 모니터링 시스템 | |
| KR102247240B1 (ko) | 비탈면 실시간 무인 감시 시스템 | |
| KR20160038596A (ko) | 도로상 또는 지하에서 발생하는 위험에 대비하는 방법 | |
| CN107525558A (zh) | 一种基于云平台的桥下积水在线监测系统及其监测方法 | |
| KR102241419B1 (ko) | 지능형 원격단말장치를 이용한 사물인터넷 기반의 교량 자율 점검 및 운영 관리 시스템 | |
| CN102169192B (zh) | 使用光传感器的无接触落石检测装置 | |
| KR102345859B1 (ko) | 빅데이터 기반 지능형 문화재 안전관리 시스템 | |
| KR101130791B1 (ko) | 지형상태 감시시스템 | |
| CN106875623A (zh) | 国土资源监控方法 | |
| KR20170004206A (ko) | 대상물 위험 알림 시스템 | |
| CN106774080A (zh) | 国土资源监控系统 | |
| CN102121999A (zh) | 使用光传感器的无接触落石检测方法 | |
| KR101513227B1 (ko) | 비탈면, 댐, 제방 및 교량의 변위 측정을 위한 변위측정 센서모듈 및 이를 이용한 시스템 | |
| Kapoor et al. | Real time monitoring & alert system for landslide |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |