KR102356264B1 - Ai 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 - Google Patents
Ai 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 Download PDFInfo
- Publication number
- KR102356264B1 KR102356264B1 KR1020200140281A KR20200140281A KR102356264B1 KR 102356264 B1 KR102356264 B1 KR 102356264B1 KR 1020200140281 A KR1020200140281 A KR 1020200140281A KR 20200140281 A KR20200140281 A KR 20200140281A KR 102356264 B1 KR102356264 B1 KR 102356264B1
- Authority
- KR
- South Korea
- Prior art keywords
- coal
- indoor
- data
- pile
- gas concentration
- Prior art date
Links
- 239000003245 coal Substances 0.000 title claims abstract description 216
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims description 55
- 238000000034 method Methods 0.000 title claims description 32
- 238000012546 transfer Methods 0.000 title abstract description 5
- 238000005516 engineering process Methods 0.000 title description 10
- 238000010191 image analysis Methods 0.000 title description 7
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 48
- 238000004891 communication Methods 0.000 claims description 18
- 238000012806 monitoring device Methods 0.000 claims description 12
- 239000000428 dust Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004880 explosion Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 63
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- IKHGUXGNUITLKF-UHFFFAOYSA-N Acetaldehyde Chemical compound CC=O IKHGUXGNUITLKF-UHFFFAOYSA-N 0.000 description 2
- KAKZBPTYRLMSJV-UHFFFAOYSA-N Butadiene Chemical compound C=CC=C KAKZBPTYRLMSJV-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- QQONPFPTGQHPMA-UHFFFAOYSA-N Propene Chemical compound CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000002802 bituminous coal Substances 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- NEHMKBQYUWJMIP-UHFFFAOYSA-N chloromethane Chemical compound ClC NEHMKBQYUWJMIP-UHFFFAOYSA-N 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- IKHGUXGNUITLKF-XPULMUKRSA-N acetaldehyde Chemical compound [14CH]([14CH3])=O IKHGUXGNUITLKF-XPULMUKRSA-N 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 238000005187 foaming Methods 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Emergency Alarm Devices (AREA)
Abstract
실시예에 따르면, 이동감시가 가능한 방폭 구조가 적용된 하우징; 상기 하우징과 옥내 저탄장 및 석탄이송설비 실내 천정 또는 벽을 연결하는 와이어; 상기 와이어에 연결되어 동력을 제공하는 구동부; 상기 하우징에 배치되어 상기 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성하는 카메라부; 상기 하우징에 배치되어 가스농도를 측정하여 가스 농도 데이터를 생성하는 가스 센서부; 및 상기 영상 데이터 및 상기 가스 농도 데이터를 이용하여 상기 옥내 저탄장에서의 위치별 발화 가능성을 판단하는 인공지능 인공지능 프로세서를 포함하는 옥내 저탄장 감시 장치를 제공한다.
Description
본 발명의 일실시예는 AI 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비 감시하는 장치 및 방법에 관한 것이다.
통상 대부분 화력발전소의 경우 연료로 유연탄을 사용하고 있으며, 많은 양을 해외에서 수입하고 있다. 그리고 해외 각 지역에서 수입되는 유연탄은 화력발전소나 보일러의 연소 조건에 따라 다양하게 혼합하여 사용하고 있으며, 하역 후 바로 화력발전소로 상탄하는 경우도 있으나, 대부분 제반 여건상 저탄장에 다수의 석탄더미로 해서 장시간 저장하여 사용하는 경우가 빈번하다.
예컨대, 수일에 한 번씩 수십만톤의 석탄을 하역하게 되면 하역과 함께 화력발전소로 상탄할 수 없으므로, 자연적으로 저탄장에 짧게는 며칠 길게는 몇 개월씩 야적할 수밖에 없는 상황이다.
이때, 저탄장에 야적하는 석탄은 탄의 종류별로 발열량이 다르기 때문에 소규모 그룹을 지어 야적하게 된다. 통상 하나의 실외 야적 석탄더미는 그 넓이가 대략 100±50m, 높이가 10~12m이며, 저탄장에 수십개 정도 형성된다. 이러한 실외 저탄장의 경우, 석탄의 비산문제 등으로 인한 민원 발생으로 최근에는 실내(옥내형) 저탄장에 저장하는 추세이다.
그러나, 석탄더미는 쉽게 비산될 수 있고, 대기 중의 산소에 의하여 열화가 진행되는데 보통 80~90℃에서부터 열화가 시작되고, 내부 건조에 따른 온도가 300~400℃로 급상승하여 연기가 나면서 자연발화가 시작될 수 있으며, 500~800℃에서는 완전 발화가 진행되고, 이러한 비산 문제 및 발화 문제는 실내 저탄장에서 근무하는 근무자의 안전을 위협하는 등 해결해야 할 문제점으로 지적되고 있다.
본 발명이 이루고자 하는 기술적 과제는 인공지능 영상분석기술과 융복합된센서 그리고 이동형감시가 가능한 골돌라 형태의 방폭형 구조로 설계되어 옥내 저탄장에 안전하게 적용가능한 AI 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 을 제공하는데 있다.
실시예에 따르면, 방폭 구조가 적용된 하우징; 상기 하우징과 옥내 저탄장 실내 천정 또는 벽을 연결하는 와이어; 상기 와이어에 연결되어 동력을 제공하는 구동부; 상기 하우징에 배치되어 상기 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성하는 인공지능 카메라부; 상기 하우징에 배치되어 가스농도를 측정하여 가스 농도 데이터를 생성하는 가스 센서부; 및 상기 영상 데이터 및 상기 가스 농도 데이터를 이용하여 상기 옥내 저탄장에서의 위치별 발화 가능성을 판단하는 인공지능 프로세서를 포함하는 AI 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치를 제공한다.
상기 카메라부는 열화상 이미지 센서 및 RGB이미지 센서를 포함할 수 있다.
상기 하우징에 배치되어 상기 석탄 더미를 스캐닝하여 체적 데이터를 생성하는 레이저 스캐너를 더 포함할 수 있다.
상기 인공지능 프로세서는 상기 체적 데이터를 이용하여 상기 옥내 저탄장내에 저장된 석탄량을 판단할 수 있다.
상기 구동부는 상기 와이어에 전달되는 동력을 제어하여 상기 옥내 저탄장 및 석탄이송설비 감시 장치를 2축 또는 4축으로 이동시킬 수 있다.
상기 구동부와 상기 와이어의 연결 지점에 마련되는 분진 제거부를 더 포함할 수 있다.
상기 인공지능 프로세서는 상기 영상 데이터 및 상기 가스 농도 데이터를 입력으로 하여, 상기 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 학습 모델부를 포함할 수 있다.
상기 학습 모델부는 상기 영상 데이터 및 상기 가스 농도 데이터를 입력층으로 하여, 상기 영상 데이터 및 상기 가스 농도 데이터와 발화 가능성간의 상관관계를 학습하고, 상기 옥내 저탄장에서의 위치별 발화 가능성이 출력층이 되도록 학습된 뉴럴 네트워크를 포함할 수 있다.
상기 영상 데이터, 상기 가스 농도 데이터 및 위치별 발화 가능성을 관리 서버로 전송하는 유무선 통신부를 더 포함할 수 있다.
상기 관리 서버는 영상 데이터 및 상기 가스 농도 데이터를 입력으로 하여, 상기 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 학습 모델부를 포함할 수 있다.
실시예에 따르면, 방폭 구조가 적용된 하우징에 배치된 카메라부가 상기 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성하는 단계; 상기 하우징에 배치된 가스 센서부가 가스농도를 측정하여 가스 농도 데이터를 생성하는 단계; 및 인공지능 프로세서가 상기 영상 데이터 및 상기 가스 농도 데이터를 이용하여 상기 옥내 저탄장에서의 위치별 발화 가능성을 판단하는 단계를 포함하는 AI 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 방법 을 제공한다.
상기 하우징에 배치된 레이저 스캐너가 상기 석탄 더미를 스캐닝하여 체적 데이터를 생성하는 단계 및 상기 인공지능 프로세서가 상기 체적 데이터를 이용하여 상기 옥내 저탄장내에 저장된 석탄량을 판단하는 단계를 더 포함할 수 있다.
실시에에 따르면, 전술한 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록매체를 제공한다.
본 발명인 AI 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비 감시하는 장치 및 방법은 옥내 저탄장 및 석탄이송시설 내 화재, 발화 등에 대비하여 안정성을 제공할 수 있다.
또한, 분진 등에 영향을 받지 않고 정확한 모니터링이 가능하다.
또한, 작업자의 위험지역 출입여부 및 이상행동등을 진단하여 작업자 안전성을 크게 향상시킬 수 있다.
도1은 실시예에 따른 옥내 저탄장 및 석탄이송시설 감시 장치의 개념도이다.
도2는 실시예에 따른 옥내 저탄장 및 석탄이송시설 감시 장치의 구성 블록도이다.
도3 및 도4는 실시예에 따른 옥내 저탄장 감시 장치의 동작을 설명하기 위한 도면이다.
도5 내지 도8은 실시예에 따른 옥내 저탄장 감시 방법의 순서도이다.
도2는 실시예에 따른 옥내 저탄장 및 석탄이송시설 감시 장치의 구성 블록도이다.
도3 및 도4는 실시예에 따른 옥내 저탄장 감시 장치의 동작을 설명하기 위한 도면이다.
도5 내지 도8은 실시예에 따른 옥내 저탄장 감시 방법의 순서도이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다.
다만, 본 발명의 기술 사상은 설명되는 일부 실시 예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 기술 사상 범위 내에서라면, 실시 예들간 그 구성 요소들 중 하나 이상을 선택적으로 결합, 치환하여 사용할 수 있다.
또한, 본 발명의 실시예에서 사용되는 용어(기술 및 과학적 용어를 포함)는, 명백하게 특별히 정의되어 기술되지 않는 한, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 일반적으로 이해될 수 있는 의미로 해석될 수 있으며, 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미를 고려하여 그 의미를 해석할 수 있을 것이다.
또한, 본 발명의 실시예에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함할 수 있고, "A 및(와) B, C 중 적어도 하나(또는 한 개 이상)"로 기재되는 경우 A, B, C로 조합할 수 있는 모든 조합 중 하나 이상을 포함할 수 있다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다.
이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등으로 한정되지 않는다.
그리고, 어떤 구성 요소가 다른 구성요소에 '연결', '결합' 또는 '접속'된다고 기재된 경우, 그 구성 요소는 그 다른 구성 요소에 직접적으로 연결, 결합 또는 접속되는 경우뿐만 아니라, 그 구성 요소와 그 다른 구성 요소 사이에 있는 또 다른 구성 요소로 인해 '연결', '결합' 또는 '접속' 되는 경우도 포함할 수 있다.
또한, 각 구성 요소의 "상(위) 또는 하(아래)"에 형성 또는 배치되는 것으로 기재되는 경우, 상(위) 또는 하(아래)는 두 개의 구성 요소들이 서로 직접 접촉되는 경우뿐만 아니라 하나 이상의 또 다른 구성 요소가 두 개의 구성 요소들 사이에 형성 또는 배치되는 경우도 포함한다. 또한, "상(위) 또는 하(아래)"으로 표현되는 경우 하나의 구성 요소를 기준으로 위쪽 방향뿐만 아니라 아래쪽 방향의 의미도 포함할 수 있다.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도1은 실시예에 따른 옥내 저탄장 감시 장치의 개념도이다고, 도2는 실시예에 따른 옥내 저탄장 감시 장치의 구성 블록도이다. 도1 및 도2를 참조하면, 옥내 저탄장에는 적어도 1개의 옥내 저탄장 감시 장치(1)가 배치될 수 있다. 옥내 저탄장 감시 장치(1)는 영상 데이터, 가스 농도 데이터, 체적 데이터 등을 관리 서버로 전송할 수 있다. 또한, 옥내 저탄장 감시 장치(1)는 관리 서버(200)로부터 학습 모델부를 수신하여, 저장하고 있는 학습 모델부를 업데이트 할 수 있다.
실시에에 따른 옥내 저탄장 감시 장치(10)는 하우징(100), 와이어(110), 구동부(120), 분진 제거부(130), 카메라부(140), 가스 센서부(150), 레이저 스캐너(160), 인공지능 프로세서(170), 통신부(180) 및 데이터 베이스(190)를 포함할 수 있다.
하우징(100)은 육면체 형태로 방폭 구조가 적용될 수 있다. 하우징(100)의 내주 벽면에는 불연성 및 난연성 재질의 발포 방폭 패드가 부착될 수 있다. 예를 들면, 방폭 패드는 발포성 실리카(SiO) 소재로 이루어진 것으로, 폐유리 분말을 고온 발포하여 다공성 구체(완전 구체는 아니고 자유 형상으로 찌그러진 발포 형태가 형성되면 이를 몰딩 틀에 넣어 접착제로 하여금 일체의 판넬로 성형하도록 이루어질 수 있다.
이때, 다공성 구체는 유리를 분말상태에서 고온(800~900℃)에서 발포 소성한 것으로서, 입자 크기가 5~70mm 이고, 건조시 밀도가 0.3g/㎤~0.7g/㎤ 이고, 수분포화시 밀도가 0.9g/㎤~1.1g/㎤ 이며, 공극률이 65%~85% 이고, 압축강도가 10kg/㎤~30kg/㎤ 일 수 있다. 이러한 방폭 패드는 충격시 자연스럽게 부스러질 수 있으면서 완충 역할을 도모하도록 형성될 수 있다.
와이어(110)는 하우징(100)과 옥내 저탄장 실내 천정 또는 벽을 연결할 수 있다. 와이어(110)는 전력 공급 및 전력선 통신이 가능한 케이블로 구성될 수 있으며, 이를 통하여 옥내 저탄장 감시 장치(10)로 전력을 공급하고, 전력선 통신을 수행할 수 있도록 한다.
구동부(120)는 와이어(110)에 연결되어 동력을 제공할 수 있다. 구동부(120)는 인공지능 프로세서(170)의 제어에 따라 와이어(110)에 전달되는 동력을 제어하여 옥내 저탄장 감시 장치(10)를 2축 또는 4축으로 이동시킬 수 있다.
도3은 실시예에 따른 2축 구동방식의 옥내 저탄장 감시 장치(10)를 설명하기 위한 도면이다.
2축의 구동 방식의 경우 와이어(111)가 하우징(100)의 양측면을 수평축으로 관통하도록 배치될 수 있다. 구동부(120)는 하우징(100)을 중심으로 와이어(111)의 양측에 각각 배치되는 2개의 모터(121)를 포함할 수 있다. 관리서버(200) 또는 원격 조작부(300)는 모터(121)를 제어하여 와이어(111)를 따라 2축 방향으로 옥내 저탄장 감시 장치(10)를 이동시킬 수 있다. 또는 옥내 저탄장 감시 장치(10)는 기 설정된 속도와 경로를 따라 자율 주행을 수행하면서 옥내 저탄장을 감시할 수 있다.
도4는 실시예에 따른 4축 구동방식의 옥내 저탄장 감시 장치(10)를 설명하기 위한 도면이다.
4축의 구동 방식의 경우 제1와이어(112)가 하우징(100)의 2개 측면을 수평축으로 관통하며, 제2와이어(113)가 제1와이어(112)와 직교하는 방향으로 하우징(100)의 나머지 2개 측면을 관통하도록 배치될 수 있다. 구동부(120)는 하우징(100)을 중심으로 제1와이어(112)의 양측과 제2와이어(113) 양측에 각각 배치되는 4개의 모터(122)를 포함할 수 있다. 관리서버(200) 또는 원격 조작부(300)는 모터(122)를 제어하여 와이어(112, 113)를 따라 4축 방향으로 옥내 저탄장 감시 장치(10)를 이동시킬 수 있다. 또는 옥내 저탄장 감시 장치(10)는 기 설정된 속도와 경로를 따라 자율 주행을 수행하면서 옥내 저탄장을 감시할 수 있다.
분진 제거부(130)는 구동부(120)와 와이어(110)의 연결 지점에 마련될 수 있다. 분진제거부(130)는 와이어에 묻어있는 분진을 제거하기 위한 교체가 가능한 블러시 타입과 구동부 본체에 묻어있는 분진을 제거하기 위한 에어 블러쉬로 구성될 수 있다. 또한 별도의 크린룸을 구비하여 일정한 수압을 통해 물청소를 수행할 수 있다.
카메라부(140)는 하우징(100)에 배치되어 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성할 수 있다. 또한, 카메라부(140)는 인공지능 프로세서(170) 또는 관리서버(200)의 제어에 따라 컨베이어 벨트, 작업자 등을 촬영할 수 있다.
실시예에서, 카메라부(140)는 열화상 이미지 센서(141), RGB이미지 센서(142) 및 SWIR이미지 센서(143)를 포함할 수 있다.
열화상 이미지 센서(141)는 하우징(100) 하단 외벽에 배치될 수 있다. 열화상 이미지 센서(141)를 통하여 촬영된 이미지 또는 영상 데이터는 석탄 더미의 온도 분포를 판단하기 위하여 사용될 수 있다.
RGB이미지 센서(142)는 열화상 이미지 센서(141)에 인접하여 하우징(100) 하단 외벽에 배치될 수 있다. RGB 이미지 센서(142)를 통하여 촬영된 이미지 또는 영상 데이터는 석탄 더미의 형상, 형태 등을 판단하기 위하여 사용될 수 있다.
SWIR이미지 센서(143)는 열화상 이미지 센서(141)에 인접하여 하우징(100) 하단 외벽에 배치될 수 있다. SWIR이미지 센서(143)를 통하여 촬영된 이미지 또는 영상 데이터는 석탄 더미의 체적, 석탄량 등을 판단하기 위하여 사용될 수 있다. SWIR이미지 센서(143)는 가시광에 비해 파장이 긴 특성이 있어 산란현상이 덜 일어나므로 안개, 분진, 먼지 등의 조건에서도 선명한 이미지를 제공할 수 있다.
카메라부(140)는 석탄 더미를 촬영하여 열화상 이미지 및 RGB이미지, SWIR이미지를 포함하는 영상 데이터를 생성할 수 있다. 카메라부(140)는 순차적으로 촬영되는 복수개의 이미지를 이용하여 석탄 더미에 대한 복수개의 영상 데이터를 생성할 수 있다. 예를 들면, 카메라부(140)는 제1석탄 더미를 포함하는 제1이미지를 촬영하여 제1영상 데이터를 생성할 수 있으며, 제2석탄 더미를 포함하는 제2이미지를 촬영하여 제2영상 데이터를 생성할 수 있다. 제1이미지 및 제2이미지는 각각 다른 시간에 촬영된 이미지일 수 있으며, 하나의 영상 데이터는 단일 RGB이미지, 단일 SWIR이미지 및 단일 열화상 이미지를 포함할 수 있다. 이러한 영상데이터를 종합하여 석탄더미의 발화점을 추적하고 석탄량을 측정하며 옥내저탄장내에서의 작업자 안전, 예를 들면 중장비와 작업자의 안전거리 미확보, 작업자의 쓰러짐등 이상행동, 석타취급설비 동작시 작업자의 출입여부, 화재, 연기, 작업자의 안전복 착용여부등을 감시한다.
열화상 이미지 센서(141), RGB이미지 센서(142) 및 SWIR이미지 센서(143)는 인공지능 프로세서(170)의 제어에 따라 동일한 시점에 동일한 방향을 지향하도록 제어될 수 있다.
가스 센서부(150)는 하우징(100)에 배치되어 가스농도를 측정하여 가스 농도 데이터를 생성할 수 있다. 가스 센서부(150)는 리튬폴리머, 리튬이온, 리튬인산철 등의 리튬배터리셀에서 발생하는 일산화탄소, 이산화탄소, 메탄, 에틸렌, 프로펜, 아세트알데하이드, 1,3-부타디엔, 클로로메탄 같은 분자가 감지기의 표면에 흡착되어 감지기의 저항이 변하는 가스센서를 포함할 수 있다. 예를 들면, 가스 센서부(150)는 일산화탄소, 메탄, 아세트알데하이드 분자를 감지하는 가스 센서를 포함할 수 있다. 가스 센서부(150)는 가스의 농도에 따른 센서의 저항 변화량을 전류 변화량으로 측정할 수 있다. 이때, 가스 센서부(150)는 전류 측정량의 신호를 증폭하기 위한 증폭기 및 디지털 신호로 변환하기 위한 아날로그/디지털 변환기를 포함할 수 있다.
레이저 스캐너(160)는 하우징(100)에 배치되어 석탄 더미를 스캐닝하여 체적 데이터를 생성할 수 있다.
레이저 스캐너(160)는 레이저 광원(161), 레이저 출력부(162), 레이저 수신부(163) 및 데이터 가공부(164)를 포함할 수 있다. 레이저 출력부(162)는 레이저 광원(161)에서 출력된 레이저 광을 확산시키고, 확산된 레이저 광을 출력할 수 있다. 레이저 출력부(162)는 예를 들면 단파장 레이저 광을 출력할 수 있다.
레이저 수신부(163)는 레이저 출력부(162)를 중심으로 소정의 위치에 배치될 수 있으며, 레이저 출력부(162)에서 출력된 복수의 레이저 광 가운데 진행 경로 상에 위치하는 석탄 더미에 의해 반사된 반사광을 수신할 수 있다. 레이저 수신부(163)는 반사광에 대응되는 전기 신호를 생성하여 데이터 가공부(164)에 전달 수 있다.
데이터 가공부(164)는 레이저 수신부(163)에서 수신한 신호를 기초로 범위안에서 감지된 석탄 더미와의 거리를 측정할 수 있다. 데이터 가공부(164)는 예를 들면. 레이저 수신부(163)에서 수신한 신호인 반사광의 ToF(Time of Flight)를 기초로 석탄 더미와의 거리를 측정할 수 있다. 또한, 데이터 가공부(164)는 레이저 수신부(163)에서 수신한 반사광을 기초로 석탄 더미의 방향을 측정할 수도 있다. 또한, 데이터 가공부(164)는 레이저 수신부(163)에서 수신한 반사광을 통해 석탄 더미를 인식하는 것으로, 레이저 출력부(162)로부터 출력되어 석탄 더미에 반사된 반사광을 수신함으로써 석탄 더미와의 거리, 석탄 더미의 방향을 감지할 수 있다. 데이터 가공부(164)는 석탄 더미와의 거리, 석탄 더미의 방향을 이용하여 석탄 더미에 대한 체적 데이터를 생성할 수 있다.
인공지능 프로세서(170)는 영상 데이터 및 가스 농도 데이터를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다. 인공지능 프로세서(170)는 영상 데이터 및 가스 농도 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 제1학습 모델부(171)를 포함할 수 있다.
제1학습 모델부(171)는 데이터 베이스(190)에 저장된 일정 기간의 영상 데이터 및 가스 농도 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습될 수 있다. 이 때, 위치별 발화 가능성은 석탄 더미별 발화 가능성과 동일한 의미로 사용될 수 있다.
제1학습 모델부(171)는 영상 데이터 및 가스 농도 데이터를 입력층으로 하여, 영상 데이터 및 가스 농도 데이터와 석탄 더미의 발화 가능성간의 상관관계를 학습하고, 옥내 저탄장에서의 위치별 발화 가능성이 출력층이 되도록 학습된 제1뉴럴 네트워크를 포함할 수 있다.
제1학습 모델부(171)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 인공지능 프로세서(170)는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.
또한, 인공지능 프로세서(170)는 체적 데이터를 이용하여 옥내 저탄장내에 저장된 석탄량을 판단할 수 있다. 인공지능 프로세서(170)는 체적 데이터를 입력으로 하여, 석탄 더미의 석탄량을 추정하도록 학습된 제2학습 모델부(172)를 포함할 수 있다.
제2학습 모델부(172)는 데이터 베이스(190)에 저장된 일정 기간의 체적 데이터를 입력으로 하여, 석탄 더미별 석탄량을 추정하도록 학습될 수 있다.
제2학습 모델부(172)는 체적 데이터를 입력층으로 하여, 체적 데이터와 석탄 더미의 석탄량간의 상관관계를 학습하고, 석탄 더미별 석탄량이 출력층이 되도록 학습된 제2뉴럴 네트워크를 포함할 수 있다.
제2학습 모델부(172)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 인공지능 프로세서(170)는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.
또한, 인공지능 프로세서(170)는 영상 데이터, 가스 농도 데이터 및 체적 데이터를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다. 인공지능 프로세서(170)는 영상 데이터, 가스 농도 데이터 및 체적 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 제3학습 모델부(173)를 포함할 수 있다.
제3학습 모델부(173)는 데이터 베이스(190)에 저장된 일정 기간의 영상 데이터, 가스 농도 데이터 및 체적 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습될 수 있다. 이 때, 위치별 발화 가능성은 석탄 더미별 발화 가능성과 동일한 의미로 사용될 수 있다.
제3학습 모델부(173)는 영상 데이터, 가스 농도 데이터 및 체적 데이터를 입력층으로 하여, 영상 데이터, 가스 농도 데이터 및 체적 데이터와 석탄 더미의 발화 가능성간의 상관관계를 학습하고, 옥내 저탄장에서의 위치별 발화 가능성이 출력층이 되도록 학습된 제3뉴럴 네트워크를 포함할 수 있다.
제3학습 모델부(173)는 컴퓨터로 읽을 수 있는 프로그램을 포함할 수 있다. 해당 프로그램은 컴퓨터에 의하여 실행될 수 있는 기록매체 또는 저장 장치에 저장될 수 있다. 컴퓨터 내의 인공지능 프로세서(170)는 기록매체 또는 저장 장치에 저장된 프로그램을 읽어 들이며, 프로그램, 즉 학습된 모델을 실행하여 입력 정보를 연산하고, 연산 결과를 출력할 수 있다.
여기서, 제3학습 모델부(173)를 통하여 입력되는 체적 데이터는 제2학습 모델부(172)를 통하여 출력되는 석탄량 데이터로 대체될 수 있다. 즉, 제3학습 모델부(173)는 영상 데이터, 가스 농도 데이터 및 석탄량 데이터를 입력층으로 하여, 영상 데이터, 가스 농도 데이터 및 석탄량 데이터와 석탄 더미의 발화 가능성간의 상관관계를 학습하고, 옥내 저탄장에서의 위치별 발화 가능성이 출력층이 되도록 학습된 제4뉴럴 네트워크를 포함할 수 있다.
실시예에 따른 옥내 저탄장 감시 장치(10)는 RGB이미지 센서에서 촬영한 이미지로부터 판단되는 석탄 더미의 형상, 열화상 이미지 센서에서 촬영한 이미지로부터 판단되는 석탄 더미의 온도, 체적 데이터로부터 판단되는 석탄량을 종합적으로 판단하여 석탄 더미의 발화 가능성간의 상관관계를 학습하고, 발화 가능성을 추정할 수 있다. 즉, 실시예에 따른 옥내 저탄장 감시 장치(10)는 석탄 더미의 형상, 석탄 더미의 온도, 석탄량을 종합적으로 고려함으로써 석탄 더미별 발화 가능성을 판단할 수 있는 학습 모델을 구축하고, 이를 이용하여 보다 정확한 발화 가능성을 추정할 수 있다.
또한, 인공지능 프로세서(170)는 영상 데이터를 통하여 옥내 저탄장에서 작업중인 작업자의 안전을 확인하는 기능을 수행할 수 있다. 작업자의 안전을 위하여 안전규정에 의거 컨베이어 동작 및 운탄 중에는 작업자 출입이 불가하므로, 인공지능 프로세서(170)는 영상 데이터를 통하여 이를 감지하여 관리 서버에 경고 메시지를 전달할 수 있다.
또한, 영상 데이터를 통하여 작업자의 움직임과 복장 상태를 점검하여, 안전모 미착용 여부 등의 경우 이를 감지하여 관리 서버에 경고 메시지를 전달할 수 있다. 인공지능 프로세서(170)는 별도의 학습 모델을 통하여 영상 데이터와 작업자의 복장 상태간의 상관관계를 학습하고, 작업자의 안전 여부를 진단할 수 있다.
또한, 인공지능 프로세서(170)는 영상 데이터를 이용하여 운탄 컨베이어 벨트의 상태를 진단할 수 있다. 컨베이어 벨트는 고무재질로 되어 있어 석탄에 포함될 수 있는 이물질이(철 구조물, 금구류 등)이 낙하하여 손상될 경우, 영상 데이터를 분석하여 손상정도를 측정하고, 컨베이어 벨트의 이음부에서의 손상여부를 진단할 수 있다. 인공지능 프로세서(170)는 별도의 학습 모델을 통하여 컨베이어 벨트를 촬영한 영상 데이터와 컨베이어 벨트간의 상관 관계를 학습하고, 컨베이어 벨트의 손상여부를 진단할 수 있다. 이때 진단된 결과와 손상 정도를 관리 서버에 경보 전송할 수 있다.
또한, 인공지능 프로세서(170)는 이상 상황발생시 해당 위치 좌표를 감지하여, 구동부(120)를 제어함으로써 옥내 저탄장 감시 장치(10)를 이상 상황이 발생한 위치로 이동시킬 수 있다.
통신부(180)는 영상 데이터, 가스 농도 데이터 및 위치별 발화 가능성을 관리 서버 및 관리자 단말기로 전송할 수 있다.
예를 들면, 통신부(180)는 무선랜(Wireless LAN: WLAN), 와이 파이(Wi-Fi), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등의 원거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
또는, 통신부(180)는 블루투스, RFID(RadioFrequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비, 인접 자장 통신(NFC) 등이 포함될 수 있다. 또한, 유선 통신 기술로는, USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블, 전력선 통신 등의 근거리 통신 기술을 사용하여 데이터 통신을 수행할 수 있다.
데이터 베이스(190)는, 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 옥내 저탄장 감시 장치(10)는 인터넷(internet) 상에서 데이터 베이스(190)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 웹 스토리지와 관련되어 동작할 수도 있다.
데이터 베이스(190)는 카메라부(140)에서 촬영한 영상 데이터를 저장할 수 있으며, 과거 일정 기간 동안의 영상 데이터를 저장할 수 있다. 또한, 데이터 베이스(190)는 가스 센서부(150)에서 생성한 가스 농도 데이터를 저장할 수 있으며, 과거 일정 기간 동안의 가스 농도 데이터를 저장할 수 있다. 또한, 데이터 베이스(190)는 레이저 스캐너(160)에서 생성한 체적 데이터를 저장할 수 있으며, 과거 일정 기간 동안의 체적 데이터를 저장할 수 있다.
또한, 데이터 베이스(190)는, 옥내 저탄장 감시 장치(10)가 동작하는데 필요한 데이터와 프로그램 등을 저장할 수 있다.
또한, 데이터 베이스(190)는, 다양한 사용자 인터페이스(User Interface: UI) 또는 그래픽 사용자 인터페이스(Graphic User Interface: GUI)를 저장할 수 있다.
관리 서버(200)는 퍼스널 컴퓨터(personal computer, PC), 태블릿 PC, 휴대단말 등을 포함하는 서버일 수 있다.
관리 서버(200)는 영상 데이터, 가스 농도 데이터 및 체적 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 학습 모델부를 포함할 수 있다.
관리 서버(200)의 학습 모델부는 인공지능 프로세서(170)의 학습 모델부와 동일한 것으로, 기계 학습을 통한 대량의 데이터 처리를 위한 별도의 기계 학습 서버가 형성될 수 있다. 관리 서버(200)는 옥내 저탄장 감시 장치(10)로부터 수신한 영상 데이터, 가스 농도 데이터및 체척 데이터를 이용하여 학습 모델부를 생성하고, 생성된 학습 모델부를 옥내 저탄장 감시 장치(10)에 전송할 수 있다. 이를 통하여, 옥내 저탄장 감시 장치(10)는 학습 모델부를 생성하기 위한 대량의 연산을 수행하지 않고, 관리 서버(200)에서 생성한 학습 모델부를 지속적으로 업데이트하여 옥내 저탄장에서의 위치별 발화 가능성을 추정할 수 있다. 즉, 인공지능 프로세서(170)의 학습 모델부 는 관리 서버(200)를 통하여 학습되어 주기적으로 업데이트 될 수 있다.
도5는 실시예에 따른 옥내 저탄장 감시 방법의 순서도이다.
도5를 참조하면, 먼저 카메라부는 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성할 수 있다(S501).
다음으로, 가스 센서부는 가스농도를 측정하여 가스 농도 데이터를 생성할 수 있다(S502).
영상 데이터 생성 과정과 가스 농도 데이터 생성 과정은 동시에 이루어지거나 또는 가스 농도 데이터가 영상 데이터 보다 먼저 생성될 수 있다. 두 과정의 선후 관계는 주변 환경에 따라 상이하게 설정될 수 있다.
다음으로, 인공지능 프로세서는 영상 데이터 및 가스 농도 데이터를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다. 이 때, 인공지능 프로세서는 영상 데이터 및 가스 농도 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 제1학습 모델부를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다(S502).
도6은 실시예에 따른 옥내 저탄장 감시 방법의 순서도이다.
도6에 따르면, 먼저 레이저 스캐너가 석탄 더미를 스캐닝하여 체적 데이터를 생성할 수 있다(S601).
다음으로, 인공지능 프로세서는 체적 데이터를 이용하여 옥내 저탄장내에 저장된 석탄량을 판단할 수 있다. 이 때, 인공지능 프로세서는 체적 데이터를 입력으로 하여, 석탄 더미의 석탄량을 추정하도록 학습된 제2학습 모델부를 이용하여 석탄 더미별 석탄량을 판단할 수 있다(S602).
도7은 실시예에 따른 옥내 저탄장 감시 방법의 순서도이다.
도7을 참조하면, 먼저 카메라부는 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성할 수 있다(S701).
다음으로, 가스 센서부는 가스농도를 측정하여 가스 농도 데이터를 생성할 수 있다(S702).
다음으로, 레이저 스캐너가 석탄 더미를 스캐닝하여 체적 데이터를 생성할 수 있다(S703).
영상 데이터 생성 과정, 가스 농도 데이터 생성 과정, 체적 데이터 생성 과정은 동시에 이루어지거나 또는 임의의 순서에 따라 수행될 수 있다.
다음으로, 인공지능 프로세서는 영상 데이터, 가스 농도 데이터 및 체적 데이터를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다. 이 때, 인공지능 프로세서는 영상 데이터, 가스 농도 데이터 및 체적 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 제3학습 모델부를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다(S704).
도8은 실시예에 따른 옥내 저탄장 감시 방법의 순서도이다.
도8을 참조하면, 먼저 카메라부는 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성할 수 있다(S801).
다음으로, 가스 센서부는 가스농도를 측정하여 가스 농도 데이터를 생성할 수 있다(S802).
다음으로, 레이저 스캐너가 석탄 더미를 스캐닝하여 체적 데이터를 생성할 수 있다(S803).
영상 데이터 생성 과정, 가스 농도 데이터 생성 과정, 체적 데이터 생성 과정은 동시에 이루어지거나 또는 임의의 순서에 따라 수행될 수 있다.
다음으로, 인공지능 프로세서는 체적 데이터를 이용하여 옥내 저탄장내에 저장된 석탄량을 판단할 수 있다. 이 때, 인공지능 프로세서는 체적 데이터를 입력으로 하여, 석탄 더미의 석탄량을 추정하도록 학습된 제2학습 모델부를 이용하여 석탄 더미별 석탄량을 판단할 수 있다(S804).
다음으로, 인공지능 프로세서는 영상 데이터, 가스 농도 데이터 및 석탄량 데이터를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다. 이 때, 인공지능 프로세서는 영상 데이터, 가스 농도 데이터 및 석탄량 데이터를 입력으로 하여, 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 제3학습 모델부를 이용하여 옥내 저탄장에서의 위치별 발화 가능성을 판단할 수 있다(S805).
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 기록 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 옥내 저탄장 감시 장치
100: 하우징
110: 와이어
120: 구동부
130: 분진 제거부
140: 카메라부
150: 가스 센서부
160: 레이저 스캐너
170: 인공지능 프로세서
180: 통신부
190: 데이터 베이스
100: 하우징
110: 와이어
120: 구동부
130: 분진 제거부
140: 카메라부
150: 가스 센서부
160: 레이저 스캐너
170: 인공지능 프로세서
180: 통신부
190: 데이터 베이스
Claims (14)
- 이동감시가 가능한 방폭 구조가 적용된 하우징;
상기 하우징과 옥내 저탄장 실내 천정 또는 벽을 연결하는 와이어;
상기 와이어에 연결되어 동력을 제공하는 구동부;
상기 하우징에 배치되어 상기 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상데이터를 생성하는 카메라부;
상기 하우징에 배치되어 상기 석탄 더미를 스캐닝하여 체적 데이터를 생성하는 레이저 스캐너;
상기 하우징에 배치되어 가스농도를 측정하여 가스 농도 데이터를 생성하는 가스 센서부; 및
상기 영상 데이터 및 상기 가스 농도 데이터를 이용하여 상기 옥내 저탄장에서의 위치별 발화 가능성을 판단하는 인공지능 인공지능 프로세서를 포함하며,
상기 카메라부는 RGB이미지 센서 및 열화상 이미지 센서를 포함하며,
상기 인공지능 프로세서는 상기 체적 데이터를 이용하여 상기 옥내 저탄장내에 저장된 석탄량을 판단하고,
상기 인공지능 프로세서는 상기 RGB이미지 센서에서 촬영한 이미지로부터 판단되는 석탄 더미의 형상, 그리고 상기 열화상 이미지 센서에서 촬영한 이미지로부터 판단되는 석탄 더미의 온도 및 상기 체적 데이터로부터 판단되는 상기 석탄량을 이용하여 상기 카메라부에서 촬영한 석탄 더미의 발화 가능성간의 상관관계를 학습하고, 상기 석탄 더미의 형상, 상기 석탄 더미의 온도 및 상기 석탄량과 석탄 더미별 발화 가능성을 판단하는 학습 모델을 구축하여 발화 가능성을 판단하는 옥내 저탄장 감시 장치.
- 제1항에 있어서,
상기 카메라부를 통해 전송된 영상데이터를 인공지능 분석하여 환경 및 작업자 안전을 진단하는 옥내 저탄장 감시 장치.
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 구동부는 상기 와이어에 전달되는 동력을 제어하여 상기 옥내 저탄장 감시 장치를 2축 또는 4축으로 이동시키는 옥내 저탄장 감시 장치.
- 제1항에 있어서,
상기 구동부와 상기 와이어의 연결 지점에 마련되는 분진 제거부를 더 포함하는 옥내 저탄장 감시 장치.
- 제1항에 있어서,
상기 인공지능 프로세서는 상기 영상 데이터 및 상기 가스 농도 데이터를 입력으로 하여, 상기 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 학습 모델부를 포함하는 옥내 저탄장 감시 장치.
- 제8항에 있어서,
상기 학습 모델부는 상기 영상 데이터 및 상기 가스 농도 데이터를 입력층으로 하여, 상기 영상 데이터 및 상기 가스 농도 데이터와 발화 가능성간의 상관관계를 학습하고, 상기 옥내 저탄장에서의 위치별 발화 가능성이 출력층이 되도록 학습된 뉴럴 네트워크를 포함하는 옥내 저탄장 감시 장치.
- 제1항에 있어서,
상기 영상 데이터, 상기 가스 농도 데이터 및 위치별 발화 가능성을 관리 서버로 전송하는 통신부를 더 포함하는 옥내 저탄장 감시 장치.
- 제10항에 있어서,
상기 관리 서버는 영상 데이터 및 상기 가스 농도 데이터를 입력으로 하여, 상기 옥내 저탄장에서의 위치별 발화 가능성을 추정하도록 학습된 학습 모델부를 포함하는 옥내 저탄장 감시 장치.
- 방폭 구조가 적용된 하우징에 배치된 카메라부가 옥내 저탄장에 저장된 석탄 더미를 촬영하여 영상 데이터를 생성하는 단계;
상기 하우징에 배치된 레이저 스캐너가 상기 석탄 더미를 스캐닝하여 체적 데이터를 생성하는 단계;
인공지능 프로세서가 상기 체적 데이터를 이용하여 상기 옥내 저탄장내에 저장된 석탄량을 판단하는 단계;
상기 하우징에 배치된 가스 센서부가 가스농도를 측정하여 가스 농도 데이터를 생성하는 단계; 및
상기 인공지능 프로세서가 상기 영상 데이터 및 상기 가스 농도 데이터를 이용하여 상기 옥내 저탄장에서의 위치별 발화 가능성을 판단하는 단계를 포함하며,
상기 영상 데이터를 생성하는 단계는, 상기 카메라부가 RGB이미지 센서 및 열화상 이미지 센서를 이용하며 각각의 이미지를 생성하는 단계를 포함하며,
상기 옥내 저탄장에서의 위치별 발화 가능성을 판단하는 단계는, 상기 인공지능 프로세서가 상기 RGB이미지 센서에서 촬영한 이미지로부터 판단되는 석탄 더미의 형상, 그리고 상기 열화상 이미지 센서에서 촬영한 이미지로부터 판단되는 석탄 더미의 온도 및 체적 데이터로부터 판단되는 석탄량을 이용하여 상기 카메라부에서 촬영한 석탄 더미의 발화 가능성간의 상관관계를 학습하고, 상기 석탄 더미의 형상, 상기 석탄 더미의 온도 및 상기 석탄량과 석탄 더미별 발화 가능성을 판단하는 학습 모델을 구축하여 발화 가능성을 판단하는 단계를 포함하는 옥내 저탄장 감시 방법.
- 삭제
- 제12항의 방법을 컴퓨터에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터에서 판독 가능한 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200140281A KR102356264B1 (ko) | 2020-10-27 | 2020-10-27 | Ai 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200140281A KR102356264B1 (ko) | 2020-10-27 | 2020-10-27 | Ai 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102356264B1 true KR102356264B1 (ko) | 2022-02-07 |
Family
ID=80253435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200140281A KR102356264B1 (ko) | 2020-10-27 | 2020-10-27 | Ai 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102356264B1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012043069A (ja) * | 2010-08-16 | 2012-03-01 | Chino Corp | 警報システム |
| KR20130051838A (ko) * | 2011-11-10 | 2013-05-21 | 하나에버텍 주식회사 | 융합기술 기반의 저탄장 모니터링 시스템 및 방법 |
| KR20140086130A (ko) * | 2012-12-28 | 2014-07-08 | 주식회사 포스코 | 와이어로프 스케일 제거장치 |
| JP2018127333A (ja) * | 2017-02-09 | 2018-08-16 | 中国電力株式会社 | ベルトコンベアの温度監視システム |
| KR20180131775A (ko) * | 2017-06-01 | 2018-12-11 | 호남대학교 산학협력단 | 유전자 알고리즘을 이용한 화재 감지 방법 및 시스템 |
| KR102142440B1 (ko) * | 2019-11-29 | 2020-08-07 | 최재원 | 화재진압장치 |
-
2020
- 2020-10-27 KR KR1020200140281A patent/KR102356264B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012043069A (ja) * | 2010-08-16 | 2012-03-01 | Chino Corp | 警報システム |
| KR20130051838A (ko) * | 2011-11-10 | 2013-05-21 | 하나에버텍 주식회사 | 융합기술 기반의 저탄장 모니터링 시스템 및 방법 |
| KR20140086130A (ko) * | 2012-12-28 | 2014-07-08 | 주식회사 포스코 | 와이어로프 스케일 제거장치 |
| JP2018127333A (ja) * | 2017-02-09 | 2018-08-16 | 中国電力株式会社 | ベルトコンベアの温度監視システム |
| KR20180131775A (ko) * | 2017-06-01 | 2018-12-11 | 호남대학교 산학협력단 | 유전자 알고리즘을 이용한 화재 감지 방법 및 시스템 |
| KR102142440B1 (ko) * | 2019-11-29 | 2020-08-07 | 최재원 | 화재진압장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10643444B2 (en) | Facility management system using Internet of things (IoT) based sensor and unmanned aerial vehicle (UAV), and method for the same | |
| CN110503811B (zh) | 燃气监控系统和方法 | |
| KR20180095261A (ko) | Ｉｏｔ기반 건설현장 실시간 위치추적 및 영상 안전관제 시스템 | |
| CN110821560A (zh) | 隧道巡检系统 | |
| KR101890283B1 (ko) | 실내외 측위장치 및 그것을 포함하는 측위시스템 | |
| KR20170061968A (ko) | 로봇을 이용한 감시 및 보안 시스템 | |
| KR102356264B1 (ko) | Ai 영상분석 패트롤 기술기반 옥내 저탄장과 석탄이송설비를 감시하는 장치 및 방법 | |
| KR20220023868A (ko) | 이동형 시공 현장 관리 장치 | |
| CN115661968A (zh) | 隧道巡检方法以及装置 | |
| CN115431266A (zh) | 一种巡检方法、巡检装置及巡检机器人 | |
| CN115388342A (zh) | 管网巡检方法、装置及系统 | |
| CN207662803U (zh) | 一种非接触式气体泄漏检测装置 | |
| KR102585393B1 (ko) | 밀폐 구역 표면처리, 단면보수, 모르타르 및 도장 작업을 위한 스마트 안전 시공 시스템 | |
| CN115862296B (zh) | 铁路施工工地的火灾风险预警方法、系统、设备及介质 | |
| CN116307638A (zh) | 煤矿瓦斯巡检方法 | |
| CN104269035B (zh) | 一种基于无线通信的电路工作面监控方法 | |
| CN114399883A (zh) | 一种爆破器材运输监测预警系统及方法 | |
| CN210829379U (zh) | 一种抢险系统 | |
| KR20230060755A (ko) | 디지털트윈 기술을 적용한 가스 감지기 통합 모니터링 시스템 및 그 제어방법 | |
| Swain et al. | Zigbee based wireless data acquisition system for underground mines—a feasibility study | |
| KR100843699B1 (ko) | 트레일러 트럭의 위치 추적 시스템 및 방법 | |
| CN113778133A (zh) | 一种用于煤矿井环境的无人机 | |
| JP2017182454A (ja) | 監視システム及び物体検知装置 | |
| US20230365341A1 (en) | Method for inspecting a facility, preferably a conveying facility | |
| KR101846794B1 (ko) | 클라우드컴퓨팅 시스템과 휴대용 유해화학물질 측정 장치의 내장 gps를 이용한 위치에 기반 유해화학물질측정방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |