KR102317186B1

KR102317186B1 - 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램

Info

Publication number: KR102317186B1
Application number: KR1020200123738A
Authority: KR
Inventors: 우제학
Original assignee: (주)플레이오니
Priority date: 2020-09-24
Filing date: 2020-09-24
Publication date: 2021-10-26

Abstract

레이다의 취약지역을 자동 검출하여 표시하는 방법으로서, 레이다 감시대상 지역 전체를 가로 세로로 표시 셀로 구획하는 구획단계; 각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 데이터 수집단계; 과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 AI 예측모델을 학습하는, 예측 준비단계; 각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 데이터 예측단계; 각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀이 취약시간대인지 판정하는 취약시간대 판정단계; 및 레이다 콘솔에 취약시간대로 판정된 표시 셀을 취약상태로 표시하는 취약상태 표시단계;가 포함되어 이루어짐을 특징으로 하는, 레이다 취약지역 자동검출 및 표시 방법이 제공된다.

Description

레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램 {AUTO DETECTION AND DISPLAY METHOD, APPARATUS AND PROGRAM OF VULNERABLE AREA OF RADAR}

본 발명은, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램에 관한 것으로서, 보다 상세히는, 레이다 콘솔에 나타나는 전체 지역 중 현 시점의 취약지역을 통계 또는 딥러닝 기반으로 표시함으로써, 감시 집중도를 향상시키는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램에 관한 것이다.

일반적으로, 항만 관리를 위한 2D 레이다가 알려져 있다. 이 레이다는, 기본적으로 해상에 존재하는 모든 선박들을 탐지하고 추적하는 것이 그 기본 목적이다.

이 레이다는, AIS(Automatic Identification System)나 V-PASS(선박 패스) 정보를 받아서, 각 선박들을 식별한다. 이때, 식별되지 않은 선박들이 미확인 선박이고, 이들이 레이다 상에 나타나는 경우에는, 특히 감시를 강화할 필요가 있다.

이 레이다의 운용에 있어서, 레이다의 전체 감시지역 범위 중에서도 특별히 감시 안전에 문제가 있고 사건사고 가능성이 높은 취약지역이 존재한다. 이런 취약지역에 대해서는, 보다 감시의 강화가 요망된다.

한편, 시간적으로도 레이다의 전체 운전시간 범위 중에서도 특별히 감시 안전에 문제가 있고 사건사고 가능성이 높은 취약시간이 존재한다. 이런 취약시간에 대해서도, 보다 감시의 강화가 요망된다.

종래에, '레이다 센서로부터 탐지된 물체의 위치 정보를 수신하면, 상기 물체의 위치 정보를 기초로 카메라의 감시 방향을 설정하는 제어부; 및 상기 레이다 센서로부터 상기 물체의 침입을 알리는 알람 신호를 수신하면, 상기 카메라로부터 수신한 상기 물체의 감시 영상을 저장하는 저장부;를 포함하는 레이다 연동 영상 저장 및 검색 장치'가 개시되어 있다.

특허공개 10-2013-0040697 공보

상기 특허문헌의 기술은, 탐지된 물체 쪽으로 카메라를 돌리고, 알람을 수신하면 카메라 영상을 저장한다는 기술이다. 따라서, 본 발명과 같은, 레이다 운용에 있어서의 취약지역이나 취약시간에 관한 기술과 관련된 것은 아니다.

레이다 운용에 있어서의 이러한 취약지역은 기본적으로, 여러가지 이유, 예컨대 물골, 암초 등으로 인해 선박들의 운행이 빈번하지 않은 해역을 의미한다. 또한, 미확인 선박들의 운행이 상대적으로 많은 곳도 취약지역으로 볼 수 있다. 레이다 사각지대도 취약지역이기는 하지만, 이 경우는 고정돼 있는 취약지역이다.

그런데, 이런 취약지역 개념은, 고정적인 개념이 아니고, 예컨대 시간대나 요일 또는 계절에 따라 변화될 수 있으므로, 시간을 함수로 하여 달라지는 시변적 개념이다. 어떤 취약지역이 아침에는 취약도가 높지만, 대낮에는 취약도가 낮을 수 있다. 따라서, 취약지역은 취약시간과 결합하여 고찰함으로써 그 의미가 분명해질 수 있다.

레이다 운용에 있어서의 취약시간은, 전체 선박의 운행이 특별히 줄어들거나 미확인 선박의 출현빈도가 늘어나는 시간대를 의미한다. 예컨대, 일반적으로 선박의 운행이 낮에는 많고 밤에는 적으므로, 밤이 취약시간대이다. 또한, 미확인 선박이 유독 주말에 출현하는 경우가 많다면, 주말이 취약시간대이다.

이 취약시간 개념도 고정적인 개념이 아니고, 공간을 함수로 하여 달라지는 공간변화적 개념이다. 즉, 야간이 취약시간이라고 하더라도, 해안가 항구 부근은 취약도가 낮고, 방파제 뒤쪽 부근은 취약도가 높을 수 있다. 따라서, 취약시간도 취약지역과 결합하여 고찰함으로써 그 의미가 분명해질 수 있다.

예컨대, 미확인 선박들이 취약지역에서 발견되고, 현재 시점이 취약시간에 속한다면, 해당 미확인 선박들의 움직임을 특별히 더 감시할 필요가 있는 것이다.

종래에는 레이다의 취약지역이나 취약시간을 연계하여 관리하는 구성이 개시되어 있지 않다. 또한, 과거의 데이터를 기반으로 현재의 레이다 취약지역이 어디인지를 도출하는 방식이 개시되어 있지 않다. 또한, 레이다 감시의 지역, 즉 표시 셀(화면을 가로세로로 구획한 취약지역 표시용 단위영역)별로 계절, 요일, 시간대를 반영한 시계열 예측방식에 의한 선박수 데이터 계산과 이로부터 표시 셀별 취약 여부를 판정하는 방식은 개시되어 있지 않다.

본 발명은, 상기 문제를 해소하기 위한 것으로서, 이렇게 변화되는 취약지역과 취약시간대를 자동으로 파악하여, 레이다 시스템에 표시함으로써, 감시업무의 효율성 및 집중도를 높이도록 하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램을 제공하고자 하는 것이다.

또한, 레이다 화면을 분할하여 각 표시 셀별 과거의 선박수 데이터의 시계열 데이터셋을 준비해 두고, 이로부터 현재의 선박수 데이터를 예측하거나, 각 표시 셀별 현재 및 최근의 선박수 데이터의 시계열 데이터셋을 준비해 두고, 이로부터 다음의 선박수 데이터를 예측하여, 각 표시 셀별 취약 여부를 판정하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램을 제공하고자 하는 것이다.

또한, 레이다 화면을 분할하여 각 표시 셀별 전체 선박수와 그 중 미확인 선박 비율을 시계열 처리에 의해 예측하여 구하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램을 제공하고자 하는 것이다.

상기 과제를 달성하기 위한 본 발명의 방법은, 레이다 취약지역 자동검출 및 표시 방법으로서, 레이다 감시대상 지역 전체를 가로 세로로 표시 셀로 구획하는 구획단계; 각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 데이터 수집단계; 과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 AI 예측모델을 학습하는, 예측 준비단계; 각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 데이터 예측단계; 각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀이 취약시간대인지 판정하는 취약시간대 판정단계; 및 레이다 콘솔에 취약시간대로 판정된 표시 셀을 취약상태로 표시하는 취약상태 표시단계;가 포함되어 이루어짐을 특징으로 한다.

여기서, 상기 선박수 데이터는, 단위시간당 집계된 전체 선박수와 그 중 미확인 선박 비율 데이터임이 바람직하다.

또한, 상기 예측은, 시계열 예측 알고리즘을 통한 통계처리, 또는 AI 예측모델의 머신러닝이나 딥러닝 모델을 통하여 이루어짐이 바람직하다.

한편, 상기 시계열 예측에 있어서, 전체 선박수와 그 중 미확인 선박 비율을 각각 별개의 단변량(univariate)으로 보고 예측하거나, 또는 전체 선박수와 그 중 미확인 선박 비율을 동시에 다변량(multivariate) 예측하도록 이루어짐이 바람직하다.

또한, 상기 시계열 예측은, 다음 단일 단위시간대(one-step)의 시계열 값에 대한 예측이거나, 또는 다음 다수 단위시간대(multi-step)의 시계열 값에 대한 예측으로 이루어짐이 바람직하다.

한편, 상기 과제를 달성하기 위한 본 발명의 장치는, 레이다 취약지역을 자동으로 검출하여 표시하는 장치로서, 레이다 콘솔에 취약시간대로 판정된 표시 셀을 취약상태로 표시하는 취약상태 표시모듈을 구비하는 메인컴퓨터; 레이다 감시대상 지역 전체를 나타내고, 가로 세로로 표시 셀로 구획되는 레이다 콘솔; 각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 데이터 수집모듈을 구비하는 관리 데이터베이스; 및 과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 예측모델을 학습하여, 각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 데이터 예측모듈과, 각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀이 취약시간대인지 여부를 판정하는 취약시간대 판정모듈을 구비하는 딥러닝 모델서버;가 포함되어 이루어짐을 특징으로 한다.

한편, 상기 과제를 달성하기 위한 본 발명의 프로그램은, 정보기기에 상기에 기재된 방법의 각 단계를 실행시키기 위한 정보기기용 프로그램을 기록한, 정보기기로 읽을 수 있는 저장매체에 기록된 정보기기용 프로그램이다.

본 발명에 의하면, 이렇게 변화되는 취약지역과 취약시간대를 자동으로 파악하여, 레이다 시스템에 표시함으로써, 감시업무의 효율성 및 집중도를 높이도록 하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램이 제공된다.

또한, 레이다 화면을 분할하여 각 표시 셀별 과거의 선박수 데이터의 시계열 데이터셋을 준비해 두고, 이로부터 현재의 선박수 데이터를 예측하여, 취약 여부를 판정하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램이 제공된다.

또한, 레이다 화면을 분할하여 각 표시 셀별 현재 및 최근의 선박수 데이터의 시계열 데이터셋을 준비해 두고, 이로부터 다음의 선박수 데이터를 예측하여, 취약 여부를 판정하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램이 제공된다.

또한, 레이다 화면을 분할하여 각 표시 셀별 전체 선박수와 그 중 미확인 선박 비율을 시계열 처리에 의해 예측하여 구하는, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램이 제공된다.

도 1은, 본 발명의 일실시예에 따른 레이다 취약지역 자동검출 및 표시 방법이 구현되는 장치의 블럭도이다.
도 2는, 동 방법의 플로챠트이다.
도 3은, 동 방법에 의한 처리의 출력 예시도이다.

이하, 첨부도면을 참조하면서 본 발명에 대해 상세히 설명한다. 다만, 동일구성에 의해 동일기능을 가지는 부재에 대해서는, 도면이 달라지더라도 동일부호를 유지함으로써, 그 상세한 설명을 생략하는 경우가 있다.

또한, 어떤 부재의 전후, 좌우, 상하에 다른 부재가 배치되거나 연결되는 관계는, 그 중간에 별도 부재가 삽입되는 경우를 포함한다. 반대로, 어떤 부재가 다른 부재의 '바로' 전후, 좌우, 상하에 있다고 할 때에는, 중간에 별도 부재가 없는 것을 뜻한다. 그리고 어떤 부분이 다른 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

그리고 구성의 명칭을 제1, 제2 등으로 구분한 것은, 그 구성이 동일한 관계로 이를 구분하기 위한 것으로, 반드시 그 순서에 한정되는 것은 아니다. 또한, 명세서에 기재된 '유닛', '수단', '부', '부재', '모듈' 등의 용어는, 적어도 하나의 기능이나 동작을 하는 포괄적인 구성의 단위를 의미한다. 그리고 명세서에 기재된 단말, 서버 등의 정보처리기기는, 특정한 기능이나 동작이 구현된 하드웨어를 의미하는 하드 와이어링을 기본적으로 의미하지만, 특정한 하드웨어에 한정되도록 해석되어서는 안되고, 일반 범용 하드웨어 상에 그 특정한 기능이나 동작이 구현되도록 하기 위해 구동되는 소프트웨어로 이루어지는 소프트 와이어링을 배제하는 것이 아니다. 즉, 단말 또는 서버는, 어떤 장치가 될 수도 있고, 앱과 같이, 어떤 기기에 설치되는 소프트웨어가 될 수도 있다.

그리고 도면에 나타난 각 구성의 크기 및 두께는, 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도면에 도시된 바에 한정되지 않으며, 층 및 영역 등의 여러 부분 및 영역을 명확하게 표현하기 위해 두께 등은 과장하여 확대 또는 축소하여 나타낸 경우가 있다.

<기본구성 - 방법>

본 발명의 방법은, 레이다 취약지역 자동검출 및 표시 방법이다. 본 발명은, 레이다 시스템에 저장된 과거의 선박 운항 기록 데이터를 기반으로, 운행 선박수에 대한 시계열 예측을 수행하여, 취약지역 및 취약시간대를 자동으로 추정 및 검출할 수 있는 기술이다.

본 방법은, 구획단계(S10); 데이터 수집단계(S20); 예측 준비단계(S30); 데이터 예측단계(S40); 취약시간대 판정단계(S50); 및 취약상태 표시단계(S60);가 포함되어 이루어짐을 특징으로 한다.

상기 구획단계(S10)는, 레이다 감시대상 지역 전체를 가로 세로로 표시 셀(61)로 구획하는 단계이다.

먼저, 도 1을 참조하여 일반적인 항만 레이다 시스템의 구성을 설명한다.

송신기(10)에서 펄스신호를 생성하여 안테나(20)를 통하여 특정 방향으로 발신한다. 수신기(30)를 통하여 그 특정 방향 또는 방위각(azimuth)의 반사신호를 수신한다. 수신한 신호에 대해 펄스압축 등의 작업을 신호처리기(40)가 수행한다.

메인컴퓨터(50)에서는 클러터를 제거하고 표적에 대한 탐지를 수행한다. 탐지는, 특정 방위각의 어떤 거리(range)에 표적이 있는지를 인지하는 것이다.

레이다 시스템 사용자는, 레이다 콘솔(60)을 통하여 이동 중이거나 고정된 표적을 인지하고 추적 감시한다. 탐지된 표적을 식별하기 위하여, AIS와 V-PASS 정보를 연계서버(70)로부터 수신하여 레이다 콘솔(60)에 표시한다.

각 표적(선박 및 부표 등)에 대한 관리 및 추적정보가, 자동 또는 수동으로 생성되고 관리 DB(80)에 저장된다. 정보들은 관리 DB(80)에 일정기간 저장되고, 레이다 콘솔(60)을 통해서 임의의 시점에 조회될 수 있다.

본 발명에서는, 레이다 콘솔(60)에 나타나는 레이다 감시지역 전체를 n×m 사각형으로 나눈다. 세로를 n 등분하고 가로를 m 등분하면, n×m 개의 사각형 영역으로 나누어진다. 이 사각형 영역을 '취약관리 단위영역', '단위영역' 또는 간단히 '표시 셀(Cell)'이라 칭한다. 도 3의 예시에서는, 레이다 콘솔(60)은 예컨대 가로 12, 세로 8개의 표시 셀로 구획되어 나타나 있다.

상기 데이터 수집단계(S20)는, 각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 단계이다.

각 표시 셀에 대해 지나갔거나 머물렀던 선박에 대해 '취약관리 단위시간' 동안의 선박수 데이터를 수집한다. 취약관리 단위시간은 간단히 '단위시간'이라 할 수 있고, 임의의 시간이 될 수 있으나, 예컨대 10분, 30분, 1시간, 12시간, 24시간 정도가 적정할 수 있다.

첫번째 수집 데이터는 각 표시 셀별 단위시간 동안의 집계된 전체 선박수일 수 있다. 두번째 수집 데이터는 그 선박수 중 미확인 선박의 비율일 수 있다. 미확인 선박은, AIS나 V-PASS 정보에 의해 식별되지 않는 선박을 의미한다.

이로써 각 표시 셀에 대해 단위시간 간격으로 기록된 다변량(multivariate) 시계열(time series) 데이터를 확보할 수 있다. 최소 1년 치 이상의 시계열 데이터를 확보하여 데이터셋을 구성하는 것이 바람직할 수 있다. 다만, 전체 선박수의 단변량과 그 중 미확인 선박 비율이 단변량을 각각 데이터로 확보할 수도 있다.

상기 예측 준비단계(S30)는, 과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 AI 예측모델을 학습하는 단계이다.

본 특허에서 자동으로 판정하고자 하는 취약지역 개념은, 시간대에 따라서 그 취약상태 여부가 수시로 변할 수 있다. 따라서, 현재의 선박수 데이터를 기준으로 취약상태를 파악하는 것은 비현실적일 수 있다. 일시적으로 취약상태에 들어간 것일 수도 있기 때문에 바로 취약상태를 벗어날 수도 있다. 이 경우에 표시 화면의 상태 변화가 급격하게 너무 자주 발생할 가능성이 높아서 바람직하지 않다. 그리고, 본 발명에서 취약지역의 표시는, 취약지역이 취약시간대에 들어간다는 것을 미리 알려주는데 의미가 있기 때문에, 미래의 값을 예측할 필요가 있다.

과거의 선박운행에 대한 이력데이터를 활용하여, 바로 다음 시간대가 취약시간대에 해당하는지를 판정할 수 있다면, 그 다음 시간대 전체 동안 해당 지역을 취약상태로 지정할 수 있다. 연속한 여러 시간대를 동시에 판정하는 경우에는, 그 여러 시간대를 보고 취약상태가 얼마나 지속될지 판정할 수도 있다.

과거의 이력데이터를 이용하여 미래의 값이나 상태를 예측하는 것은, 시계열 예측(time series forecasting) 문제이다. 따라서, 예컨대 도 1의 딥러닝 모델서버(90)에서, 과거의 선박수 데이터를 이용하여 시계열 예측 알고리즘을 구축하거나 시계열 예측 AI (딥러닝 또는 머신러닝) 모델을 학습할 수 있다.

시계열 예측 문제의 해결 방법론으로서, 자동 회귀(autoregression)나 지수 평활화(exponential smoothing)같은 전통적인 시계열 예측 방법론의 알고리즘을 통한 통계처리 기법을 쓰는 것도 가능하다. 본 발명은 이러한 방식의 적용을 배제하지 않는다. 그러나, AI 예측모델의 머신러닝을 비롯한 딥러닝 모델이, 기존 방식 대비 좋은 성능을 내고 있다.

예측 알고리즘이나 AI 모델 학습을 위한 훈련용 선박수 데이터의 생성시에는, 관리 DB(80)에 저장된 과거의 모든 선박에 대한 관리 및 추적 정보를 조회하여, 각 추적관리 표시 셀별로 각 단위시간대에 대한 전체 선박수 및/또는 그 중 미확인 선박 비율을 계산할 수 있다. 이를 위해, 최소 1년치 이상의 연속 단위시간대에 대한 시계열 데이터를 확보할 수 있다. 관리 DB(31)에 충분한 정보가 저장되지 않은 경우에는, 레이다 시스템의 메인컴퓨터(50)로부터 실시간 선박정보를 전송받아, 각 표시 셀별 선박수 시계열 데이터를 생성할 수 있다.

AI 모델 학습의 시점은, 머신러닝이나 딥러닝 모델의 학습을 일회성으로 한번 진행하고, 그 결과 모델을 계속 사용하는 방식이 가능할 수 있다. 또한, 추가 데이터를 이용하여 모델의 재학습을 주기적 또는 비주기적으로 진행하는 방식도 가능할 수 있다. 여러가지 상황이 변할 수 있기 때문에, 월이나 연 단위의 반복 재학습이 바람직하다.

상기 데이터 예측단계(S40)는, 각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 단계이다.

전술한 바와 같이, 전체 선박수와 그 중 미확인 선박 비율을 각각 별개의 단변량(univariate)으로 보고 예측하는 것도 가능하고, 두 개를 동시에 다변량(multivariate) 예측하는 것도 가능할 수 있다.

그리고, 각 표시 셀별로 최근의 선박수 데이터를 기반으로 다음 단위시간대(시간스텝, 또는 화면갱신주기)의 데이터를 시계열 예측한다. 필요에 따라 바로 다음 단일 단위시간대(one-step) 뿐만 아니라 다중 단위시간대(multi-step)의 시계열 값을 예측하는 것도 가능할 수 있다.

전체 선박수나 그 중 미확인 선박 비율 각각에 대한 단변량 시계열 예측에는, ARIMA나 ETS같은 전통적 방법론과 KNN(k-Nearest Neighbor) 회귀, SVR(Support Vector Regression) 등으로 대표되는 머신러닝 기법, 그리고 다양한 RNN(Recurrent Neural Network) 구조의 딥러닝 모델이 사용될 수 있다. 다변량(multivariate) 입력에 대해 다단계(multi-step) 예측을 하는 모델은, 기존 전통적인 방식으로는 해결이 어려운 점이 있다. 다변량 시계열 예측에는, 단변량 예측에 쓰이는 동일한 머신러닝과 딥러닝 모델이 사용될 수 있다.

딥러닝 모델 네트워크 구조에 있어서, RNN은 고정된 크기의 시간 윈도우를 사용하는 일반 신경망으로는 풀 수 없는 많은 시계열 예측 문제를 풀 수 있다. 입력 시퀀스에 존재하는 연속된 시간 동안의 상관관계를 학습하여, 출력을 예측하는 능력을 가진다. 신경망은 반드시 정상성(stationary)을 가지는 시계열 입력을 필요로 하지는 않는다. 시계열 데이터가 추세(trend)나 계절성(seasonality)을 가질 수 있다.

RNN 모델은, 입력 시퀀스의 각 시간스텝의 값을 한번에 하나씩 읽어 들이고, 예측 작업을 수행하기 위한 학습 컨텍스트(context)로 사용이 되는 내부 상태표현 (state representation)을 구축할 수 있다. 다양한 RNN 모델이 존재하지만, 학습의 불안정성 문제를 해결한 LSTM(Long Short Term Memory) 네트워크가 일반적으로 많이 사용된다. 또한, 다층 LSTM, 양방향 LSTM, CNN-LSTM, Convolutional LSTM 등이 이용 가능하다. LSTM이 GRU(Gated Recurrent Unit) 같은 다른 유사한 모델로 바뀌는 것도 가능하다.

상기 취약시간대 판정단계(S50)는, 각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀(61)이 취약시간대인지 판정하는 단계이다.

각 표시 셀의 다음 단위시간대가 취약시간대인지(즉, 취약시간대에 해당되는지)를 판정하기 위해서는, 각 표시 셀의 전체 선박수 예측이 미리 정의한 임계치(threshold)보다 낮은 경우, 취약시간대에 들어간 것으로 판정할 수 있다. 또한, 각 표시 셀별 전체 선박수 중 미확인 선박 비율이 미리 정의한 임계치보다 높은 경우, 취약시간대에 들어간 것으로 판정할 수 있다.

이 두가지 조건을 레이다 설치목적, 위치, 정책 등에 따라 조합하여, 표시 셀의 취약시간대 진입여부를 판정할 수 있다.새로운 단위시간대로 들어갈 때마다 이 판정작업을 수행할 수 있다.

상기 취약상태 표시단계(S60)는, 레이다 콘솔(60)에 취약시간대로 판정된 표시 셀(61)을 취약상태(42, 43)로 표시하는 단계이다.

레이다 콘솔(60)의 감시화면 상에 현재 취약시간대로 판정된 모든 취약관리 표시 셀(61)을 취약상태로 표시한다. 이에 의해, 시간대에 따라 변화하는 취약지역을 레이다 콘솔(60) 감시화면 상에 자동으로, 동적으로 시각화하여 표시하는 것이 가능해진다.

구획의 갯수(n×m)를 적절히 설정한 경우에, 전체 레이다 콘솔(60) 화면에 현재의 취약지역이 정상지역과 자세히 구분되어 표시될 수 있다. 즉, 표시 셀(61) 사각형이 조밀하게 배치된 경우, 지역 구분이 비교적 정확하게 표시될 수 있다.

취약시간대로 계속 판정되는 경우, 그 표시 셀(61)에 대한 취약상태 표시는 계속 지속될 수 있다. 다시 취약시간대에서 벗어나게 되는 시점에, 취약지역 지정이 해제될 수 있다.

이로써, 취약시간대에 취약지역을 항해하는 선박들에 대해 감시를 강화할 수 있다. 시시각각 변하는 취약지역을 자동으로 시스템이 인지해 표시해 줌으로써, 감시의 효용성을 높일 수 있다. 그리고 필요시, 취약지역에 관련되는 선박들에 대한 항해기록을 저장하여, 향후에 감사자료로 활용할 수 있다.

<효과>

도 3을 참조하여 본 발명의 작용 효과에 대해 설명한다.

레이다 콘솔(60)은 가로 12, 세로 8의 표시 셀(61)로 구획되어 있고, 운항 중 또는 정박 중인 선박(11)은 물론, 예컨대 육지(12)와 바다, 방파재(13), 등대(14) 등 지형지물이 표시될 수 있다.

여기서 표시 셀(단위영역)(61)별 단위시간당 전체 선박수 및 그 중 미확인 선박 비율의 과거 선박수 데이터를 이용하여, 지난 단위시간대 종료 직전에 현재 단위시간대의 취약지역을 판정하기 위한 선박수 데이터가 시계열 처리되어 연산된다. 상습 취약지역에 해당되는 표시 셀(62)과 연산에 의해 이 중에서 임계치와 대비하여 취약지역으로 판정된 표시 셀(63)이 취약상태(도 3에서는 해칭)로 나타나 있다. 다만, 취약상태의 표시는, 해칭에 한하지 않고, 구분되는 표시방식이면 족하며, 예컨대 구별되는 컬러로도 표현 가능함은 물론이다.

즉, 물골, 암초 등의 지형상 이유나 레이다 사각지대 등 기술상 이유로 인한 상습 취약지역(62)도 표시되고, 전체 선박수가 임계치 미만이거나 그 중 미확인 선박 비율이 임계치 초과인 것으로 판정된 순시 취약지역(63)도 표시되어 있다. 다만, 예시에서는 상습 취약지역(62)과 순시 취약지역(63)을 구분하여 표시하였으나, 본 발명은 이에 한하지 않고, 이들 취약지역이 더 세분화되어 표시될 수도 있고, 단순히 하나의 취약지역으로 통합되어 표시될 수도 있다.

이러한 취약상태로 표시된 표시 셀(62, 63)에 대해서는 주의가 집중되므로, 감시가 강화될 수 있는 효과가 있다.

한편, 현재 단위시간대 종료 직전에는 과거 선박수 데이터로부터 다음 단위시간대의 취약지역을 판정하기 위한 선박수 데이터가 시계열 처리되어 연산된다. 상습 취약지역에 해당되는 표시 셀(62)과 임계치와 대비하여 취약지역으로 판정된 표시 셀(63)이 다음 단위시간대에 취약상태로 나타나게 된다.

상기 데이터 수집단계(S20)와 예측 준비단계(S30)는 미리 정해진 주기로 반복 수행될 수 있고, 또한 상기 데이터 예측단계(S40), 취약시간대 판정단계(S50) 및 취약상태 표시단계(S60)는 다른 미리 정해진 주기로 반복 수행될 수 있다.

<장치>

본 발명의 장치는, 레이다 취약지역 자동검출 및 표시장치이다. 본 장치는, 메인컴퓨터(50); 레이다 콘솔(60); 관리 데이터베이스(80); 딥러닝 모델서버(90); 및 가 포함되어 이루어짐을 특징으로 한다.

상기 메인컴퓨터(50)는, 레이다 콘솔(60)에 취약시간대로 판정된 표시 셀(61)을 취약상태로 표시하는 취약상태 표시모듈을 구비하는 정보기기이다.

상기 레이다 콘솔(60)은, 레이다 감시대상 지역 전체를 나타내고, 가로 세로로 표시 셀(61)로 구획되는 출력수단이다.

상기 관리 데이터베이스(80)는, 각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 데이터 수집모듈을 구비하는 데이터베이스이다.

상기 딥러닝 모델서버(90)는, 과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 AI 예측모델을 학습하여, 각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 데이터 예측모듈과, 각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀(61)이 취약시간대인지 여부를 판정하는 취약시간대 판정모듈을 구비하는 서버이다.

<프로그램>

본 발명의 프로그램은, 정보기기에 상기 어느 하나에 기재된 방법의 각 단계를 실행시키기 위한 정보기기용 프로그램을 기록한, 정보기기로 읽을 수 있는 저장매체에 기록된 정보기기용 프로그램이다.

이상 본 발명의 바람직한 실시예에 대해 설명했지만, 본 발명은, 상기 개시되는 실시예들에 한정되는 것이 아니라, 특허청구범위와 발명의 상세한 설명 및 첨부 도면의 범위 안에서 서로 다른 다양한 형태로 변형하여 구현 실시될 수 있고, 균등한 타 실시예가 가능하며, 이 또한 본 발명의 범위에 속하는 것은 당해 분야에서 통상적 지식을 가진 자에게 당연하며, 단지 실시예들은, 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은, 청구항의 범주에 의해 정의될 뿐이다.

본 발명은, 레이다 취약지역 자동검출 및 표시 방법, 장치 및 프로그램의 산업에 이용될 수 있다.

10: 송신기
11: 선박
12: 육지
13: 방파재
14: 등대
20: 안테나
30: 수신기
40: 신호처리기
50: 메인컴퓨터
60: 콘솔
61: 셀
62: 상습 취약지역
63: 순시 취약지역
70: 외부정보 연계서버
80: 관리 데이터베이스
50: 딥러닝 모델서버

Claims

레이다의 취약지역을 자동 검출하여 표시하는 방법으로서,
레이다 감시대상 지역 전체를 가로 세로로 표시 셀로 구획하는 구획단계;
각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 데이터 수집단계;
과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 AI 예측모델을 학습하는, 예측 준비단계;
각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 데이터 예측단계;
각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀이 취약시간대인지 판정하는 취약시간대 판정단계; 및
레이다 콘솔에 취약시간대로 판정된 표시 셀을 취약상태로 표시하는 취약상태 표시단계;
가 포함되어 이루어짐을 특징으로 하는, 레이다 취약지역 자동검출 및 표시 방법.
청구항 1에 있어서,
상기 선박수 데이터는, 단위시간당 집계된 전체 선박수와 상기 전체 선박수 중 미확인 선박 비율 데이터임
을 특징으로 하는, 레이다 취약지역 자동검출 및 표시 방법.
청구항 1 또는 청구항 2에 있어서,
상기 예측은,
시계열 예측 알고리즘을 통한 통계처리, 또는
인공지능 예측모델의 머신러닝이나 딥러닝 모델을 통하여 이루어짐
을 특징으로 하는, 레이다 취약지역 자동검출 및 표시 방법.
청구항 2에 있어서,
상기 시계열 예측에 있어서,
상기 전체 선박수와 상기 전체 선박수 중 미확인 선박 비율을 각각 별개의 단변량(univariate)으로 보고 예측하거나, 또는
상기 전체 선박수와 상기 전체 선박수 중 미확인 선박 비율을 동시에 다변량(multivariate) 예측하도록 이루어짐
을 특징으로 하는, 레이다 취약지역 자동검출 및 표시 방법.
청구항 1 또는 청구항 2에 있어서,
상기 시계열 예측은,
다음 단일 단위시간대(one-step)의 시계열 값에 대한 예측이거나, 또는
다음 다수 단위시간대(multi-step)의 시계열 값에 대한 예측으로 이루어짐
을 특징으로 하는, 레이다 취약지역 자동검출 및 표시 방법.
레이다 취약지역을 자동으로 검출하여 표시하는 장치로서,
레이다 콘솔에 취약시간대로 판정된 표시 셀을 취약상태로 표시하는 취약상태 표시모듈을 구비하는 메인컴퓨터;
레이다 감시대상 지역 전체를 나타내고, 가로 세로로 표시 셀로 구획되는 레이다 콘솔;
각 표시 셀별 단위시간당 선박수 데이터를 수집하고, 각 표시 셀별 시계열 데이터를 확보하여, 데이터셋을 구성하는 데이터 수집모듈을 구비하는 관리 데이터베이스; 및
과거 데이터셋을 이용하여 시계열 예측 알고리즘을 구축하거나 AI 예측모델을 학습하여, 각 표시 셀별 다음 단위시간대의 선박수 데이터를 시계열 예측하는 데이터 예측모듈과, 각 표시 셀별로 예측된 선박수 데이터로부터 그 표시 셀이 취약시간대인지 여부를 판정하는 취약시간대 판정모듈을 구비하는 딥러닝 모델서버;
가 포함되어 이루어짐을 특징으로 하는, 레이다 취약지역 자동검출 및 표시장치.
정보기기에 청구항 1 또는 청구항 2에 기재된 방법의 각 단계를 실행시키기 위한 정보기기용 프로그램을 기록한, 정보기기로 읽을 수 있는 저장매체에 기록된 정보기기용 프로그램.