KR102428613B1 - 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템 - Google Patents

디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템 Download PDF

Info

Publication number
KR102428613B1
KR102428613B1 KR1020200010192A KR20200010192A KR102428613B1 KR 102428613 B1 KR102428613 B1 KR 102428613B1 KR 1020200010192 A KR1020200010192 A KR 1020200010192A KR 20200010192 A KR20200010192 A KR 20200010192A KR 102428613 B1 KR102428613 B1 KR 102428613B1
Authority
KR
South Korea
Prior art keywords
safety
safety ring
worker
image
object area
Prior art date
Application number
KR1020200010192A
Other languages
English (en)
Other versions
KR20210096754A (ko
Inventor
이석
Original Assignee
에스케이 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에스케이 주식회사 filed Critical 에스케이 주식회사
Priority to KR1020200010192A priority Critical patent/KR102428613B1/ko
Publication of KR20210096754A publication Critical patent/KR20210096754A/ko
Application granted granted Critical
Publication of KR102428613B1 publication Critical patent/KR102428613B1/ko

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

디지털 안전보건환경(Safety, Health, Environment) 산업 분야에서 특화된 이미지 학습 모델을 이용한 안전관리 방법 및 시스템이 제공된다. 본 발명의 실시예에 따른 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법은, 안전관리 시스템이, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키는 단계; 학습된 이미지 학습 모델을 기반으로 산업 현장의 이미지가 입력되면, 안전관리 시스템을 통해, 객체 영역을 탐지하는 단계; 및 안전관리 시스템이, 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 단계;를 포함한다. 이에 의해, CCTV 또는 무인 비행체로 촬영된 영상을 기반으로 실시간 영상 분석을 통해 영상 내에 존재하는 고소(高所) 작업자의 안전 고리 착용 여부를 추론하여 낙상 사고를 미연에 방지 할 수 있다.

Description

디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템{Safety management method and system using image learning model for digital Safety, Health, Environment industry specialization}
본 발명은 딥러닝 기반의 이미지 학습 모델을 이용한 안전관리 방법 및 시스템에 관한 것으로, 더욱 상세하게는 디지털 안전보건환경(SHE: Safety, Health, Environment) 산업 분야에서 특화된 이미지 학습 모델을 이용한 안전관리 방법 및 시스템에 관한 것이다.
건설 산업 현장은 작업 노동자들, 장비들, 자재들과 건축 중인 건축물이 혼재하고, 작업자들과 장비들이 계속 움직일 뿐 아니라, 자재들도 지속적으로 운반되고 야적되기 때문에 사고 위험이 높은 공간이다.
이러한 건설 산업 현장에 폐쇄회로 텔레비전(CCTV) 시스템을 기반으로 하는 영상 분석 시스템이 설치되어 운영되는 경우가 많지만, 기존의 영상 기반 건설 산업 현장 영상 분석 시스템은 공정의 진행에 따라 상황이 변화하고 기상 변화에 노출되며 조명 환경도 지속적으로 변화하는 건설 산업 현장의 특성 때문에 원래 의도한 수준의 효과를 발휘하지 못하는 문제점이 존재한다.
그리고 영상 분석 시스템에서, 장비와 인부를 식별하는 것은 중요한 이슈인데, 하지만 건설 산업 현장마다 부지의 지형이나 사용되는 장비의 종류, 장비와 인부의 밀도와 같은 특성들이 모두 다르기 때문에 실제 현장의 상황에 따라 영상 분석 시스템의 성능도 천차만별이다.
또한, 기존의 산업 안전 분야의 영상 분석 시스템의 경우에는, 객체의 탐지 또는 추적 위주의 분석 시스템만을 제공하여, 사람과 안전 고리, 주변물의 관계 인식을 통해 판단할 수 있는 안전 고리 체결 여부에 관한 분석이 어렵다는 단점이 존재한다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, Object Tracking, Object detection, Classification, 시계열 데이터 처리 등의 복합적인 기술을 활용한 실시간 영상 분석을 통해, 건설 산업 현장의 고소(高所) 작업자의 안전 장비 착용 여부를 판단할 수 있는 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법은, 안전관리 시스템이, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키는 단계; 학습된 이미지 학습 모델에 산업 현장의 이미지가 입력되면, 안전관리 시스템이, 객체 영역을 탐지하는 단계; 및 안전관리 시스템이, 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 단계;를 포함한다.
그리고 탐지 단계는, 딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자 객체 영역을 탐지할 수 있다.
또한, 탐지 단계는, 작업자 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 객체 영역의 후보 영역을 복수로 추출하고, 이때, 판단 단계는, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화할 수 있다.
그리고 안전 고리 객체 영역의 후보 영역은, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물이 모두 포함된 영역이 적어도 하나는 추출될 수 있다.
또한, 본 발명의 일 실시예에 따른, 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법은, 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하인 경우, 안전관리 시스템이, 안전 고리 체결 여부를 검증하는 단계;를 더 포함할 수 있다.
그리고 검증 단계는, 체결 구조물 및 안전 케이블 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역과 작업자 객체 영역을 대상으로 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하여, 안전 고리 체결 여부를 검증할 수 있다.
또한, 검증 단계는, 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하이면, 작업 벨트 객체 영역 또는 엑스반도 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 작업 벨트 또는 엑스반도 착용 여부에 대한 판단 결과의 정확도를 수치화하고, 이전 시점에서의 Frame의 수치화 결과와 비교하여, 안전 고리 체결 여부를 추가 검증할 수 있다.
그리고 판단 단계는, 후보 영역에서의 안전 고리 체결 여부에 대한 판단 결과의 최대 수치 값이 제1 임계값을 초과하는 경우, 작업자의 안전 고리 체결로 판단할 수 있다.
또한, 판단 단계는, 작업자가 사고 위험이 다른 지역에 비해 높은 사고위험 영역에 위치하는 것으로 판단되면, 다른 지역에 비해 안전 고리 체결 여부 판단에 이용되는 제1 임계값이 높아지도록 조정될 수 있다.
그리고 판단 단계는, 입력된 이미지가 수집된 시점(time)으로부터 기설정된 시간 간격만큼 이전 시점까지의 Frame 결과를 누적하여, 안전 고리 체결 여부를 판단할 수 있다.
또한, 판단 단계는, 이전 Frame의 결과를 획득하기 위해, Object tracking 기술을 활용하여 이전 Frame에서 해당 객체를 추적하고, UUID(Universally Unique IDentifier)를 획득함으로써, 해당 객체의 누적 결과를 획득할 수 있다.
그리고 판단 단계는, 이전 Frame의 분석 결과를 시계열 데이터 분석을 통해 안전 고리 체결 여부를 판단할 수 있다.
한편, 본 발명의 다른 실시예에 따른, 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 시스템은, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키고, 산업 현장의 이미지가 입력되면, 학습된 이미지 학습 모델을 기반으로 객체 영역을 탐지하여, 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 프로세서; 및 프로세서에 필요한 저장 공간을 제공하는 저장부;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, CCTV 또는 무인 비행체로 촬영된 영상을 기반으로 실시간 영상 분석을 통해 영상 내에 존재하는 고소(高所) 작업자의 안전 고리 착용 여부를 추론하여 낙상 사고를 미연에 방지 할 수 있다.
도 1은 본 발명의 일 실시예에 따른 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 시스템의 설명에 제공된 되면,
도 2는 본 발명의 일 실시예에 따른 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법의 설명에 제공된 흐름도,
도 3은 객체 영역의 탐지 단계의 더욱 상세한 설명에 제공된 흐름도,
도 4는 작업자 객체 영역이 탐지된 모습이 예시된 도면, 그리고
도 5는 안전 고리 객체 영역의 후보 영역이 탐지된 모습이 예시된 도면이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 시스템(이하에서는 '안전관리 시스템'으로 총칭하기로 함)의 설명에 제공된 도면이다.
본 실시예에 따른 안전관리 시스템은, Object Tracking, Object detection, Classification, 시계열 데이터 처리 등의 복합적인 기술을 활용한 실시간 영상 분석을 통해, 건설 산업 현장의 고소(高所) 작업자의 안전 장비 착용 여부를 판단할 수 있다.
이를 위해, 본 안전관리 시스템은, 통신부(110), 저장부(120) 및 프로세서(130)를 포함한다.
통신부(110)는, 작업 현장을 촬영하는 CCTV 또는 무인 비행체에 장착되는 카메라 등을 통해 수집되는 이미지를 수신할 수 있는 통신 모듈이다.
저장부(120)는, 프로세서(130)가 동작함에 있어 필요한 프로그램 및 데이터를 저장할 수 있다.
예를 들면, 저장부(120)는, 딥러닝 기반의 이미지 학습 모델 및 이미지 학습 모델을 학습시키기 위한 학습 데이터들을 저장할 수 있다.
프로세서(130)는, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키고, 산업 현장의 이미지가 입력되면, 학습된 이미지 학습 모델을 기반으로 객체 영역을 탐지하여, 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단할 수 있다.
구체적으로 예를 들면, 프로세서(130)는, 딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자 객체 영역을 탐지하되, 작업자 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 안전 고리 체결 여부에 대한 판단 결과의 정확도(accuracy)를 수치화하는 방식으로, 작업자의 안전 고리 체결 여부를 판단할 수 있다. 즉, 프로세서(130)는, 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값을 초과하면, 안전 고리를 체결한 것으로 판단하는 방식으로, 작업자의 안전 고리 체결 여부를 판단할 수 있다.
이때, 프로세서(130)는, 후보 영역에서의 안전 고리 체결 여부에 대한 판단 결과의 최대 수치 값이 제1 임계값을 초과하는 경우, 작업자의 안전 고리 체결로 판단할 수 있다.
또한, 프로세서(130)는, 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하인 경우에는, 안전 고리 체결 여부를 검증할 수 있다.
예를 들면, 프로세서(130)는, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물 순으로 안전 고리 객체 영역의 복수의 후보 영역을 추출하여, 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화한 결과가 제1 임계값 이하인 경우, 체결 구조물 및 안전 케이블 객체 영역을 기준으로 순차적(수치화 과정의 역순)으로 확장하여 안전 고리 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역과 작업자 객체 영역을 대상으로 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하여 안전 고리 체결 여부를 검증할 수 있다.
다른 예를 들면, 프로세서(130)는, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물 순으로 안전 고리 객체 영역의 복수의 후보 영역을 추출하여, 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화한 결과가 제1 임계값 이하인 경우, 이전 시점에서의 Frame의 수치화 결과와 비교하여, 안전 고리 체결 여부를 추가 검증할 수 있다.
또 다른 예를 들면, 프로세서(130)는, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물 순으로 안전 고리 객체 영역의 복수의 후보 영역을 추출하여, 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화한 결과가 제1 임계값 이하인 경우, 작업 벨트 또는 엑스반도(X자형 반도) 착용 여부를 판단하여, 작업 벨트 또는 엑스반도 착용 시, 안전 고리 체결 여부의 판단 작업을 다시 수행하는 방식으로 안전 고리 체결 여부를 검증할 수 있다.
구체적으로 프로세서(130)는, 안전 고리 객체 영역과 별개인 작업 벨트 객체 영역 또는 엑스반도 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 작업 벨트 또는 엑스반도 착용 여부에 대한 판단 결과의 정확도를 수치화하고, 작업 벨트 또는 엑스반도 착용 여부에 대하여 수치화된 판단 결과가 제2 임계값을 초과하는 경우에만, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물 순으로 안전 고리 객체 영역의 복수의 후보 영역을 재차 추출하여, 작업자의 안전 고리 체결 여부의 판단 작업을 다시 수행하는 방식으로 안전 고리 체결 여부를 검증할 수 있다.
첨언하면, 이러한 검증 실시예는, 작업 벨트 또는 엑스반도의 미착용 시, 안전 고리 미체결 가능성이 높다는 점을 가정하여, 설정되는 검증 방식으로, 작업 환경 또는 작업 조건에 따라 검증 방식에 적용되는 조건들이 다양하게 설정되거나 또는 재설정될 수 있다.
도 2는 본 발명의 일 실시예에 따른 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법(이하에서는 '안전관리 방법'으로 총칭하기로 함)의 설명에 제공된 흐름도이다.
도 2를 참조하면, 본 실시예에 따른 안전관리 시스템에 의해 수행되는 안전관리 방법은, 이미지 학습 모델을 학습시키는 학습 단계(S210), 객체 영역을 탐지하는 탐지 단계(S220) 및 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 판단 단계(S230)로 구성될 수 있다.
학습 단계(S210)에서는, 프로세서(130)가, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시킬 수 있다.
탐지 단계(S220)에서는, 학습된 이미지 학습 모델에 산업 현장의 이미지가 입력되면, 프로세서(130)가, 객체 영역을 탐지할 수 있다.
구체적으로, 프로세서(130)는, 탐지 단계(S220)에서, 딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자 객체 영역을 탐지하되, 작업자 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 객체 영역의 후보 영역을 복수로 추출할 수 있다.
판단 단계(S230)에서는, 프로세서(130)가, 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단할 수 있다.
구체적으로, 프로세서(130)는, 판단 단계(S230)에서, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하는 방식으로, 작업자의 안전 고리 체결 여부를 판단할 수 있다.
도 3은 본 실시예에 따른 안전관리 시스템에 의해 수행되는 객체 영역의 탐지 단계의 더욱 상세한 설명에 제공된 흐름도이며, 도 4는 작업자 객체 영역이 탐지된 모습이 예시된 도면이고, 도 5는 안전 고리 객체 영역의 후보 영역이 탐지된 모습이 예시된 도면이다.
도 3을 참조하면, 탐지 단계에서는 프로세서(130)가, Object Tracking, Object detection, Classification 및 시계열 데이터 처리 기술들을 활용하여, 작업자 객체 영역을 탐지하고(S310), 안전 고리 객체의 후보 영역을 선정하고(S320), 각각의 후보 영역을 분석할 수 있다(S330).
또한, 판단 단계에서는, 프로세서(130)가, 분석 결과를 취합하며(S340), 이후에, 객체의 UUID(Universally Unique IDentifier)를 획득하고(S350), 시계열 데이터 처리를 하여(S360), 작업자의 안전 고리 체결 여부를 판단할 수 있다.
구체적으로, 작업자 객체 영역의 탐지 시(S310)에는, 도 4에 예시된 바와 같이 프로세서(130)가, 딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자 객체 영역을 탐지할 수 있다.
또한, 안전 고리 객체의 후보 영역 선정 시(S320)에는, 도 5에 예시된 바와 같이 작업자 객체 영역을 기준으로 순차적으로 확장(A->B->C)하여, 안전 고리 객체 영역의 후보 영역을 복수로 추출할 수 있다.
구체적으로 예를 들면, 안전 고리 객체 영역의 후보 영역은, 안전 고리와 구조물의 위치가 각도 상황에 따라 상이 하기 때문에 작업자-안전 고리-안전 케이블-체결 구조물 요소를 모두 포함하는 정확한 영역을 찾기는 힘들기 때문에 탐지된 사람 영역을 기준으로 영역을 순차적으로 확장하여 3~5장의 후보 영역을 선정함으로써, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물이 모두 포함된 영역이 적어도 하나는 추출되도록 설정될 수 있다.
객체의 UUID 획득 시(S350)에는, 이전 Frame의 결과를 획득하기 위해, Object tracking 기술을 활용하여 이전 Frame에서 해당 객체를 추적하고, UUID를 획득함으로써, 해당 객체의 누적 결과를 획득할 수 있다.
또한, 시계열 데이터 처리 시(S360)에는 입력된 이미지가 수집된 시점(time)으로부터 기설정된 시간 간격만큼 이전 시점까지의 Frame 결과를 누적하고, 이전 Frame의 분석 결과를 시계열 데이터 분석을 통해 수치화하고, 수치화 결과를 기반으로 안전 고리 체결 여부를 판단할 수 있다.
즉, 판단 단계에서는 작업자(사람) 객체 영역과 안전 고리 객체의 후보 영역을 대상으로 시계열 데이터 분석을 통해 연속된 Frame 들 중 수치화된 결과가 제1 임계값 초과인 Frame의 개수를 산출하고, 제1 임계값 초과인 Frame의 개수가 기설정된 기준 이상이면, 안전 고리를 체결한 것으로 판단하는 방식으로, 기반으로 안전 고리 체결 여부를 판단할 수 있다.
구체적으로 예를 들면, 프로세서(130)는, 판단 단계에서 10개의 연속된 Frame 중 5개 또는 7개 이상이 제1 임계값 초과이면, 작업자의 안전 고리 체결로 판단하도록 판단 기준을 설정할 수 있다.
한편, 판단 단계에서는 작업자가 사고 위험이 다른 지역에 비해 높은 사고위험 영역에 위치하는 것으로 판단되면, 다른 지역에 비해 안전 고리 체결 여부 판단에 이용되는 제1 임계값이 높아지도록 조정될 수 있다.
구체적으로, 판단 단계에서는 작업자가 추락사고 위험이 높은 고소(高所) 지역에 위치하는 것으로 판단되면, 다른 지역에 비해 안전 고리 체결 여부 판단에 이용되는 제1 임계값이 상대적으로 높게 조정될 수 있다.
또한, 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하인 경우에는, 안전 고리 체결 여부를 검증하는 검증 단계가 추가로 구성될 수 있다.
구체적으로, 검증 단계에서는, 연속된 Frame들의 시점보다 이전 시점에서의 Frame의 수치화 결과와 비교하거나 또는 체결 구조물 및 안전 케이블 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역과 작업자 객체 영역을 대상으로 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하여, 안전 고리 체결 여부를 검증할 수 있다.
예를 들면, 검증 단계에서는, 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하이면, 연속된 Frame들의 시점보다 이전 시점에서의 Frame의 수치화 결과와 비교하여, 안전 고리 체결 여부를 검증할 수 있다.
다른 예를 들면, 검증 단계에서는, 작업 벨트 객체 영역 또는 엑스반도 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 작업 벨트 또는 엑스반도 착용 여부에 대한 판단 결과의 정확도를 수치화하여, 작업 벨트 또는 엑스반도 착용 여부에 대하여 수치화된 판단 결과가 제2 임계값을 초과하면, 안전 고리 체결 여부를 검증할 수 있다.
구체적으로, 검증 단계에서는, 프로세서(130)가, 안전 고리 객체 영역과 별개인 작업 벨트 객체 영역 또는 엑스반도 객체 영역의 후보 영역을 복수로 추출하고, 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 작업 벨트 또는 엑스반도 착용 여부에 대한 판단 결과의 정확도를 수치화하여, 작업 벨트 또는 엑스반도 착용 여부에 대하여 수치화된 판단 결과가 제2 임계값을 초과하는 경우에만, 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물 순으로 안전 고리 객체 영역의 복수의 후보 영역을 재차 추출하여, 작업자의 안전 고리 체결 여부의 판단 작업을 다시 수행하는 방식으로 안전 고리 체결 여부를 검증할 수 있다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
110 : 통신부
120 : 저장부
130 : 프로세서

Claims (13)

  1. 안전관리 시스템이, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키는 단계;
    상기 학습된 이미지 학습 모델을 기반으로 산업 현장에서 수집되는 이미지가 입력되면, 안전관리 시스템을 통해, 작업자 또는 안전 고리가 포함된 객체 영역을 탐지하는 단계; 및
    안전관리 시스템이, 상기 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 단계;를 포함하며,
    상기 탐지하는 단계는,
    딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자가 포함된 작업자 객체 영역을 탐지하며,
    상기 탐지하는 단계는,
    작업자가 포함된 작업자 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 체결 여부 판단에 이용하기 위한, 안전 고리가 포함된 안전 고리 객체 영역의 후보 영역을 복수로 추출하고,
    판단하는 단계는,
    상기 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 상기 안전 고리 체결 여부에 대한 판단 결과의 정확도(accuracy)를 수치화하고,
    상기 판단하는 단계는,
    상기 후보 영역에서의 안전 고리 체결 여부에 대한 판단 결과의 최대 수치 값이 제1 임계값을 초과하는 경우, 작업자의 안전 고리 체결로 판단하며,
    상기 판단하는 단계는,
    사고 위험이 다른 지역에 비해 높은 사고위험 영역에 작업자가 위치하는 것으로 판단되면, 다른 지역에 비해 상기 안전 고리 체결 여부 판단에 이용되는 제1 임계값이 높아지도록 조정되는 것을 특징으로 하는 안전관리 방법.
  2. 삭제
  3. 삭제
  4. 청구항 1에 있어서,
    상기 안전 고리 객체 영역의 후보 영역은,
    상기 입력된 이미지 내 작업자-안전 고리-안전 케이블-체결 구조물이 포함된 영역이 적어도 하나는 추출되는 것을 특징으로 하는 안전관리 방법.
  5. 청구항 1에 있어서,
    상기 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하인 경우, 안전관리 시스템이, 상기 안전 고리 체결 여부를 검증하는 단계;를 더 포함하는 것을 특징으로 하는 안전관리 방법.
  6. 청구항 5에 있어서,
    상기 검증하는 단계는,
    체결 구조물 및 안전 케이블 객체 영역을 기준으로 순차적으로 확장하여 상기 안전 고리 객체 영역의 후보 영역을 복수로 추출하고,
    상기 추출된 후보 영역과 상기 작업자가 포함된 작업자 객체 영역을 대상으로 상기 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하여 상기 안전 고리 체결 여부를 검증하는 것을 특징으로 하는 안전관리 방법.
  7. 청구항 5에 있어서,
    상기 검증하는 단계는,
    상기 안전 고리 체결 여부에 대하여 수치화된 판단 결과가 제1 임계값 이하이면, 작업 벨트가 포함된 객체 영역 또는 엑스반도가 포함된 객체 영역의 후보 영역을 복수로 추출하고,
    상기 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 작업 벨트 또는 엑스반도 착용 여부에 대한 판단 결과의 정확도를 수치화하여, 상기 작업 벨트 또는 엑스반도 착용 여부에 대하여 수치화된 판단 결과가 제2 임계값을 초과하면, 상기 안전 고리 체결 여부를 검증하는 것을 특징으로 하는 안전관리 방법.
  8. 삭제
  9. 삭제
  10. 안전관리 시스템이, 산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키는 단계;
    상기 학습된 이미지 학습 모델을 기반으로 산업 현장에서 수집되는 이미지가 입력되면, 안전관리 시스템을 통해, 작업자 또는 안전 고리가 포함된 객체 영역을 탐지하는 단계; 및
    안전관리 시스템이, 상기 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 단계;를 포함하고,
    상기 탐지하는 단계는,
    딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자가 포함된 작업자 객체 영역을 탐지하며,
    상기 탐지하는 단계는,
    작업자가 포함된 작업자 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 체결 여부 판단에 이용하기 위한, 안전 고리가 포함된 안전 고리 객체 영역의 후보 영역을 복수로 추출하고,
    판단하는 단계는,
    상기 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 상기 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하고,
    상기 판단하는 단계는,
    상기 입력된 이미지가 수집된 시점(time)으로부터 기설정된 시간 간격만큼 이전 시점까지의 Frame을 누적하여, 상기 안전 고리 체결 여부를 판단하는 것을 특징으로 하는 안전관리 방법.
  11. 청구항 10에 있어서,
    상기 판단하는 단계는,
    Object tracking 기술을 활용하여 상기 누적된 이전 시점까지의 Frame에서 작업자 또는 안전 고리가 포함된 객체를 추적하고, UUID(Universally Unique IDentifier)를 획득하여, 상기 작업자 또는 안전 고리가 포함된 객체의 Frame 누적 결과를 획득하는 것을 특징으로 하는 안전관리 방법.
  12. 청구항 11에 있어서,
    상기 판단하는 단계는,
    상기 객체의 Frame 누적 결과를 시계열 데이터 분석을 통해 상기 안전 고리 체결 여부를 판단하는 것을 특징으로 하는 안전관리 방법.
  13. 딥러닝 기반의 이미지 학습 모델을 저장하는 저장부; 및
    산업 현장에서 수집되는 이미지를 학습 데이터로 이용하여 딥러닝 기반의 이미지 학습 모델을 학습시키고, 산업 현장에서 수집되는 이미지가 입력되면, 상기 학습된 이미지 학습 모델을 기반으로 작업자 또는 안전 고리가 포함된 객체 영역을 탐지하여, 상기 객체 영역을 대상으로, 작업자의 안전 고리 체결 여부를 판단하는 프로세서;를 포함하고,
    상기 프로세서는,
    딥러닝의 객체 탐지(Object detection) 기술을 이용하여 작업자가 포함된 작업자 객체 영역을 탐지하며,
    상기 프로세서는,
    작업자가 포함된 작업자 객체 영역을 기준으로 순차적으로 확장하여, 안전 고리 체결 여부 판단에 이용하기 위한, 안전 고리가 포함된 안전 고리 객체 영역의 후보 영역을 복수로 추출하고,
    상기 프로세서는,
    상기 추출된 후보 영역을 대상으로 딥러닝의 classification 기술을 이용하여 상기 안전 고리 체결 여부에 대한 판단 결과의 정확도를 수치화하고,
    상기 프로세서는,
    상기 입력된 이미지가 수집된 시점(time)으로부터 기설정된 시간 간격만큼 이전 시점까지의 Frame을 누적하여, 상기 안전 고리 체결 여부를 판단하는 것을 특징으로 하는 안전관리 시스템.
KR1020200010192A 2020-01-29 2020-01-29 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템 KR102428613B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200010192A KR102428613B1 (ko) 2020-01-29 2020-01-29 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200010192A KR102428613B1 (ko) 2020-01-29 2020-01-29 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20210096754A KR20210096754A (ko) 2021-08-06
KR102428613B1 true KR102428613B1 (ko) 2022-08-02

Family

ID=77315246

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200010192A KR102428613B1 (ko) 2020-01-29 2020-01-29 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102428613B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102583305B1 (ko) * 2022-09-15 2023-09-27 주식회사 와플랩 화력발전소에서 안전고리와 위치정보 및 생체정보를 융합한 안전관리 시스템 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101281555B1 (ko) * 2011-12-13 2013-07-03 인천대학교 산학협력단 Ｍｅｍｓ 센서를 활용한 건설 현장 작업자 위치 및 안전 정보 추적 시스템
KR101668555B1 (ko) * 2015-03-06 2016-10-31 중앙대학교 산학협력단 작업 현장 영상 데이터 내의 작업자 인식 방법
KR101872314B1 (ko) * 2016-10-28 2018-06-28 주식회사 서안에스앤씨 건설현장 작업자 안전장구 착용 유무 감시 시스템
KR20190069792A (ko) * 2017-12-12 2019-06-20 왕한호 건설업 안전 장비
KR102023270B1 (ko) * 2018-02-07 2019-09-20 중앙대학교 산학협력단 건설 장비의 실시간 안전 모니터링 장치 및 방법

Also Published As

Publication number Publication date
KR20210096754A (ko) 2021-08-06

Similar Documents

Publication Publication Date Title
CN109117827B (zh) 基于视频的工服工帽穿戴状态自动识别方法与报警系统
JP6905850B2 (ja) 画像処理システム、撮像装置、学習モデル作成方法、情報処理装置
CN110650316A (zh) 智能巡逻及预警处理方法、装置、电子设备及存储介质
CN111860318A (zh) 一种建筑工地行人徘徊检测方法、装置、设备及存储介质
KR101541272B1 (ko) 사람들의 움직임 불규칙성을 이용한 폭력 행위 검출 장치 및 방법
CN106951889A (zh) 井下高危区域动目标监测和管理系统
CN113158752A (zh) 一种电力员工进场作业智能安全管控系统
CN113743256B (zh) 一种工地安全智能预警方法与装置
CN112396658A (zh) 一种基于视频的室内人员定位方法及定位系统
CN103870824A (zh) 一种在人脸检测跟踪过程中的人脸捕捉方法及装置
CN114155614B (zh) 一种作业现场反违章行为识别方法及系统
CN113887445A (zh) 一种视频中驻足和徘徊行为识别方法及系统
CN112270253A (zh) 一种高空抛物的检测方法及装置
CN111079722A (zh) 一种吊装过程人员安全监测方法及系统
CN110781735A (zh) 一种用于识别人员在岗状态的报警方法及系统
KR102428613B1 (ko) 디지털 안전보건환경 산업 특화용 이미지 학습 모델을 이용한 안전관리 방법 및 시스템
CN110580708B (zh) 一种快速移动检测方法、装置及电子设备
KR102150661B1 (ko) 객체를 검출하기 위한 전처리 장치 및 방법
KR102481215B1 (ko) 통계적 인구 관제를 위한 공간 내 객체감지시스템
CN115953815A (zh) 基建现场的监测方法及装置
KR20230097854A (ko) 발전소내 작업자의 위험행동 인지방법 및 시스템
CN114488337A (zh) 一种高空抛物检测方法及装置
KR101285128B1 (ko) 영상 분석을 위한 지능형 검색 로봇
CN111695404A (zh) 行人跌倒检测方法、装置、电子设备及存储介质
WO2020139071A1 (en) System and method for detecting aggressive behaviour activity

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant