KR102355884B1 - 인공지능을 이용한 화재 판정 방법, 장치 및 프로그램 - Google Patents

Abstract

인공지능을 이용하여 광학적으로 화재발생 여부를 판정하기 위한 화재 판정방법으로서, 화재 초기에 발생되는 초기 화재가스의 영상데이터가 가스영상 획득장치에 의해 취득되어 딥러닝 장치에 입력되는 입력단계와; 상기 딥러닝 장치에서 인공지능을 이용하여 상기 영상데이터로부터 화재의 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지가 이루어지는 인공지능 가스탐지단계와; 상기 딥러닝 장치에서 인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정이 이루어지는 인공지능 화재판정단계;가 포함되어 이루어짐을 특징으로 하는, 인공지능을 이용한 화재 판정방법이 제공된다.

Description

인공지능을 이용한 화재 판정 방법, 장치 및 프로그램 {METHOD, APPARATUS AND PROGRAM TO DETECT FIRE USING ARTIFICIAL INTELLIGENCE}

본 발명은, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램에 관한 것으로서, 보다 상세히는, 광학적 방법으로 촬영된 영상데이터로부터 인공지능 딥러닝 모델을 이용하여 초기 화재가스의 위치, 형태 및 변화를 판정하고, 이로부터 다시 인공지능을 이용하여 화재발생 여부를 판정하는 방법, 장치 및 프로그램에 관한 것이다.

일반적으로 화재는 다양한 장소에서 발생할 수 있고, 화재사고로 인한 피해는, 화재의 지속시간에 따라 빠르게 증가한다. 따라서, 화재를 발생 초기에 발견하는 것이 중요하다.

많은 연구를 통해 화재 초기에 특정 가스, 예컨대 CO 또는 CO2 가스와 열이 발생된다는 사실이 알려져 있다. 이런 가스들은 무형, 무색, 무취의 속성을 가지고 있어서, 사람의 눈이나 일반적인 카메라로 탐지될 수 없는 것이다. 화재의 발생에 따라 미리 정해진 신호를 발생시키거나 통전 등의 동작을 수행하는 다양한 기기가 알려져 있다.

예컨대, 건물의 천장 등에 설치되는 화재감지기는, 화재 발생에 따라 작동되어 통전되거나 신호를 발생시킨다. 이러한 화재감지기에서 화재 발생을 감지하는 과학적 메카니즘은 여러가지 방식이 이용되고 있다. 예컨대 바이메탈형 화재감지기는, 화재로 인한 온도 상승(열기)에 의해 바이메탈이 휘어서 접점에 온오프되도록 되어 있다. 예컨대 퓨즈형 화재감지기는, 화재로 인한 온도 상승(열기)에 의해 퓨즈가 끊어지면서 신호가 발생되도록 되어 있다. 예컨대, 가스형 화재감지기는, 화재에 의해 발생된 특정 가스, 예컨대 CO나 CO2 가스가 가스센서에서 인식됨에 따라 신호가 발생되도록 되어 있다.

그런데, 종래의 화재감지기들은 모두, 열기 또는 가스가 근거리에서 화재감지기에 영향을 미치기까지는 작동을 하지 않는다. 그러므로, 화재감지기로부터 먼 곳에서 화재가 발생한 경우, 실외와 같은 넓은 공간에서 발생된 경우 등에는, 화재가 많이 진행되어 화재 규모가 어느 정도 피해가 발생된 후에, 열기 및/또는 가스가 화재감지기의 센서에 도착 작용할만큼 진행된 후에 비로소 작동이 되므로, 피해가 크고 화재의 조기경보에는 도움이 되지 않는 경우가 있다. 그리고, 바이메탈식이나 퓨즈식의 경우는, 열기에 의해 화재감지기 자체가 물리적으로 손상되므로 재사용이 불가능하고, 가스식의 경우에도, 가스의 표면착화로 인해 오염되어 감도가 저하되므로, 역시 재사용이 권장되지 않게 되므로, 설치비용이 증가되고 유지보수가 쉽지 않다는 난점이 있다.

한편, 화재는 열기를 발생시키므로, 열기를 감지하기 위해 범용의 적외선 카메라가 이용될 수도 있다. 적외선 카메라에 의한 열기 감지는, 고온의 객체를 탐지하는 방식이고 비교적 먼 거리 넓은 영역까지 탐지 가능하므로, 광학 원격감지에 의한 조기 화재탐지가 이루어질 수 있다. 다만, 이런 적외선 카메라에 의한 화재의 광학감지는, 단순히 미리 설정된 온도 이상의 고온이 감지되었다는 것말 알 수 있기 때문에, 그 감지된 열기의 열원이 무엇인지, 즉 촛불, 사람, 동물, 자동차, 전구, 굴뚝 등의 구분이 되지 않는다는 단점이 있다.

화재 초기에 발생되는 가스의 발생 사실을 이용한 화재감지에 특수 제작된 가스탐지 카메라가 이용될 수도 있다. 이 가스탐지 카메라는 실내외 및 넓은 공간에서 CO, CO2의 가스와 열을 탐지할 수 있다.

하지만, 가스탐지 카메라를 이용한 화재감지의 경우도, CO나 CO2 가스와 열이 탐지되었다고 해서, 모든 경우에 이것이 화재 초기라고 단정할 수 있는 것은 아니다. 즉, CO 또는 CO2 가스가 화재 초기에 발생될 수 있는 것은 사실이지만, 이들 가스는 다른 다양한 원인에 의해 발생될 수도 있는 것이다. CO나 CO2 가스는 예컨대 공업지대의 대기나 예컨대 양돈 사육장 실내에는 매우 흔하게 포함되어 있고, 예컨대 도시가스에도 CO 가스가 포함되어 있으며, 예컨대 드라이아이스가 녹으면 CO2 가스가 된다.

따라서, 이 종래의 가스탐지 카메라에 의하면, 단순히 CO 또는 CO2 가스의 존재를 알 수 있을 뿐, 그 가스가 반드시 화재로 인한 것으로 단정할 수는 없다는 문제가 있다. 게다가, 라이터, 성냥, 가스레인지, 버너, 캠프파이어 등 통제된 환경에서 비교적 짧은 시간동안 규모가 유지되면서 연소되는 경우에도 단순히 CO 또는 CO2 가스의 감지에 의해 판단함으로써, 이런 안전한 연소까지 화재로 오판할 수 있다는 문제가 있다.

아래 특허문헌에는, '화재시 발생하는 가스를 감지하는 센서를 이용하여 화재를 감지하는 화재감지장치 및 방법, 시스템'이 개시되어 있다. 이 특허문헌의 기술도, 화재 가스센서를 이용하는 것이므로, 결국 상기 가스형 화재감지기의 기술에서 벗어나지 못하는 기술이며, 단순히 탈출경로를 가이드하는 경보장치에 특징이 있는 정도이다.

특허등록 제10-2111212호 공보

본 발명은, 상기한 문제를 해결하기 위한 것으로서, 실외 및 넓은 공간 등 원거리에서 광학적으로 화재발생 여부를 초기 단계에서 단정적으로 판정할 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램을 제공하고자 하는 것이다.

그리고, 불꽃의 유무와 상관없이, 화재 초기에 발생되는 CO, CO2 등 초기 화재가스와 열의 영상데이터에 대해 인공지능 딥러닝 기술을 이용하여 정적 탐지와 동적 탐지, 시간적 탐지와 공간적 탐지 중 적어도 어느 하나 이상을 수행하여 초기 화재가스에 해당되는지 여부를 단정적으로 판정할 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램을 제공하고자 하는 것이다.

그리고, 가스의 탐지결과에 대해 인공지능을 이용하여 앙상블 처리하여 화재발생 여부를 단정적으로 판정할 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램을 제공하고자 하는 것이다.

그리고, 화재 판정의 오탐률을 낮추고 검출율을 높여서, 보다 정확하게 실내외 및 넓은 공간에서 화재사고를 초기에 판정하고 알릴 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램을 제공하고자 하는 것이다.

상기 과제를 달성하기 위한 본 발명의 화재 판정방법은, 인공지능을 이용하여 광학적으로 화재발생 여부를 판정하기 위한 화재 판정방법으로서, 화재 초기에 발생되는 초기 화재가스의 영상데이터가 가스영상 획득장치에 의해 취득되어 딥러닝 장치에 입력되는 입력단계와; 상기 딥러닝 장치에서 인공지능을 이용하여 상기 영상데이터로부터 화재의 가스 및 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지가 이루어지는 인공지능 가스탐지단계와; 상기 딥러닝 장치에서 인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정이 이루어지는 인공지능 화재판정단계;가 포함되어 이루어짐을 특징으로 한다.

여기서, 상기 가스탐지를 위해, 1) 각 프레임마다 수행되어 가스 위치를 탐지하는 정적 가스이미지 탐지; 2) 복수의 프레임으로 이루어지는 프레임 세트마다 수행되어 가스 형태를 탐지하는 공간상 가스변화 탐지; 및 3) 복수의 프레임으로 이루어지는 프레임 세트마다 수행되어 가스 변화를 탐지하는 시간상 가스변화 탐지; 중 적어도 어느 하나 이상이 수행될 수 있다.

여기서, 상기 화재판정은, 상기 정적 가스이미지 탐지, 공간상 가스변화 탐지 및 시간상 가스변화 탐지의 탐지결과에 대해 인공지능을 이용하여 앙상블 처리를 수행하여 이루어질 수 있다.

여기서, 상기 앙상블 처리는, 투표, 배깅 및 부스팅 중 적어도 어느 하나 이상에 의해 처리될 수 있다.

그리고, 상기 화재판정은, 상기 가스영상 획득장치에 의해 취득된 적외선 온도가 미리 정해진 범위에 속하는지 여부를 판정하는 온도판정을 포함하도록 이루어질 수 있다.

한편, 상기 과제를 달성하기 위한 본 발명의 화재 판정장치는, 인공지능을 이용하여 광학적으로 화재발생 여부를 판정하기 위한 화재 판정장치로서, 화재 초기에 발생되는 초기 화재가스의 영상데이터가 취득되도록 하는 가스영상 획득장치와; 상기 영상데이터가 입력되는 딥러닝 장치;가 포함되어 이루어지고, 상기 딥러닝 장치는, 인공지능을 이용하여 상기 영상데이터로부터 화재의 가스 및 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지가 이루어지도록 하는 인공지능 가스탐지모듈과; 인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정이 이루어지도록 하는 인공지능 화재판정모듈;이 포함되어 이루어짐을 특징으로 한다.

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

본 발명에 의하면, 원거리에서 광학적으로 화재발생 여부를 초기 단계에서 단정적으로 판정할 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램이 제공된다.

그리고, 불꽃의 유무와 상관없이, 화재 초기에 발생되는 초기 화재가스 영상데이터에 대해 인공지능 딥러닝 기술을 이용하여 정적 탐지와 동적 탐지, 시간적 탐지와 공간적 탐지 중 적어도 어느 하나 이상을 수행하여 초기 화재가스에 해당되는지 여부를 단정적으로 판정할 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램이 제공된다.

그리고, 탐지결과에 대해 인공지능을 이용하여 앙상블 처리하여 화재발생 여부를 단정적으로 판정할 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램이 제공된다.

그리고, 화재 판정의 오탐률을 낮추고 검출율을 높여서, 보다 정확하게 실내외 및 넓은 공간에서 화재사고를 초기에 판정하고 알릴 수 있는, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램이 제공된다.

도 1은, 본 발명에 따른 인공지능을 이용한 화재 판정방법이 구현되는 장치 및 전체 시스템의 블럭도이다.
도 2는, 동 방법의 플로챠트이다.
도 3은, 정적(static) 가스이미지 탐지(위치 탐지)의 설명을 위한 예시사진이다.
도 4는, 공간상(space) 가스변화 탐지(형태 탐지)의 설명을 위한 예시사진이다.
도 5는, 시간상(time) 가스변화 탐지(변화 탐지)의 설명을 위한 예시사진이다.

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 발명은, 인공지능을 이용하여 광학적으로 화재발생 여부를 판정하기 위한 화재 판정방법이다. 본 발명은, 입력단계(S10)와; 인공지능 가스탐지단계(S20)와; 인공지능 화재판정단계(S30);가 포함되어 이루어짐을 특징으로 한다. 본 발명에서는, CO나 CO2 가스 등 초기 화재가스가 화재사고로 인한 것인지의 분석 판단을 수행하는 점, 그리고 이러한 분석 판단이 컴퓨팅 자원을 이용하는 인공지능 및 딥러닝 모델에 의해 이루어진다는 점에 특징이 있다. 본 발명에 의하면, 딥러닝 모델을 이용하여 초기 화재가스와 열에너지의 영역 및 변화를 탐지하여, 인공지능에 의해 화재판정을 하고, 조기 경보할 수 있게 된다.

상기 입력단계(S10)는, 화재 초기에 발생되는 초기 화재가스의 영상데이터가 가스영상 획득장치(10)에 의해 취득되어 딥러닝 장치(100)에 입력되는 단계이다.

일반적으로 화재 초기에는 초기 화재가스가 발생된다. 이 초기 화재가스는, 일반적으로 CO 또는 CO2를 말하지만, 이들에 한정되지 않고, 화재의 원인에 따라서는 다양한 가스가 발생될 여지가 있고, 예컨대 발화점이 낮은 재질로부터 발생되는 특정성분 가스를 본 발명의 관측대상으로 함으로써, 화재 발생의 조기발견을 도모하여도 좋다.

초기 화재가스의 영상데이터는, 초기 화재가스가 가지는 특정 파장에 대해 영상데이터로 취득할 수 있는 하나 이상의 가스영상 획득장치(10)에 의해 취득된다. 가스마다 고유의 파장을 가지고 있으므로, 관측대상인 가스, 예컨대 CO 가스와 CO2 가스의 파장을 감지할 수 있는, 예컨대 가스영상 획득장치(10)의 적외선 감지 촬영모듈에 의해 대상 파장이 감지된 픽셀들을 영상데이터로 저장할 수 있다. 즉, 상기 가스영상 획득장치(10)는, CO, CO2 가스 등의 초기 화재가스 및 열 탐지가 가능한 일종의 적외선 카메라로 이루어질 수 있다. 상기 가스영상 획득장치(10)는, 하나 이상이 실내 및 실외 공간을 탐지할 수 있도록 설치되며, 딥러닝 장치(100)와 네트워크로 연결된다. 이 네트워크를 통해 영상데이터가 전송된다.

상기 영상데이터는, 복수의 프레임으로 형성된 동영상데이터일 수 있다. 다만, 상기 영상데이터는, 카메라 등의 광학 촬영기기로부터 직접 얻어진 데이터에 한하는 것이 아니고, 외부로부터 전송되어 입력되거나 특수가공 처리된 영상, 저장되어 있던 영상 등, 특히 광학 가스영상(OGI: Optical Gas Imaging)을 포함하는 것으로 해석되어야 하고, 상기 가스영상 획득장치(10)는 데이터통신 기능, 특수가공 처리기능, 저장기능 등을 구비할 수 있다.

상기 딥러닝 장치(100)는, 인공지능의 처리를 위한 딥러닝 기술을 적용하고 사용할 수 있는 프로그램이 탑재된, 예컨대 고성능 컴퓨터이다. 딥러닝 장치(100)로 전송된 영상데이터는 컴퓨터 비전기술을 이용하여 이미지 처리과정을 거칠 수 있다.

가스영상 획득장치(10)에서 획득된 영상데이터에 딥러닝 기술을 적용하는 이유는, 초기 화재가스에 해당되는지에 대한 정확한 분석 판정을 위해 가스위치, 형태, 변화 등을 탐지하는 탐지부가 필요하기 때문이다. 그리고, 다른 이유는, 가스와 열이 탐지되었다고 하더라도, 이것이 모두 화재로 이어지는 것은 아니기 때문에, 이렇게 탐지한 가스와 열이 화재로 발전될 수 있는지를 정확히 분석 판정하는 판정부가 필요하기 때문이다. 본 발명에서는 이런 판단을 위해 탐지와 분석에 탁월한 성능을 보이는 딥러닝 기술을 이용할 수 있다.

상기 딥러닝 장치(100)의 기능별 일부 또는 전부는, 데이터통신으로 연결된 로컬머신과 서버에 분산 설치되도록 구현될 수도 있다. 상기 딥러닝 장치(100)는, 전송받은 영상데이터에 다양한 딥러닝 기술을 적용하여 가스와 열을 탐지하는 인공지능 가스탐지모듈(20)과 탐지된 가스와 열이 화재로 이어지는지를 최종적으로 판단하는 인공지능 화재판정모듈(30)을 포함하여 이루어질 수 있다.

상기 인공지능 가스탐지단계(S20)는, 상기 딥러닝 장치(100)에서 인공지능을 이용하여 상기 영상데이터로부터 화재의 가스 및 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지(20)가 이루어지는 단계이다.

화재로 인해 발생된 초기 화재가스는, 화재가 아닌 경우의 가스, 예컨대 가스배관 파열에 의해 누출된 가스, 단순 드라이아이스 가스 등과 비교하여 볼 때, 매우 특징적인 형상을 가진다. 이런 특징은, 예컨대 열에너지의 유무, 압력의 차이 등 다양한 원인에 의해 형성될 수 있고, 이러한 특징은 인공지능 딥러닝의 학습대상이 될 수 있다.

초기 화재가스의 형상은, 도 3 내지 도 5에 예시된 바와 같이, 주변공기 속에 가스 유체가 마치 연기처럼 비교적 폭이 좁은 가스 줄기 형태로 공간적으로 흘러가는 것처럼 파악될 수 있다. 참고로, 도 3 내지 도 5에 나타난 것은 연기나 불꽃이 아니라 가스라는 점에 유의할 필요가 있다.

가스 줄기의 폭이 좁은 형태를 가지는 것은, 화재의 열에너지를 공급받아서 가스의 분자운동이 활발해지기 때문인 것으로 해석될 수 있고, 주변 공기가 무풍일 때 상향으로 가스 줄기 흐름이 형성되는 것은, 화재의 열에너지로 인해 가스가 가열되어 밀도가 비교적 낮아지기 때문인 것으로 해석될 수 있다.

초기 화재가스가 공간적으로 어떠한 형태를 가지는 것은, 가스 흐름이 주변공기 속으로 흘러 퍼져나가기 때문이다. 그리고, 초기 화재가스의 형태는 화재의 열에너지로 인해 시간적으로 변화될 수 있고, 특히 시간이 흐를수록 화재가 더 심해지면 이러한 이러한 가스의 형상적 특징은 화재가 커지면서 열에너지를 많이 받게 되어 다이나믹하게 변화되며, 열에너지가 풍부해지므로 불완전연소에 의한 CO 가스보다 CO2 가스의 양이 많아지게 된다는 점도 특징이다.

다만, 공기보다 무거운 가스, 예컨대 CO2의 경우는, 발화점에서는 열에너지로 인해 약간 상승할 수 있지만, 금방 하방으로 깔리면서 퍼지는 특성, 즉 예컨대 화산과 같은 형상을 나타낼 수 있고, 이러한 것도 인공지능의 학습에 의해 모델화될 수 있다. 그리고, 발화점으로부터 먼 지점의 경우에는, 가스 흐름의 패턴이 가스의 무게에 따라 바닥에 깔리는 형상이거나 공중으로 방산되는 형상이 되지만, 이러한 경우에도 예컨대 가스 흐름의 속도나 양, 과거 출현빈도 등이 인공지능의 학습에 의해 모델화될 수 있다.

초기 화재가스의 형상은, 화재초기, 중기, 말기 등 화재의 단계별로 상이하고, 주변 공기가 무풍인지 바람이 부는지 여부, 온도, 습도 등 환경에 따라서도 달라지며, 화재가 발생한 소재에 따라서도 달라질 수 있다. 따라서, 다양한 환경, 소재에 대해 초기 화재가스의 형상을 인공지능에 의해 딥러닝 학습시켜 둠으로써, 상기 인공지능 가스탐지모듈(20)을 준비해 둘 수 있다. 상기 인공지능 가스탐지모듈(20)은, 정적 탐지와 동적 탐지를 수행할 수 있고, 공간적 탐지와 시간적 탐지를 수행할 수 있다. 상세는 후술한다.

그리고, 가스영상 획득장치(10)로부터의 영상데이터(OGI 포함)가 이렇게 준비되어 있는 상기 인공지능 가스탐지모듈(20)에 입력되면, 미리 학습되어 있는 딥러닝 모델에 의해 영상데이터의 형상패턴이 초기 화재가스에 해당되는지 여부가 판정될 수 있다.

상기 인공지능 화재판정단계(S30)는, 상기 딥러닝 장치(100)에서 인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정(30)이 이루어지는 단계이다.

상기 인공지능 가스탐지모듈(20)의 탐지결과는, 초기 화재가스에 해당되는지 여부인데, 이것만 가지고 반드시 화재가 발생되었다고 단정할 수 없는 경우가 있을 수 있다. 즉, 초기 화재가스가 존재한다고 하더라도, 화재가 아닌 경우가 있을 수 있다.

예컨대, 담배를 위해 라이터불을 켠 경우에, 이에 의해 초기 화재가스가 발생될 수 있지만, 이것은 화재가 아니다. 또한, 성냥불, 가스레인지, 버너, 캠프파이어나 부엌 아궁이불도 마찬가지이다. 이들은 통제된 위치나 조건 하에서 제한된 시간 동안만 인위적으로 연소되는 경우이다.

초기 화재가스의 위치가 고정되어 있는지 여부, 가스 탐지의 지속시간, 가스 발생량의 시간변화, 주변에 관리자가 존재하는지 여부 등에 따라서, 화재로 판정할 것인지의 여부를 인공지능에 의해 딥러닝 학습시켜 둠으로써, 상기 인공지능 화재판정모듈(30)을 준비해 둘 수 있다. 상기 인공지능 화재판정모듈(30)은, 상기 인공지능 가스탐지모듈(20)의 탐지결과 중 하나 이상을 대상으로 하여 화재판정할 수 있고, 기타 다른 추가데이터도 화재판정에 활용할 수 있다. 상세는 후술한다.

그리고, 상기 인공지능 가스탐지모듈(20)의 탐지결과가 이렇게 준비되어 있는 상기 인공지능 화재판정모듈(30)에 입력되면, 미리 학습되어 있는 딥러닝 모델에 의해 영상데이터의 형상패턴이 실재 화재에 해당되는지 여부가 판정될 수 있다.

<동작>

도 2는, 본 발명의 방법의 전반적인 흐름도이다. 본 발명은 하나 이상의 가스영상 획득장치(10)가 실내 및 실외에 설치되어 있고, 딥러닝 장치(100)가 연결되어 있는 것이지만, 본 실시예에서는 설명하기 쉽도록, 가스영상 획득장치(10) 하나에 대해서 동작과정을 설명한다.

도 2를 참조하여, 딥러닝 장치(100)는 연결되어 있는 실내 및 실외 가스영상 획득장치(10)로부터 영상데이터를 전송(S10)받는다. 영상데이터는 각 딥러닝 모듈에 맞는 입력(S20)으로 사용된다.

정적 가스이미지 탐지모듈(21)에서는, 한 프레임을 입력으로 사용하여 가스와 열의 위치를 탐지하여 초기 화재가스 해당여부를 탐지(S21)하고, 공간상 가스변화 탐지모듈(22)에서는, 연속되는 프레임을 입력으로 사용해 가스와 열의 위치를 탐지하여 초기 화재가스 해당여부를 탐지(S22)한다. 시간상 가스변화 탐지모듈(23)에서는, 시간상의 가스 변화로부터 가스를 탐지하는 방식으로, 직전까지의 영상데이터 프레임의 특징맵과 현재 시간의 영상데이터 프레임 사이에 발생한 변화를 이용하여 가스를 탐지(S23)한다.

그리고 화재판정모듈(30)에서 최종적으로 화재 가능성을 판단(S30)한다. 각 가스탐지모듈(21, 22, 23)의 결과를 조합하여 앙상블을 통해 화재 가능성을 최종 판단하거나, 상황 및 환경에 따라 가스탐지모듈(21, 22, 23)의 결과를 직접 최종 결과로 사용할 수 있다.

가스영상 획득장치(10)의 영상데이터에서 탐지한 가스와 열이 화재 가능성이 있다고 판단(S35: Y)되면, 화재를 알리고 가능한 후속조치(S40)를 취한다. 만약 화재 가능성이 없다고 판단(S35: N)되면 다시 영상데이터 입력단계(S10)로 돌아가, 가스영상 획득장치(10)의 영상데이터를 딥러닝 장치(100)로 전송한다.

<효과>

본 발명에 의하면, 원거리에서 광학적으로 화재발생 여부를 단정적으로 판정할 수 있다. 특히, 불꽃이나 연기의 유무와 상관없이, 화재 초기에 발생되는 초기 화재가스 영상데이터에 대해 인공지능 딥러닝 모델에 의해 정적 탐지, 동적 탐지, 시간적 탐지, 공간적 탐지 등 다양한 가스탐지를 수행하여 초기 화재가스 여부를 판정하고, 이것이 실제 화재에 해당되는지를 추가로 인공지능을 이용하여 판정함으로써, 라이터, 성냥, 가스레인지, 캠프파이어, 버너 등과 같이 통제되고 안전한 연소와 구분하여 화재발생 여부를 단정적으로 판정할 수 있다.

원거리에서 광학적으로 영상데이터를 취득하므로, 기존 화재감지기들과 달리 파손의 우려가 없다. 또한, 초기 화재가스의 형상패턴을 인공지능 학습하여 적용하므로, 기존 적외선 카메라와 달리 모든 열원에 대해 반응하지 않고, 오직 화재로 인한 가스발생의 경우에만 결과를 출력한다. 그리고, 초기 화재가스의 형상패턴을 인공지능 학습하여 적용하므로, 기존 가스탐지 카메라와 달리 단순히 CO 나 CO2 가스의 감지를 무조건 화재로 오판하지 않고, 오직 그 가스의 형상패턴이 인공지능 학습결과에 따라 초기 화재가스로 판정된 경우에만 결과를 출력한다.

<가스탐지의 세부구성>

여기서, 상기 가스탐지(S20)를 위해, 1) 각 프레임마다 수행되어 가스 위치를 탐지하는 정적 가스이미지 탐지(S21); 2) 복수의 프레임으로 이루어지는 프레임 세트마다 수행되어 가스 형태를 탐지하는 공간상 가스변화 탐지(S22); 및 3) 복수의 프레임으로 이루어지는 프레임 세트마다 수행되어 가스 변화를 탐지하는 시간상 가스변화 탐지(S23); 중 적어도 어느 하나 이상이 수행되도록 구성되어도 좋다. 다만, 본 발명은 이 세가지 탐지방식에 한하지 않고, 예컨대 일기나 계절적 요인(바람, 기온, 습도, 우천, 4계절 등)의 고려, 탐지대상 장소의 특징(실내/실외, 임야, 해변, 도심 등) 고려 등을 포함하여 탐지결과의 정확도를 높이는 등의 추가적인 방식도 적용될 수 있음은 당연하다.

이렇게 다양한 딥러닝 기술을 사용하는 이유는, 영상데이터를 다각도로 분석하여 하나의 딥러닝 기술에서 발생할 수 있는 오탐지 혹은 미검출 문제점을 극복하여 오탐률을 낮추고 검출율과 정확도를 높이기 위함이다. 본 발명에서 가스 위치, 가스 형태, 가스 변화 등을 탐지하기 위하여 사용하는 딥러닝 기술은 다음과 같다.

1) 정적 가스이미지 탐지모듈(21)은, 가스 위치를 탐지하기 위하여 딥러닝 기술 중 객체탐지 방식을 이용한다. 가스영상 획득장치(10)로부터 전송받은 영상데이터의 매 프레임마다 객체탐지 방식을 적용하여 정적 이미지 형태로 분석하여 가스 위치와 분포를 찾을 수 있다.

도 3은, 정적 가스이미지 탐지모듈의 동작 과정을 예시한 것이다. 정적 가스이미지 탐지모듈에서 사용하는 가스위치 탐지기술은, 영상데이터 처리분야에서 사용하는 딥러닝 객체탐지(Object Detection) 모델방식이다.

객체탐지 모델에는, 많은 연구에서 사용되는 YOLO 모델과 Faster-RCNN 모델 및 EfficientDet 모델 등을 사용할 수 있고, 해당 모델들은 다양한 크기와 비율의 객체 후보 박스를 클래스 별로 나눠 위치를 탐지하는 방식들이다. 객체탐지 모델에서 클래스를 가스 하나만 지정하여 가스위치 영역에 더 집중하여 탐지하거나 가스의 농도나 크기 등으로 클래스를 구별하여 가스의 화재 가능성이나 위험도를 나타낼 수도 있다. 다른 방법으로는, 세그멘테이션(Segmentation) 딥러닝 모델을 사용하는 방식으로, 이전의 객체탐지 모델에서 클래스가 해당되는 후보 박스를 찾는 방식이었다면, 세그멘테이션은 영상데이터의 한 픽셀이 어느 클래스에 속하는지 추론하는 모델이다. 이 모델을 사용하게 되면, 영상데이터 프레임에서 가스에 해당하는 픽셀을 탐지할 수 있어, 배경과 가스를 구분하고, 기존의 패턴과 다른 형태의 가스가 나타나는지도 탐지가 가능하다.

2) 공간상 가스변화 탐지모듈(22)은, 3D 객체 탐지기술을 이용하여 가스 형태, 즉 공간상 분포를 탐지한다. 가스는 공기 중에 퍼져 일정한 형태가 아닌 불규칙적이고 다양한 형태가 될 수 있다. 특히 실외나 넓은 공간에서는 바람, 온도, 습도 등 외부요인으로 인해 더 불규칙적이고 다양한 가스의 형태가 나타난다. 딥러닝 모델을 이용하여 영상데이터에서 가스의 3D 좌표를 얻어 다양한 형태와 크기의 가스를 탐지할 수 있다.

공간상 가스변화 탐지모듈(22)은, 몇 장의 연속된 영상데이터를 마치 3차원 데이터처럼 이용하는 방식이며, 도 4와 같다. 이 방식을 이용하게 되면, 연속된 영상데이터 프레임에서 가스 형상의 상관관계를 계산할 수 있어, 화재의 가능성을 분석하는 것이 가능하며, 정적 가스이미지 탐지에서는 불가능했던 희미하거나 미세한 가스도 탐지하는 것이 가능하다. 이 분석에는 3D CNN(Convolutional Neural Network) 기법을 일반적으로 사용할 수 있다.

3) 시간상 가스변화 탐지모듈(23)은, 딥러닝을 이용한 시계열 분석방법 혹은 연속된 영상데이터를 통한 분석방법을 사용하여 시간 흐름에 따른 가스 형상의 변화를 탐지한다. 시계열 분석을 통해 가스의 변화가 화재가 될 수 있는지 예측 가능하다. 또 연속된 프레임을 입력으로 받는 딥러닝 모델을 이용하여 가스의 변화하는 특징을 검출하여 화재로 이어질 수 있는지 예측할 수 있다.

시간상 가스변화 탐지모듈(23)은, 딥러닝 기술을 이용한 시계열 영상분석 모듈이다. 시계열 분석에는 RNN(Recurrent Neural Network) 기법을 사용한다. RNN 기법을 통해, 직전까지의 영상데이터와 현재 영상데이터 프레임의 상관관계를 계산할 수 있다. 이를 통해, 도 5처럼 가스의 시간상 변화를 탐지할 수 있다.

RNN 기법 중에 LSTM(Long Short Term Memory) 알고리즘을 사용하게 되면, 장시간의 시계열 분석을 통해서도 특정 시점의 값을 버리거나 유지시켜서 RNN 기법에 사용하는데 필요한 과거의 영상데이터들의 값을 효율적으로 적용할 수 있다. 이러한 시계열 분석을 통해, 화재가 될 수 있는 가스인지 아닌지를 분석하는 것이 가능하다.

다만, 상기 가스탐지(S20)를 위한 구체적 탐지방식은, 상기 정적 가스이미지 탐지(S21), 공간상 가스변화 탐지(S22) 및 시간상 가스변화 탐지(S23)의 3가지로 한정되는 것이 아니고, 이 외에도 현장의 상황에 따라 적절한 탐지모듈을 추가 적용하여 탐지의 정확도를 높일 수 있다.

상기 설명한 다양한 딥러닝 기술을 사용하여 초기 화재가스의 위치와 형태 및 변화 등을 탐지할 수 있다.

<화재판정의 세부구성>

여기서, 상기 화재판정(S30)은, 상기 정적 가스이미지 탐지(S21), 공간상 가스변화 탐지(S22) 및 시간상 가스변화 탐지(S23)의 탐지결과에 대해 인공지능을 이용하여 앙상블(Ensemble) 처리를 수행하여 이루어지도록 구성되어도 좋다. 여기서, 상기 앙상블 처리는, 투표, 배깅 및 부스팅 중 적어도 어느 하나 이상에 의해 처리되도록 구성되어도 좋다. 다만, 본 발명은 이 세가지 앙상블 처리방식에 한하지 않고, 예컨대 가중치나 우선순위의 고려, 경제적 비용이나 기회비용의 고려, 경험치 고려 등을 포함하여 앙상블에 의한 화재판정 결과의 정확도를 높이는 등의 추가적인 방식도 적용될 수 있음은 당연하다.

화재판정모듈(30)은, 화재 가능성을 판단하는 모듈로서, 앙상블 기법을 통해 복수 딥러닝 모델의 결과값을 종합하여, 단일 딥러닝 모델이 가지는 오차를 낮추고, 집단 지성을 활용하여 최종 화재가능성을 계산하는 기능을 수행한다. 다양한 딥러닝 모듈의 오탐률을 낮추고 검출율과 정확도를 높이기 위해 적용 가능한 앙상블 기법으로는, 투표(Voting) 방식, 배깅(Bagging) 방식 및 부스팅(Boosting) 방식 등이 있다. 각 앙상블 기법의 특성은 표1과 같다.

방식	설명	비고
투표 (Voting)	서로 다른 모델의 결과를 종합, 가장 중복이 많은 결과가 최종 결과	결과값 활용에 따라 하드와 소프트 방식으로 구분됨
배깅 (Bagging)	같은 모델에서 데이터셋을 무작위로 나누어 학습	데이터셋을 나눌 때 중복을 허용하나 완전히 겹치지는 않음
부스팅 (Boosting)	같은 모델에 데이터셋을 무작위로 나누어 학습한 뒤, 에러가 난 데이터를 비중 높게 다시 데이터셋을 만들어 학습	데이터셋을 만들 때 중복을 허용하나 완전히 겹치지는 않음

이처럼, 본 발명에 의하면, 각 딥러닝 모델로 얻은 가스탐지의 결과에 대해 인공지능을 이용하여 앙상블 기법을 통해 융합 처리하여, 화재발생 여부를 단정적으로 판정할 수 있으므로, 오탐률을 낮추고 탐지 검출율을 높여, 신뢰도 높은 결과를 얻을 수 있고, 판정의 합리성을 확보할 수 있다.

<적외선 온도>

여기서, 상기 화재판정(S30)은, 상기 가스영상 획득장치(10)에 의해 취득된 적외선 온도가 미리 정해진 범위에 속하는지 여부를 판정하는 온도판정을 포함하여 이루어지도록 구성되어도 좋다.

초기 화재가스의 영상데이터를 획득하는 가스영상 획득장치(10)는, 적외선 파장검출 기반의 장치로 이루어질 수 있고, 이 경우에 추가적인 장치의 부가 없이, 피사체로부터의 적외선 온도가 관측될 수 있다. 이처럼, 추가적 데이터에 의해 적외선 온도가 고려됨으로써, 그 감지된 열기의 열원이 무엇인지, 즉 촛불, 사람, 동물, 자동차, 전구, 굴뚝 등이 구분될 수 있고, 이 적외선 온도가 미리 설정된 온도범위에 속하는 경우에 화재 가능성이 판정되도록 함으로써, 사람이나 동물, 자동차 등에서 검지된 가스는 화재의 가능성에서 배제시킬 수 있도록 하여, 오탐률을 낮추고 탐지 검출율을 높여 신뢰성을 향상시킬 수 있다.

<장치>

본 발명의 화재 판정장치는, 인공지능을 이용하여 광학적으로 화재발생 여부를 판정하기 위한 화재 판정장치이다. 본 발명의 장치는, 가스영상 획득장치(10)와; 딥러닝 장치(100);가 포함되어 이루어진다.

상기 가스영상 획득장치(10)는, 화재 초기에 발생되는 초기 화재가스의 영상데이터가 취득되도록 하는 장치이다.

상기 딥러닝 장치(100)는, 상기 영상데이터가 입력되는 장치이다.

그리고 상기 딥러닝 장치(100)는, 인공지능 가스탐지모듈(20)과; 인공지능 화재판정모듈(30);이 포함되어 이루어짐을 특징으로 한다.

상기 인공지능 가스탐지모듈(20)은, 인공지능을 이용하여 상기 영상데이터로부터 화재의 가스 및 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지가 이루어지도록 하는 모듈이다.

상기 인공지능 화재판정모듈(30)은, 인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정이 이루어지도록 하는 모듈이다.

<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, 인공지능을 이용한 화재 판정방법, 장치 및 프로그램의 산업에 이용될 수 있다.

10: 가스영상 획득장치
20: 가스탐지모듈
21: 정적 가스이미지 탐지모듈
22: 공간상 가스변화 탐지모듈
23: 시간상 가스변화 탐지모듈
30: 화재판정모듈
40: 후속조치모듈
100: 딥러닝 장치

Claims (7)

1. 인공지능을 이용하여 연기나 불꽃의 유무와 상관없이 화재발생 여부를 판정하기 위한 화재 판정방법으로서,
   화재 초기에 발생되고, 무형, 무색, 무취의 속성을 가져서, 사람의 눈이나 일반적인 카메라로 탐지될 수 없는 초기 화재가스가 가지는 특정 파장에 대한 영상데이터가 가스영상 획득장치에 의해 취득되어 딥러닝 장치에 입력되는 입력단계와;
   상기 딥러닝 장치에서 인공지능을 이용하여 상기 영상데이터로부터 화재의 가스 및 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지가 이루어지는 인공지능 가스탐지단계와;
   상기 딥러닝 장치에서 인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정이 이루어지는 인공지능 화재판정단계;
   가 포함되어 이루어짐을 특징으로 하는, 인공지능을 이용한 화재 판정방법.
2. 청구항 1에 있어서,
   상기 가스탐지를 위해,
   1) 각 프레임마다 수행되어 가스 위치를 탐지하는 정적 가스이미지 탐지;
   2) 복수의 프레임으로 이루어지는 프레임 세트마다 수행되어 가스 형태를 탐지하는 공간상 가스변화 탐지; 및
   3) 복수의 프레임으로 이루어지는 프레임 세트마다 수행되어 가스 변화를 탐지하는 시간상 가스변화 탐지;
   중 적어도 어느 하나 이상이 수행됨을 특징으로 하는, 인공지능을 이용한 화재 판정방법.
3. 청구항 2에 있어서,
   상기 화재판정은, 상기 정적 가스이미지 탐지, 공간상 가스변화 탐지 및 시간상 가스변화 탐지의 탐지결과에 대해 인공지능을 이용하여 앙상블 처리를 수행함으로써 이루어짐
   을 특징으로 하는, 인공지능을 이용한 화재 판정방법.
4. 청구항 3에 있어서,
   상기 앙상블 처리는, 투표, 배깅 및 부스팅 중 적어도 어느 하나 이상에 의해 처리됨
   을 특징으로 하는, 인공지능을 이용한 화재 판정방법.
5. 청구항 1에 있어서,
   상기 화재판정은, 상기 가스영상 획득장치에 의해 취득된 적외선 온도가 미리 정해진 범위에 속하는지 여부를 판정하는 온도판정을 포함하도록 이루어짐
   을 특징으로 하는, 인공지능을 이용한 화재 판정방법.
6. 인공지능을 이용하여 연기나 불꽃의 유무와 상관없이 화재발생 여부를 판정하기 위한 화재 판정장치로서,
   화재 초기에 발생되고, 무형, 무색, 무취의 속성을 가져서, 사람의 눈이나 일반적인 카메라로 탐지될 수 없는 초기 화재가스가 가지는 특정 파장에 대한 영상데이터가 취득되도록 하는 가스영상 획득장치와;
   상기 영상데이터가 입력되는 딥러닝 장치;
   가 포함되어 이루어지고,
   상기 딥러닝 장치는,
   인공지능을 이용하여 상기 영상데이터로부터 화재의 가스 및 열에너지에 따른 초기 화재가스의 형상패턴을 판정하여 가스탐지가 이루어지도록 하는 인공지능 가스탐지모듈과;
   인공지능을 이용하여 상기 가스탐지의 결과로부터 화재판정이 이루어지도록 하는 인공지능 화재판정모듈;
   이 포함되어 이루어짐을 특징으로 하는, 인공지능을 이용한 화재 판정장치.
7. 정보기기에 청구항 1에 기재된 방법의 각 단계를 실행시키기 위한 정보기기용 프로그램을 기록한, 정보기기로 읽을 수 있는 저장매체에 기록된 정보기기용 프로그램.

Images