KR102440169B1 - Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis - Google Patents

Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis Download PDF

Info

Publication number
KR102440169B1
KR102440169B1 KR1020210137498A KR20210137498A KR102440169B1 KR 102440169 B1 KR102440169 B1 KR 102440169B1 KR 1020210137498 A KR1020210137498 A KR 1020210137498A KR 20210137498 A KR20210137498 A KR 20210137498A KR 102440169 B1 KR102440169 B1 KR 102440169B1
Authority
KR
South Korea
Prior art keywords
frequency pattern
image
sensor
detection
server
Prior art date
Application number
KR1020210137498A
Other languages
Korean (ko)
Inventor
김승호
Original Assignee
케이에스아이 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 케이에스아이 주식회사 filed Critical 케이에스아이 주식회사
Priority to KR1020210137498A priority Critical patent/KR102440169B1/en
Application granted granted Critical
Publication of KR102440169B1 publication Critical patent/KR102440169B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/02—Mechanical actuation
    • G08B13/12—Mechanical actuation by the breaking or disturbance of stretched cords or wires
    • G08B13/122—Mechanical actuation by the breaking or disturbance of stretched cords or wires for a perimeter fence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/52—Discriminating between fixed and moving objects or between objects moving at different speeds
    • G01S13/56—Discriminating between fixed and moving objects or between objects moving at different speeds for presence detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for 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
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • H04N5/23296—
    • H04N5/23299—
    • 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

Abstract

The present invention relates to a smart vigilance system with improved effective detection accuracy through multi-sensor signal fusion and AI image analysis. After installing multiple radar sensors, sound sensors, and tension sensors in a perimeter intrusion detection vigilance system, a falsely detected frequency pattern is removed by AI from a frequency pattern of a sensor that detected intrusion and image information of an image camera that captured a detection range, and only a correctly detected frequency pattern is recognized as valid information, such that learning is performed by matching the image information. Thereafter, AI analyzes the image information only when transmission is made with respect to effective frequency pattern intrusion information from two or more different types of sensors. Thus, by promptly displaying image information and danger warnings that indicate the degree of danger to a control terminal unit, frequent false detections generated by highly sensitive individual sensors are eliminated. Accordingly, the detection rate and detection accuracy are enhanced.

Description

멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템{Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis} Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis

본 발명은 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템에 관한 것으로, 자세하게는 외곽 침입감지 경계 시스템에 설치된 멀티 센서들의 탐지 정보가 유효한 주파수패턴으로 인식될 경우에만 AI가 영상 분석을 통한 영상정보와 위험경보를 단말기에 표출토록 함으로써 불필요한 잦은 오검지를 개선하여 신뢰성 있게 검지율, 검지 정확도를 높인 스마트 경계 시스템에 관한 것이다.The present invention relates to a smart boundary system that improves effective detection accuracy through multi-sensor signal fusion and AI image analysis, and in particular, AI only when detection information of multi-sensors installed in an outer intrusion detection boundary system is recognized as a valid frequency pattern It relates to a smart alert system that reliably improves detection rate and detection accuracy by improving unnecessary and frequent false detection by displaying image information and danger warning through image analysis on the terminal.

국가 중요시설 또는 군대의 철책 또는 기타 주요 보안 시설물에는 외곽 침입감지 경계 시스템 등을 설치하여 외부인의 침입을 차단하고 있다.Outside intrusion detection and perimeter systems are installed in important national facilities or military fences or other major security facilities to block intrusion by outsiders.

외곽 침입감지 센서·시스템 시장은 저가부터 고가 제품군까지 다양하게 분포돼 있고 가격대 별로 성능 또한 차이가 날 수 밖에 없는데, 시장이 좁고 폐쇄적이다 보니 경쟁이 심하고 성능에 대한 객관적인 데이터 없이 과장 광고가 많아 시장이 교란되고 있다. 그럼에도 최근 국내 주요 외곽감지 센서·시스템 업체들이 기술개발에 적극 나서면서 경쟁력을 갖춘 제품을 출시 또는 준비 중에 있다.The market for intrusion detection sensors and systems is widely distributed from low-cost to high-priced products, and performance is inevitably different for each price range. As the market is narrow and closed, competition is fierce and there are many exaggerated advertisements without objective data on performance. being disturbed Nevertheless, as major domestic perimeter detection sensor and system makers are actively engaged in technology development, they are launching or preparing competitive products.

외곽 침입감지 시스템을 구성하는데 사용되는 센서로는 레이더센서, 라이더, 주야간 광학카메라, 열영상 적외선 카메라. CCTV, 장력센서, 음향센서, 광섬유센서, 마이크로웨이브센서, 진동센서, 지진파 센서, 매설형 중량감지센서 등등과 같은 수 많은 센서가 필요에 따라 하나 이상이 선택되어 단독 또는 복수개가 조합되어 사용되고 있다.The sensors used to configure the perimeter intrusion detection system include radar sensors, lidar, day/night optical cameras, and thermal imaging infrared cameras. Numerous sensors such as CCTV, tension sensor, acoustic sensor, optical fiber sensor, microwave sensor, vibration sensor, seismic wave sensor, buried weight sensor, etc. are selected as needed and used alone or in combination.

하지만 단독 또는 복수개가 조합되어 사용되는 상기 센서들을 이용한 외곽 침입감지 경계 시스템의 공통적인 문제점은 탐지 효율을 높이기 위해 개별 센서의 민감도 설정을 높이면 잦은 오경보, 오탐지가 발생하고, 민감도 설정을 낮추면 미탐지 문제가 발생한다는 점이다.However, a common problem of the perimeter intrusion detection boundary system using the sensors used alone or in combination is that if the sensitivity setting of each sensor is increased to increase the detection efficiency, frequent false alarms and false detections occur, and if the sensitivity setting is lowered, no detection occurs. that a problem arises.

즉, 센서의 민감도를 너무 높게 설정하면 침입자가 아닌 동물 등의 감지가 많아지고 또는 계절별 환경 변화에 따른 눈, 비, 낙엽, 바람과 같은 조건에서도 쉽게 센서가 작동하여 잦은 경보가 발생하여 감지의 신뢰성이 떨어진다는 문제점이 있다.That is, if the sensitivity of the sensor is set too high, the detection of animals other than intruders increases, or the sensor operates easily in conditions such as snow, rain, fallen leaves, and wind according to seasonal environmental changes, resulting in frequent alarms, resulting in reliable detection. There is a problem with this falling.

반대로 민감도를 너무 낮게 설정하면 실제 침입자가 발생해도 이를 감지 못하여 외곽 침입감지 시스템으로의 역할을 하지 못할 수 있다는 단점이 있다.Conversely, if the sensitivity is set too low, even if an actual intruder occurs, it may not be detected and thus it may not function as an outside intrusion detection system.

또한 복수개의 센서를 조합하여 사용시 복수로 검출된 감지 정보의 오감지 판단 또는 우선순위 등이 구체적으로 개시되어 있지 않아 검출된 정보 중 불필요한 데이터를 중간에서 제거하지 못하고 운영자에 의한 최종 분석단계에서 판단하다 보니 분석 대상 데이터가 늘어나 유효 데이터와 유효하지 않은 데이터를 신속하게 판단하지 못해 효율적인 검지율, 검지 정확도를 기대하기 어렵다는 단점이 있다.In addition, when a plurality of sensors are combined and used, erroneous detection judgment or priority of the plurality of detected information is not specifically disclosed. There is a disadvantage in that it is difficult to expect an efficient detection rate and detection accuracy because the number of data to be analyzed increases and it is not possible to quickly determine valid and invalid data.

상기와 같은 문제점으로 인해 민감도가 높게 설정된 센서로부터 잦은 탐지 경보가 전송되면서 자동으로 카메라로 촬영한 해당 구역 영상이 관제 센터 모니터에 표출되면 이를 운영자가 영상분석을 통해 위험도를 분석하는 작업을 하게 되는데 유효하지 않은 정보가 많아지면 작업 피로도가 증가되게 되어 정확한 판단을 내리지 못할 수도 있게 된다.Due to the above problems, when frequent detection alerts are transmitted from the sensor with high sensitivity and the image of the area captured by the camera is automatically displayed on the control center monitor, the operator analyzes the risk through image analysis. If there is a lot of unseen information, work fatigue increases and it may be impossible to make an accurate judgment.

반대로 관제센터의 운영자가 센서의 경보를 습관적으로 무시하거나 센서의 민감도를 낮추게 되면 결국 분석 누락 또는 미탐지 등이 발생되어 경계에 실패하는 문제가 발생하고 있다.Conversely, if the operator of the control center habitually ignores the alarm of the sensor or lowers the sensitivity of the sensor, analysis omission or non-detection occurs, resulting in a problem of failure to guard.

따라서 센서의 민감도가 높게 설정된 상태에서 잦은 경보비율 또는 오감지 비율은 낮추면서 정감지 비율을 높일 수 있는 신뢰성 있는 탐지 시스템이 제시되어야 하나 아직까지 이와 같이 기술이 제시되지 못하고 있어서 이에 대한 해결책이 필요한 실정이다.Therefore, a reliable detection system that can increase the positive detection rate while lowering the frequent alarm rate or false detection rate in a state where the sensitivity of the sensor is set high should be proposed. to be.

한국 등록특허공보 등록번호 10-1812981(2017.12.21.)Korea Patent Publication No. 10-1812981 (2017.12.21.) 한국 등록특허공보 등록번호 10-1871634(2018.06.20.)Korean Patent Publication No. 10-1871634 (2018.06.20.) 한국 등록특허공보 등록번호 10-0933239(2009.12.14.)Korea Patent Publication No. 10-0933239 (2009.12.14.) 한국 등록특허공보 등록번호 10-1927364(2018.12.04.)Korea Patent Publication No. 10-1927364 (2018.12.04.)

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 외곽 침입감지 경계 시스템에 레이더센서, 음향감지센서, 장력센서를 다중 설치 후, 침입을 감지한 센서의 아날로그 신호를 변환한 디지털 주파수패턴 이미지와 검지 범위를 촬영한 영상카메라의 영상 정보를 바탕으로 AI가 오감지된 주파수패턴은 제거하고 정감지된 주파수패턴만 유효 정보로 인식하여 해당 영상정보와 매칭시켜 학습하면서, 이후 서로 다른 종류의 센서 2개 이상에서 유효 주파수패턴 침입 정보로 전송될 경우에만 해당 영상정보를 AI가 분석하여 위험도가 표시된 영상정보와 위험경보를 신속히 관제단말부에 표출시킴으로써 민감도가 높은 개별 센서에서 발생되는 잦은 오검지를 제거하여 검지율, 검지 정확도를 높인 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템을 제공하는데 있다.An object of the present invention to solve the above problems is to install a radar sensor, a sound sensor, and a tension sensor in multiple intrusion detection boundary systems, and then convert the analog signal of the sensor that detects the intrusion into a digital frequency pattern image and detection Based on the image information of the video camera that captured the range, AI removes the frequency pattern misdetected, recognizes only the correctly detected frequency pattern as valid information, matches it with the image information and learns, and then two different types of sensors AI analyzes the image information only when it is transmitted as effective frequency pattern intrusion information, and promptly displays the image information indicating the level of risk and the danger warning to the control terminal, thereby eliminating frequent false detections caused by individual sensors with high sensitivity. It aims to provide a smart boundary system with improved effective detection accuracy through multi-sensor signal fusion with improved detection rate and detection accuracy and AI image analysis.

상기한 바와 같은 목적을 달성하고 종래의 결점을 제거하기 위한 과제를 수행하는 본 발명은 서로 다른 종류의 센서로 구성된 경계용 멀티센서부;The present invention for achieving the object as described above and performing the task for eliminating the conventional defects is a multi-sensor unit for boundary composed of different types of sensors;

고정 감지 대상 구역 또는 센서가 감지한 구역을 추적 촬영하도록 배치된 카메라부;a camera unit arranged to track and photograph a fixed detection target area or an area sensed by a sensor;

멀티센서부에서 전송된 아날로그 수신신호를 디지털 주파수패턴 이미지로 변환시키는 주파수패턴 변환서버;a frequency pattern conversion server that converts the analog reception signal transmitted from the multi-sensor unit into a digital frequency pattern image;

변환된 주파수패턴을 저장하는 주파수패턴 저장서버;a frequency pattern storage server for storing the converted frequency pattern;

카메라가 촬영한 영상을 저장하는 영상저장서버;an image storage server for storing images captured by the camera;

저장된 디지털 주파수패턴 이미지를 AI가 분석하여 유효한 주파수패턴과 유효하지 않은 주파수패턴으로 분류하며 학습하는 AI 주파수패턴 학습 및 처리서버; AI frequency pattern learning and processing server that analyzes the stored digital frequency pattern image and classifies it into valid and invalid frequency patterns by AI;

저장된 영상을 AI가 분석하여 유효한 영상과 유효하지 않은 영상으로 분류하며 학습하는 AI 영상 학습 및 분석서버;AI image learning and analysis server that analyzes the stored image and classifies it into valid and invalid images by AI;

AI 주파수패턴 학습 및 처리서버에서 유효 주파수패턴으로 전송된 정보가 복수개로 카운트되면 다신호융합서버로 해당 유효 주파수패턴과 관련된 영상분석을 요청하는 감지센서 수량 카운터서버;A detection sensor quantity counter server that requests image analysis related to the effective frequency pattern to a multi-signal convergence server when the information transmitted as an effective frequency pattern from the AI frequency pattern learning and processing server is counted as a plurality;

감지센서 수량 카운터서버에서 복수 유효 감지 정보가 전송되면 AI 영상 학습 및 분석서버로부터 해당 영상분석 결과와 함께 위험도 분석 결과를 관제단말부에 전송하는 다신호융합서버; 및 a multi-signal convergence server that transmits a risk analysis result together with the corresponding image analysis result from the AI image learning and analysis server to the control terminal when a plurality of valid detection information is transmitted from the detection sensor quantity counter server; and

다신호융합서버로부터 전송된 영상과 위험도 정보를 받아 표출하는 관제단말부;를 포함하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템을 제공함으로써 달성된다.This is achieved by providing a smart boundary system that improves effective detection accuracy through multi-sensor signal fusion and AI image analysis, including a control terminal that receives and displays the image and risk information transmitted from the multi-signal convergence server.

바람직한 실시예로, 상기 다신호융합서버의 명령에 따라 AI 영상 학습 및 분석서버의 영상을 보정하는 영상보정서버를 더 포함하는 것을 특징으로 한다.In a preferred embodiment, it characterized in that it further comprises an image correction server for correcting the image of the AI image learning and analysis server according to the command of the multi-signal convergence server.

바람직한 실시예로, 상기 경계용 멀티센서부는 레이더센서, 음향감지센서, 장력센서로 구성되고, 검지 거리별 또는 담당 검지 구역별로 각각 개별적으로 하나 이상씩 설치하거나 개별 기둥에 통합 설치하여 검지 거리별 또는 담당 검지 구역별로 하나 이상씩 설치하여 침입대상을 검지하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the multi-sensor unit for boundary is composed of a radar sensor, a sound sensor, and a tension sensor, and one or more is installed individually for each detection distance or for each detection area in charge, or integrated in an individual pole to be installed for each detection distance or It is characterized in that it is configured to detect an intrusion target by installing one or more for each detection area in charge.

바람직한 실시예로, 상기 레이더센서는 설치시 인접하는 레이더센서와 cascade 접속 방식으로 배치하여 다양한 선형 구간을 포함하여 검지하도록 하고, 레이더센서 검지 범위 내에서 검지된 객체의 거리(y), 방향(x), 크기(z), 속도 정보를 검출하여 물체 유무를 판단하면서 각 객체마다 고유번호(ID) 값을 부여하여 연속성 있게 각각 추적하며 검지 구간 외의 구역에서 추적되는 물체는 제외시키도록 구성된 것을 특징으로 한다.In a preferred embodiment, the radar sensor is installed in a cascade connection method with an adjacent radar sensor to detect it including various linear sections, and the distance (y), direction (x) of the object detected within the radar sensor detection range ), size (z), and speed information are detected to determine the presence of an object, and a unique number (ID) value is assigned to each object to continuously track each object and exclude objects tracked in areas other than the detection section. do.

바람직한 실시예로, 상기 카메라부는 PTZ 기능을 가진 광학카메라(CCTV)와 열화상 적외선 카메라(CCTV) 복수개가 설정된 검지 거리별 또는 담당 검지 구역별 또는 멀티센서부가 감지한 구역을 촬영하여 감시하도록 각각 배치되어 구성되고, 멀티센서부의 감지에 따라 침입 상황이 발생하면 해당 구역 좌표값 방향으로 PTZ 기능을 이용 추적하여 촬영하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the camera unit is arranged to photograph and monitor an optical camera (CCTV) having a PTZ function and a plurality of thermal imaging infrared cameras (CCTV) for each set detection distance, each detection area in charge, or the area detected by the multi-sensor unit. It is characterized in that it is configured to track and photograph using the PTZ function in the direction of the coordinate value of the zone when an intrusion situation occurs according to the detection of the multi-sensor unit.

바람직한 실시예로, 상기 주파수패턴 변환서버는 레이더 주파수패턴 변환부, 음향 주파수패턴 변환부, 장력 주파수패턴 변환부로 구성되어 레이더센서, 음향감지센서, 장력센서에서 전송된 아날로그 수신신호를 각각의 디지털 주파수패턴 이미지로 변환하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the frequency pattern conversion server is composed of a radar frequency pattern conversion unit, a sound frequency pattern conversion unit, and a tension frequency pattern conversion unit to convert the analog received signals transmitted from the radar sensor, the sound sensor, and the tension sensor to each digital frequency. It is characterized in that it is configured to be converted into a pattern image.

바람직한 실시예로, 상기 주파수패턴 저장서버는 레이더 주파수패턴 저장부, 음향 주파수패턴 저장부, 장력 주파수패턴 저장부로 구성되어 주파수패턴 변환서버에서 변환된 디지털 주파수패턴 이미지를 각각 저장하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the frequency pattern storage server is composed of a radar frequency pattern storage unit, an acoustic frequency pattern storage unit, and a tension frequency pattern storage unit, and is configured to store the digital frequency pattern images converted by the frequency pattern conversion server, respectively. .

바람직한 실시예로, 상기 AI 주파수패턴 학습 및 처리서버는 레이더 AI 주파수패턴 학습 및 처리부, 음향 AI 주파수패턴 학습 및 처리부, 장력 AI 주파수패턴 학습 및 처리부로 구성되어 주파수패턴 저장서버에 각각 저장된 주파수패턴을 딥러닝 학습하면서 유효한 주파수패턴은 감지센서 수량 카운터서버에 전송하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the AI frequency pattern learning and processing server is composed of a radar AI frequency pattern learning and processing unit, an acoustic AI frequency pattern learning and processing unit, and a tension AI frequency pattern learning and processing unit. The effective frequency pattern while learning deep learning is characterized in that it is configured to be transmitted to the detection sensor quantity counter server.

바람직한 실시예로, 상기 AI 영상 학습 및 분석서버는 멀티센서부의 감지에 따라 상황이 발생한 구역의 좌표값 방향으로 추적하여 촬영한 영상정보를 AI가 딥러닝 학습하면서 유효영상 여부와 위험도를 분류하여 분석 처리하면서 다신호융합서버의 요청에 따라 유효 영상정보와 위험도를 제공하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the AI image learning and analysis server categorizes and analyzes the valid image and the degree of risk while AI deep learning the image information captured by tracking in the direction of the coordinate value of the area where the situation occurred according to the detection of the multi-sensor unit. It is characterized in that it is configured to provide effective image information and risk according to the request of the multi-signal convergence server while processing.

바람직한 실시예로, 상기 감지센서 수량 카운터서버는 AI 주파수패턴 학습 및 처리서버의 레이더 AI 주파수패턴 학습 및 처리부, 음향 AI 주파수패턴 학습 및 처리부, 장력 AI 주파수패턴 학습 및 처리부에서 전송된 유효 주파수패턴 정보가 2개 이상 카운트 될 경우 다신호융합서버에 해당 유효 주파수패턴과 매칭된 영상분석을 요청하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the detection sensor quantity counter server is the effective frequency pattern information transmitted from the radar AI frequency pattern learning and processing unit, the acoustic AI frequency pattern learning and processing unit, and the tension AI frequency pattern learning and processing unit of the AI frequency pattern learning and processing server. When two or more are counted, it is characterized in that it is configured to request image analysis matched with the corresponding effective frequency pattern to the multi-signal convergence server.

바람직한 실시예로, 상기 다신호융합서버는 감지센서 수량 카운터서버에서 유효 주파수패턴과 관련된 영상분석을 요청하면 AI 영상 학습 및 분석서버를 통해 해당 유효 영상정보 분석정보를 받아 관제단말부의 모니터에 해당 영상정보, 3단계 위험도 정보, 최종 위치, 거리 정보를 복합 표출하면서 경보장치와 운영자 단말기에 위험도 정보를 전송하도록 구성된 것을 특징으로 한다.In a preferred embodiment, when the multi-signal convergence server requests image analysis related to an effective frequency pattern from the detection sensor quantity counter server, it receives the valid image information analysis information through the AI image learning and analysis server and displays the image on the monitor of the control terminal unit. It is characterized in that it is configured to transmit risk information to an alarm device and an operator terminal while displaying information, three-level risk information, final location, and distance information.

바람직한 실시예로, 상기 카메라부는 카메라탑재 드론을 더 포함하여 멀티센서부 및 카메라부를 통해 확보된 침입객체의 위치 정보를 활용하여 촬영하도록 구성된 것을 특징으로 한다.In a preferred embodiment, the camera unit is characterized in that it is configured to shoot using the location information of the intrusion object secured through the multi-sensor unit and the camera unit further including a camera-mounted drone.

상기와 같은 특징을 갖는 본 발명에 따른 스마트 경계 시스템은 외곽 침입감지 경계 시스템에 레이더센서, 음향감지센서, 장력센서를 다중 설치 후, 침입을 감지한 센서의 아날로그 수신신호를 변환한 디지털 주파수패턴 이미지와 검지 범위를 촬영한 영상카메라의 영상 정보를 AI가 사전에 학습된 결과를 바탕으로 오감지된 주파수패턴은 제거하고 정감지된 주파수패턴만 정상탐지 정보로 인식하여 해당 영상정보와 매칭시킴으로써, 과도한 감지 정보로부터 유효하지 않은 오탐지 정보를 신뢰성 있게 제거하고 나머지 유효한 주파수패턴과 영상정보 중에서 위험도 여부를 분류함으로써 검지율, 검지 정확도를 높였다는 효과를 가진다.The smart boundary system according to the present invention having the above characteristics is a digital frequency pattern image converted from an analog reception signal of a sensor that detects an intrusion after multiple installations of a radar sensor, a sound detection sensor, and a tension sensor in the outer intrusion detection boundary system. Based on the AI pre-learned result from the image information of the video camera that captured the detection range and the detection range, the misdetected frequency pattern is removed and only the correctly detected frequency pattern is recognized as normal detection information and matched with the corresponding image information. It has the effect of increasing the detection rate and detection accuracy by reliably removing invalid false detection information from the detection information and classifying the risk level among the remaining valid frequency patterns and image information.

또한 본 발명은 외곽 침입감지 경계 시스템에 설치된 서로 다른 종류의 센서 2개 이상에서 탐지가 발생될 경우에만 해당 탐지 영역을 촬영한 영상정보를 AI가 분석하여 위험도를 포함한 유효한 영상정보를 관제단말부에 표출시킴으로써 운영자의 업무 강도를 낮추면서 검지율, 검지 정확도를 획기적으로 높였다는 효과를 가진다.In addition, the present invention analyzes the image information captured in the detection area by AI only when detection occurs from two or more different types of sensors installed in the outer intrusion detection boundary system, and provides effective image information including risk to the control terminal. It has the effect of dramatically increasing the detection rate and detection accuracy while lowering the operator's work intensity.

이와같이 본 발명은 다양한 효과를 가진 유용한 발명으로 산업상 그 이용이 크게 기대되는 발명이다.As described above, the present invention is a useful invention having various effects, and its use is greatly expected in industry.

도 1은 본 발명의 한 실시예에 따른 전체 구성을 보인 예시도이고,
도 2는 본 발명의 한 실시예에 따른 센서들의 통합 설치한 구성을 보인 구성예이고,
도 3은 본 발명의 한 실시예에 따른 감지센서 수량 카운트 과정을 구성을 보인 흐름도이고,
도 4는 본 발명의 한 실시예에 따른 곡선 및 직선코스에서의 레이더센서 배치를 보인 예시도이고,
도 5는 본 발명의 한 실시예에 따른 AI에 의한 딥러닝 학습 알고리즘을 보인 예시도이다.1 is an exemplary view showing the overall configuration according to an embodiment of the present invention,
2 is a configuration example showing an integrated installation configuration of sensors according to an embodiment of the present invention;
3 is a flowchart showing the configuration of a detection sensor quantity counting process according to an embodiment of the present invention;
4 is an exemplary view showing the arrangement of a radar sensor on a curved and straight course according to an embodiment of the present invention;
5 is an exemplary diagram illustrating a deep learning learning algorithm by AI according to an embodiment of the present invention.

이하 본 발명의 실시 예인 구성과 그 작용을 첨부도면에 연계시켜 상세히 설명하면 다음과 같다. 또한 본 발명을 설명함에 있어서, 관련된 공지기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명은 생략한다. Hereinafter, the configuration and operation of an embodiment of the present invention will be described in detail in connection with the accompanying drawings. Also, in describing the present invention, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted.

도 1은 본 발명의 한 실시예에 따른 전체 구성을 보인 예시도이고, 도 2는 본 발명의 한 실시예에 따른 센서들의 통합 설치한 구성을 보인 구성예이고, 도 3은 본 발명의 한 실시예에 따른 감지센서 수량 카운트 과정을 구성을 보인 흐름도이고, 도 4는 본 발명의 한 실시예에 따른 곡선 및 직선코스에서의 레이더센서 배치를 보인 예시도이고, 도 5는 본 발명의 한 실시예에 따른 AI에 의한 딥러닝 학습 알고리즘을 보인 예시도이다.1 is an exemplary diagram showing an overall configuration according to an embodiment of the present invention, FIG. 2 is a configuration example showing an integrated installation configuration of sensors according to an embodiment of the present invention, and FIG. 3 is an embodiment of the present invention It is a flowchart showing the configuration of the detection sensor quantity counting process according to an example, FIG. 4 is an exemplary diagram showing the arrangement of the radar sensor on a curved and straight course according to an embodiment of the present invention, and FIG. 5 is an embodiment of the present invention It is an example diagram showing a deep learning learning algorithm by AI according to

도시된 바와 같이 본 발명에 따른 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템은 국가 중요시설 또는 군대의 철책 또는 기타 주요 보안 시설물에 설치된 외곽 침입감지 경계 시스템에 설치된 레이더센서, 음향감지센서, 장력센서에서 수집되는 정보와 센서에서 발생된 이벤트를 추적하여 촬영하는 영상카메라 정보를 오감지된 주파수패턴은 제거하고 정감지된 주파수패턴만 정상탐지 데이터로 인식하게 AI 학습시켜 저장하고, 이후 상기 복수 센서 들중 2개 이상 유효 검지가 카운트 될 경우 이를 촬영한 영상카메라 정보를 AI가 사전 학습된 디지털 주파수패턴 이미지를 바탕으로 영상 분석을 수행하여 위험도를 포함한 유효한 영상정보를 운영자 모니터에 표출시켜 검지율, 검지 정확도를 높이게 된다.As shown, the smart boundary system with improved effective detection accuracy through multi-sensor signal fusion and AI image analysis according to the present invention is a radar installed in an outer intrusion detection boundary system installed in a national important facility or military fence or other major security facilities. The information collected from the sensor, sound sensor, and tension sensor and the video camera information that tracks the event generated by the sensor are removed by erroneous frequency pattern and AI is trained to recognize only the correctly detected frequency pattern as normal detection data. After saving, when two or more valid detections among the plurality of sensors are counted, the video camera information captured by AI performs image analysis based on the digital frequency pattern image pre-learned to provide valid image information including risk. By displaying it on the monitor, the detection rate and detection accuracy are increased.

이를 위해 본 발명은 스마트 경계 시스템은 국가 중요시설 또는 군대의 철책 또는 기타 주요 보안 시설물의 외곽 침입감지 경계 시스템에 설치된 서로 다른 종류의 센서로 구성된 경계용 멀티센서부(1), 고정 감시 범위 또는 멀티센서부가 감지한 구역을 추적 촬영하도록 배치된 카메라부(2), 멀티센서부(1)에서 전송된 아날로그 수신신호를 디지털 주파수패턴 이미지로 변환시키는 주파수패턴 변환서버(3), 변환된 디지털 주파수패턴 이미지를 저장하는 주파수패턴 저장서버(4), 카메라가 촬영한 영상을 저장하는 영상저장서버(5), 저장된 디지털 주파수패턴 이미지를 AI가 분석하여 유효한 주파수패턴과 유효하지 않은 주파수패턴으로 분류하며 학습하는 AI 주파수패턴 학습 및 처리서버(6), 저장된 영상을 AI가 분석하여 유효한 영상과 유효하지 않은 영상으로 분류하며 학습하는 AI 영상 학습 및 분석서버(7), AI 주파수패턴 학습 및 처리서버에서 유효 주파수패턴으로 전송된 정보가 복수개로 카운트되면 다신호융합서버로 해당 유효 주파수패턴과 관련된 영상분석을 요청하는 감지센서 수량 카운터서버(8), 감지센서 수량 카운터서버에서 복수개의 유효 검지 정보가 전송되면 AI 영상 학습 및 분석서버로부터 해당 영상분석 결과와 함께 위험도 분석 결과를 관제단말부에 전송하는 다신호융합서버(9), 다신호융합서버로부터 전송된 영상과 위험도 정보를 받아 표출하는 관제단말부(10)를 포함하여 구성된다.To this end, the present invention provides a smart boundary system, a multi-sensor unit for boundary (1), a fixed monitoring range or The camera unit 2 arranged to track and photograph the area detected by the sensor unit, the frequency pattern conversion server 3 that converts the analog received signal transmitted from the multi-sensor unit 1 into a digital frequency pattern image, and the converted digital frequency pattern Frequency pattern storage server (4) to store images, image storage server (5) to store images captured by the camera, AI analyzes the stored digital frequency pattern images and classifies them into valid and invalid frequency patterns and learns them Valid in AI frequency pattern learning and processing server (6), AI image learning and analysis server (7) that analyzes stored images and classifies them into valid and invalid images, and AI frequency pattern learning and processing server When a plurality of information transmitted by a frequency pattern is counted, a plurality of valid detection information is transmitted from the detection sensor quantity counter server 8, which requests image analysis related to the effective frequency pattern to the multi-signal convergence server, and the detection sensor quantity counter server A multi-signal convergence server (9) that transmits the risk analysis result along with the corresponding image analysis result from the AI image learning and analysis server to the control terminal, the control terminal unit ( 10) is included.

또한 다신호융합서버의 명령에 따라 AI 영상 학습 및 분석서버의 영상을 보정하는 영상보정서버(11)를 더 포함할 수 있다.In addition, it may further include an image correction server 11 for correcting the image of the AI image learning and analysis server according to the command of the multi-signal convergence server.

경계용 멀티센서부(1)는 서로 다른 측정 방식을 가지는 레이더센서(101), 음향감지센서(102), 장력센서(103)로 복합적으로 다중 구성하여 검지 거리별 또는 담당 검지 구역별로 하나 이상의 센서를 설치하여 검지하도록 구성한다. The boundary multi-sensor unit 1 is composed of a radar sensor 101, a sound sensor 102, and a tension sensor 103, each having a different measurement method. Install and configure to detect.

상기 레이더센서(101), 음향감지센서(102), 장력센서(103)는 검지 거리별 또는 담당 검지 구역별로 각각 개별적으로 하나 이상 설치하거나 개별 기둥(포스트, 120)에 통합하여 검지 거리별 또는 담당 검지 구역별로 하나 이상 설치할 수 있다.The radar sensor 101, the sound detection sensor 102, and the tension sensor 103 are installed individually for each detection distance or for each detection area in charge, or integrated into individual posts (posts, 120) for each detection distance or charge. One or more may be installed for each detection zone.

또한 경계용 멀티센서부(1)는 울타리(110) 전방 500M 정도의 탐지 영역은 레이더센서 및 음향감지센서를 사용하여 탐지하도록 구성하고, 장력센서(103)는 울타리(110)에 트립와이어를 설치하여 라인 디텍션(Line Detection) 방식으로 설치하여 침입자에 의한 장력변화를 감지하여 탐지하도록 구성할 수 있다.In addition, the boundary multi-sensor unit 1 is configured to detect a detection area about 500M in front of the fence 110 using a radar sensor and an acoustic sensor, and the tension sensor 103 installs a trip wire on the fence 110 . Therefore, it can be configured to detect and detect changes in tension caused by an intruder by installing it in a line detection method.

상기 레이더센서(101)는 탐지 가능 거리에 따라 장거리 레이더센서 단독 또는 근거리 레이더센서를 추가하여 조합하여 설치할 수 있다. 본 발명에서 장거리 단거리라 함은 수십~수백Km를 탐지하는 대형 레이더가 아닌 500~1000m 정도의 탐지영역을 가지는 소형 레이더 중 상대적으로 탐지거리가 긴 것을 장거리 레이더 센서라 하고, 수~수십m 정도의 팀지거리가 짧은 것을 근거리 레이더 센서라 칭한다.The radar sensor 101 may be installed by adding a long-distance radar sensor alone or a combination of a short-range radar sensor according to a detectable distance. In the present invention, long-distance short-range refers to a long-range radar sensor that has a relatively long detection range among small radars having a detection area of about 500 to 1000 m, rather than a large radar that detects several tens to hundreds of kilometers, A short-distance radar sensor is called a short-distance radar sensor.

장거리 레이더센서는 필요로 하는 탐지 거리에 따라 100m용, 500m용, 1000m용 레이더센서 중에서 선택하여 설치하면 된다. 탐지 각도 범위 120° 내외이고 탐지고도 범위 30°내외에서 움직이는 저속으로 움직이는 사람과 시속 100km 이상의 고속으로 움직이는 차량도 악천후에 상관없이 탐지거리 정확도 ±1m 수준에서 탐지속도 400~1200ms로 탐지할 수 있다. 장거리 레이더센서의 설치 장소는 울타리(110) 전방을 조사하여 원하는 탐지 거리가 나올 수 있는 곳에 설치하면 된다. The long-range radar sensor can be installed by selecting from among 100m, 500m, and 1000m radar sensors according to the required detection distance. Even people moving at low speed within the detection angle range of 120° and within the detection altitude range of 30° and vehicles moving at a high speed of 100 km/h or more can be detected with a detection speed of 400 to 1200 ms at a detection distance accuracy of ±1 m, regardless of bad weather. The installation place of the long-range radar sensor may be installed in a place where a desired detection distance can be obtained by irradiating the front of the fence 110 .

한 실시예로 장거리 레이더센서는 MIMO 디지털 빔 포밍 기술을 적용한 멀티 전파분석 방식의 레이더로 흔들리는 고정물을 장애물로 인식하고 이동하는 침입물체를 정확히 256개까지 처리할 수 있다. 이때 레이더의 성능 향상에 따라 물체 추적 개수는 256개 보다 더 증가될 수 있음은 물론이다.In one embodiment, the long-range radar sensor is a multi-wave analysis radar to which MIMO digital beamforming technology is applied. In this case, it goes without saying that the number of object tracking may be increased more than 256 according to the improvement of radar performance.

또한 장거리 레이더센서를 보조할 수 있는 근거리 레이더센서를 구비할 경우는 레이더에 의한 일반적인 사물 인식 작용뿐 아니라 침입자의 호흡, 심장 박동수 등을 한 예로 2.5m 이내에서 탐지할 수 있다. In addition, when a short-range radar sensor that can assist the long-range radar sensor is provided, it is possible to detect not only general object recognition by radar, but also the breathing of an intruder, heart rate, etc. within 2.5 m as an example.

따라서 주변 악천후 환경에 상관없이 움직이는 사람과 자동차를 구분하며 사람과 동물은 호흡과 심장박동수로 감지할 수 있다. 근거리 레이더센서의 설치장소는 탐지 거리 제한 때문에 보통 울타리(110)를 구성하는 기둥이나 기둥 근처에 설치하면 된다.Therefore, it distinguishes between moving people and vehicles regardless of the surrounding adverse weather conditions, and can detect people and animals by breathing and heart rate. The installation place of the short-distance radar sensor may be installed near a pole or a pole constituting the fence 110 in general due to the limitation of the detection distance.

상기 레이더센서(101)는 고해상도 소형 안테나(Aantena)를 적용하여 고해상도 디지털 신호처리 능력을 보유하여 각 객체에 대한 분석을 통한 거리(y), 방향(x), 크기(z), 속도 정보를 신속하게 취득하여 정밀한 신호분석 및 처리가 가능하여 설치 지점을 최적화하여 교량 및 터널, 곡선주로, 직선주로 등에서도 탁월한 탐지 성능 확보할 수 있도록 구성된다.The radar sensor 101 has a high-resolution digital signal processing capability by applying a high-resolution small antenna (Aantena) to quickly obtain distance (y), direction (x), size (z), and speed information through analysis of each object. Accurate signal analysis and processing is possible, so the installation point is optimized to ensure excellent detection performance in bridges, tunnels, curved lanes, and straight lanes.

상기 레이더센서(101)는 신속한 탐지를 위해 침입자 탐지가 발생하면 400 ~ 1200ms 시간 안에 최초 침입 객체를 신속하게 탐지할 수 있도록 구성될 수 있다.The radar sensor 101 may be configured to quickly detect the first intrusion object within 400 to 1200 ms when an intruder is detected for rapid detection.

또한 상기 레이더센서(101)는 소형 레이더센서로 이루어져 개별 레이더센서가 전체 경계 구역을 탐지할 수 없기 때문에 복수개의 레이더센서를 탐지구역별로 배열한다. 이를 위해 복수개의 레이더센서들은 도시된 바와 같이 곡선코스와 직선코스에서 각각 인접하는 레이더센서와 cascade 접속 방식으로 배치하여 다양한 선형에 대응하도록 설치되는 것이 바람직하다.In addition, since the radar sensor 101 is composed of a small radar sensor, an individual radar sensor cannot detect the entire boundary area, so a plurality of radar sensors are arranged for each detection area. To this end, it is preferable that the plurality of radar sensors be installed in a cascade connection manner with each adjacent radar sensor on a curved course and a straight course to correspond to a variety of linearities as shown.

이와 같은 cascade 접속 방식으로 설치시 직선 주로 또는 곡선 주로, 도로, 교량, 터널 등에서도 레이더센서 검지 범위 내일 경우 객체를 검지하여 객체의 거리(y), 방향(x), 크기(z), 속도 정보를 검출하여 물체 유무를 판단하면서 검지된 각 객체마다 고유번호(ID) 값을 부여하여 연속성 있게 검지 구간 내 한 실시예로 256개의 물체를 각각 추적할 수 있다. 이때 레이더의 성능 향상에 따라 물체 추적 개수는 256개 보다 더 증가될 수 있음은 물론이다.When installing with this cascade connection method, even on a straight road or a curved road, a road, a bridge, a tunnel, etc., if it is within the detection range of the radar sensor, the object is detected and the distance (y), direction (x), size (z), and speed information of the object are detected. 256 objects can be continuously tracked in the detection section by assigning a unique number (ID) value to each detected object while determining the presence or absence of an object by detecting . In this case, it goes without saying that the number of object tracking may be increased more than 256 according to the improvement of radar performance.

또한 정밀한 객체의 검색 및 중복 객체 검색을 제외하기 위해 검지 구간 외의 구역에서 추적되는 물체는 제외시키도록 구성할 수 있다.In addition, it can be configured to exclude objects tracked in areas other than the detection section in order to exclude precise object search and duplicate object search.

이때 본 발명은 다른 레이더 검지 구역에 있다가 해당 레이더센서의 검지 구역으로 진입할 경우는 해당 아이디로 연속해서 검색 추적하지 않고, 앞의 레이더에서 설정한 것은 무시하고, 단위 레이더검지 구역에서 새로 ID를 할당하는 방식으로 할당해서 추적하도록 단순하게 구성하는 것이 바람직하다.At this time, when the present invention enters the detection zone of the corresponding radar sensor after being in another radar detection zone, it does not continuously search and track with the corresponding ID, ignores the settings set in the previous radar, and sets a new ID in the unit radar detection zone. It is desirable to have a simple configuration that allocates and tracks in an allotted way.

물론, 신호처리 서버를 구비하여 다른 레이더 검지구역에서 감지된 id를 두단에서 추적하도록 헨드오버 개념으로 구성할 수도 있지만 단순한 시스템으로 구성하여 부하 발생을 적게하여 신속하게 처리하기 위함이다.Of course, it is possible to configure a handover concept to track ids detected in other radar detection zones at two stages by having a signal processing server, but it is to be configured as a simple system to reduce load generation and process quickly.

상기 음향감지센서(102)는 울타리(110) 전방의 0 ~ 500m 이상에서 소리, 음향, 이상 사운드는 전방위(OMNI)마이크로 입력되는 사운드 탐지기로 구성할 수 있다.The sound sensor 102 may be configured as a sound detector in which sound, sound, and abnormal sound are input into an omnidirectional (OMNI) microphone from 0 to 500 m or more in front of the fence 110 .

음향감지센서(102)는 울타리(110) 주변에 개별적으로 검지 거리별 또는 담당 검지 구역별로 하나 이상 설치하거나 울타리(110)를 구성하는 개별 기둥에 다른 카메라부 및 기타 경보 장치와 통합 설치하여 검지 거리별 또는 담당 검지 구역별로 하나 이상씩 설치하여 침입대상을 검지하도록 설치되어 울타리(110)에 접근하거나 월담하는 침입자의 소리를 탐지할 수 있기 때문에 침입자의 충돌, 충격, 발소리, 말소리, 달리기, 기계 등 침입 소리의 종류와 파장(λ), 세기(dbm)를 구분하여 설정하고, 사전 설정된 값보다 클 경우 데이터를 전송한다. 전송된 데이터는 주파수패턴 변환서버(3)의 음향 주파수패턴 변환부(302), AI 주파수패턴 학습 및 처리서버(6), 감지센서 수량 카운터서버(8)를 거쳐 다신호융합서버(9)에서 유효한 정보로 판단시 관제단말부(10)에 통보되게 된다.The sound detection sensor 102 is individually installed around the fence 110 by detection distance or by detection zone in charge, or by installing it integrated with other cameras and other alarm devices on individual poles constituting the fence 110 to detect the distance Since it is installed to detect an intrusion target by installing one or more for each star or detection zone in charge, it is possible to detect the sound of an intruder approaching or moving through the fence 110, so the intruder's collision, shock, footstep sound, speech sound, running, machine, etc. The type, wavelength (λ), and intensity (dbm) of the intrusion sound are set separately, and if it is greater than the preset value, data is transmitted. The transmitted data goes through the acoustic frequency pattern conversion unit 302 of the frequency pattern conversion server 3, the AI frequency pattern learning and processing server 6, and the detection sensor quantity counter server 8, and in the multi-signal convergence server 9 When it is determined as valid information, the control terminal unit 10 is notified.

상기 장력센서(103)는 울타리(110)에 설치되는 센서로, 기상변화 또는 외부환경으로 인한 오경보가 없고 내구성이 강하며 설치장소의 제약이 적은 센서이다. The tension sensor 103 is a sensor installed on the fence 110, has no erroneous alarm due to weather changes or external environment, has strong durability, and has less restrictions on installation locations.

장력센서는 한 실시예로 울타리(110)를 구성하는 와이어의 일지점마다 설치하는 방식으로 구성할 수 있다.The tension sensor may be configured in such a way that it is installed at each point of the wire constituting the fence 110 in one embodiment.

또한 장력센서는 다른 실시예로, 바람직하게는 울타리(110)에 설치된 트립와이어의 장력변화를 측정하는 라인 디텍션(Line Detection) 방식 장력센서로 구성할 수 있다.In addition, the tension sensor may be configured as another embodiment, preferably a line detection type tension sensor that measures the change in tension of the trip wire installed on the fence 110 .

라인 디텍션(Line Detection) 방식 장력센서는 울타리(110) 자체가 외력에 의한 장력 변화를 측정하는 침입감지 센서 역할을 할 수 있어서 기존 장비들이 가지고 있던 노후검지선 손상 및 지장수목에 의한 오경보 문제가 없고 라인별 센서부착으로 센서 고장시에도 검지 대상 구역(Zone)의 감지기능은 정상적으로 동작하는 높은 신뢰 성능을 제공해 준다. 이로인해 장력센서(103)의 상태변화(침입, 센서이상 등)시 이벤트 발생 위치를 실시간으로 확인할 수 있게 된다. 또한 각각의 장력센서들은 독립적으로 감도 설정 및 On/Off를 할 수 있어 상황에 따라 최적의 환경으로 구축 할 수 있다. 또한 상황 발생 시 시각, 청각적으로 비상상황 발생을 통보하고 동시에 카메라부(2) 등 관련 장비를 연동시켜 관제요원이 신속, 정확한 상황판단 및 즉각적인 대응조치를 할 수 있도록 구성할 수 있다.The line detection type tension sensor can serve as an intrusion detection sensor that measures the change in tension caused by the external force by the fence 110 itself, so there is no problem of damage to the old detection line and erroneous alarm caused by obstructive trees that existing equipment had. By attaching a separate sensor, even in the event of a sensor failure, the detection function of the detection target zone provides high reliability performance that operates normally. Due to this, when the state of the tension sensor 103 changes (intrusion, sensor abnormality, etc.), it is possible to check the event occurrence location in real time. In addition, each tension sensor can independently set the sensitivity and turn on/off, so it can be built in an optimal environment depending on the situation. In addition, when a situation occurs, it can be configured so that the control personnel can quickly and accurately determine the situation and take immediate countermeasures by notifying the occurrence of an emergency visually and audibly and at the same time linking related equipment such as the camera unit 2 .

상기와 같이 구성된 장력센서(103)는 장력 변화를 감지하여 주파수패턴 변환서버(3), AI 주파수패턴 학습 및 처리서버(6), 감지센서 수량 카운터서버(8)를 거쳐 유효한 정보로 다신호융합서버(9)에서 판단시 관제단말부(10)에 통보되게 된다.The tension sensor 103 configured as described above detects a change in tension and converges multiple signals into valid information through the frequency pattern conversion server 3, AI frequency pattern learning and processing server 6, and sensor quantity counter server 8 When the server 9 determines, the control terminal unit 10 is notified.

또한 본 발명은 물리적 접촉에 의한 센서로 장력센서와 함께 울타리(110) 전방에 추가로 지상 매립 센서를 설치하여 보조토록 구성할 수도 있다.In addition, the present invention may be configured to assist by installing an additional ground buried sensor in front of the fence 110 together with a tension sensor as a sensor by physical contact.

상기 카메라부(2)는 주로 울타리(110) 전방 300m 정도의 탐지 영역을 촬영하도록 구성하는데 주간, 야간, 안개 등에 상관 없이 촬영이 가능하도록 PTZ 기능을 가진 광학카메라와 열화상 적외선 카메라로 구성하여 검지 거리별 또는 담당 검지 구역별 또는 멀티센서부가 감지한 구역을 레이더센서와 연동하여 추적 촬영하도록 배치된다. 물론 카메라도 울타리(110) 전방 500m 이상의 원거리까지 촬영하여 감시할 수 있음은 물론이다.The camera unit 2 is mainly configured to shoot a detection area about 300 m in front of the fence 110. It consists of an optical camera with a PTZ function and a thermal imaging infrared camera so that shooting is possible regardless of day, night, fog, etc. It is arranged to track and photograph the area detected by the distance or the detection area in charge or the multi-sensor unit in conjunction with the radar sensor. Of course, the camera can also be monitored by shooting up to a distance of 500 m or more in front of the fence 110 .

카메라부(2)는 추적 감시시 울타리(110)를 구성하는 기둥(120)에 설치시 해당 좌표를 측정하고, 아이디를 부여하여 식별토록 함으로써 해당 기둥(120)이 설치된 구역을 담당하는 경계용 멀티센서부(1)의 침입 경보가 감지되면 해당 좌표 부근을 촬영하면서 객체의 움직임을 추출하여 연동하면서 영상정보를 촬영할 수 있다.The camera unit 2 measures the coordinates when installed on the pillars 120 constituting the fence 110 during tracking and monitoring, and assigns IDs to identify them. When an intrusion alarm of the sensor unit 1 is detected, image information can be captured while photographing the vicinity of the coordinates while extracting the movement of the object and interlocking it.

카메라부(2)는 울타리(110) 주변 또는 울타리(110)에서 상대적으로 이격된 지점에 개별적으로 검지 거리별 또는 담당 검지 구역별로 하나 이상씩 설치하거나 울타리(110)를 구성하는 개별 기둥에 다른 음향감지센서(102) 및 기타 경보 장치와 통합 설치하여 검지 거리별 또는 담당 검지 구역별로 하나 이상씩 설치하여 침입대상을 검지하도록 구성할 수 있다.The camera unit 2 is installed at a point relatively spaced apart from the fence 110 or around the fence 110 individually for each detection distance or for each detection area in charge, or different acoustics on individual pillars constituting the fence 110 . It can be configured to detect an intrusion target by installing one or more for each detection distance or detection area in charge by being integrated with the detection sensor 102 and other alarm devices.

카메라부(2)를 구성하는 장비로는 PTZ(팬(pan), 틸트(tilt), 줌(zoom))기능을 가진 광학카메라(CCTV)(201)와 열화상 적외선 카메라(CCTV)(202) 복수개가 설정된 고정 검지구역을 촬영하여 감시하도록 각각 배치되어 구성되고, 각 카메라(CCTV)가 고정 구역을 담당하여 촬영하다가 멀티센서부(1)를 구성하는 각 센서의 감지에 따라 침입 상황이 발생하면 해당 구역 좌표값 방향으로 PTZ(팬(pan), 틸트(tilt), 줌(zoom)) 기능을 이용 추적하여 촬영하도록 구성된다. The equipment constituting the camera unit 2 includes an optical camera (CCTV) 201 and a thermal imaging infrared camera (CCTV) 202 with PTZ (pan, tilt, and zoom) functions. When a plurality of fixed detection zones are photographed and configured to be monitored, each camera (CCTV) takes charge of the fixed zone and shoots, and an intrusion situation occurs according to the detection of each sensor constituting the multi-sensor unit 1 It is configured to track and shoot using the PTZ (pan, tilt, zoom) function in the direction of the coordinate value of the zone.

한 실시예로 상기 주야간 촬영 기능을 가지는 열화상 적외선 카메라(CCTV)(202)는 1/1.9 progressive Scan CMOS, 광학줌 36배 이상, 해상도 : 1920 * 1080 이상, FPS : 30프레임 이상, Preset 255개 지원, IP66 이상, 화소수 : 200만 화소 이상, IR 방사거리 : 300m(KOLAS 인증)이상, Day & Night 기능을 가질 수 있다.In one embodiment, the thermal imaging infrared camera (CCTV) 202 having the day/night shooting function is 1/1.9 progressive scan CMOS, optical zoom 36 times or more, resolution: 1920 * 1080 or more, FPS: 30 frames or more, preset 255 Support, IP66 or higher, number of pixels: more than 2 million pixels, IR radiation distance: more than 300m (KOLAS certification), it can have Day & Night function.

또한 상기 광학카메라(CCTV)(201)는 FULL HD 4K, 광학줌 31배 이상, 초점길이 : 6.5mm ~ 202mm, 해상도 : 640 * 480 & 320 * 240, FPS : 최대 30프레임 이상, Preset 255개 지원, IP66 이상, 열화상 디지털 줌 4배 이상, 적외선 파장 대 : 7.5㎛ to 13.5㎛, 픽셀 간격 : 12㎛, 열화상 센서 타입 : Uncooled VOx Microbolmeter 기능을 가질 수 있다.In addition, the optical camera (CCTV) 201 supports FULL HD 4K, optical zoom 31x or more, focal length: 6.5mm ~ 202mm, resolution: 640 * 480 & 320 * 240, FPS: up to 30 frames or more, 255 presets are supported. , IP66 or higher, thermal image digital zoom more than 4x, infrared wavelength band: 7.5㎛ to 13.5㎛, pixel spacing: 12㎛, thermal image sensor type: Uncooled VOx Microbolmeter function

상기와 같은 구성을 가지는 카메라부(2)는 멀티센서부(1)의 레이더센서가 울타리(110) 접근 전부터 침입 의심 객체를 탐지하면 즉시 연동되어 객체를 추적, 분석하여 침입대상에 대한 선제적 대응이 가능하게 된다. 즉, 카메라에 의한 탐지가 어려운 안개 또는 우천으로 인해 사물 분별이 어려운 환경이나 풀숲 등 사물이 가려진 환경에서 레이더 센서가 탐지 이벤트를 발생시키면 광학카메라 외에 열화상 적외선 카메라가 해당 지역에 대한 정밀 추적 촬영을 통해 신뢰성 높은 탐지 정보를 발생시키게 된다. When the radar sensor of the multi-sensor unit 1 detects an object suspected of intrusion before approaching the fence 110, the camera unit 2 having the above configuration is interlocked immediately to track and analyze the object to preemptively respond to the intrusion target. This becomes possible. In other words, when the radar sensor generates a detection event in an environment where objects are difficult to distinguish due to fog or rain, which is difficult to detect by the camera, or in an environment where objects are covered, such as grass, the thermal imaging infrared camera in addition to the optical camera performs precise tracking of the area. through which reliable detection information is generated.

또한 한 실시예로 카메라부(2)는 레이더센서에서 침입자 탐지가 발생하면 600~1500ms 시간 안에 PTZ(팬(pan), 틸트(tilt), 줌(zoom)) 기능을 이용 추적하여 영상을 촬영하도록 구성함으로써 신속한 대응이 가능하도록 구성할 수 있다.In addition, in one embodiment, the camera unit 2 uses the PTZ (pan, tilt, zoom) function to capture an image within 600 to 1500 ms when an intruder is detected by the radar sensor. By configuring it, it can be configured so that a quick response is possible.

한편, 카메라부(2)는 카메라탑재 드론(203)을 구비하여 멀티센서부(1) 및 카메라부(2)를 통해 확보된 침입객체의 위치 정보를 활용하여 침입탐지 경로지점을 다신호융합서버(9), 관제부단말부(10) 및 카메라탑재 드론(203)으로 전송, 위치 파악 출동하도록 구성할 수 있다.On the other hand, the camera unit 2 is equipped with a camera-mounted drone 203 and uses the location information of the intrusion object secured through the multi-sensor unit 1 and the camera unit 2 to establish an intrusion detection path point as a multi-signal convergence server. (9), the control unit terminal unit 10 and the camera-mounted drone 203 can be configured to transmit and locate the dispatch.

주파수패턴 변환서버(3)는 레이더 주파수패턴 변환부(301), 음향 주파수패턴 변환부(302), 장력 주파수패턴 변환부(303)로 구성되어 상기 멀티센서부(1)를 구성하는 레이더센서(101), 음향감지센서(102), 장력센서(103)에서 수신되어 전송된 레이더신호, 음향신호, 장력신호를 각각의 주파수패턴 이미지로 변환하도록 구성된다.The frequency pattern conversion server 3 is composed of a radar frequency pattern conversion unit 301, an acoustic frequency pattern conversion unit 302, and a tension frequency pattern conversion unit 303, and a radar sensor constituting the multi-sensor unit 1 ( 101), the acoustic sensor 102, the tension sensor 103 is configured to convert the transmitted radar signal, acoustic signal, and tension signal to each frequency pattern image.

즉, 아날로그 수신신호를 디지털 주파수패턴 이미지로 변환시키게 구성된다.That is, it is configured to convert the analog reception signal into a digital frequency pattern image.

주파수패턴 변환서버(3)는 레이더센서(101), 음향감지센서(102), 장력센서(103)에서 수신되어 전송된 각 아날로그 수신신호(시간에 따라 변화)를 패턴 분석을 위해 주파수패턴(시간에 고정된 주파수 이미지)로 변환한다. 변환방법은 주파수 변환 패스트 퓨리에 변환(FFT, FAST FOURIER TRANSFORM)을 이용한다.The frequency pattern conversion server 3 converts each analog received signal (change with time) received and transmitted from the radar sensor 101, the sound detection sensor 102, and the tension sensor 103 into a frequency pattern (time) for pattern analysis. to a fixed frequency image). The transform method uses a frequency transform Fast Fourier Transform (FFT, FAST FOURIER TRANSFORM).

주파수패턴 변환서버(3)에서 변환된 이 주파수패턴 이미지는 카메라 영상처럼 AI가 학습하게 된다.This frequency pattern image converted by the frequency pattern conversion server 3 is learned by AI like a camera image.

또한 주파수패턴 변환서버(3)는 레이더센서(101), 음향감지센서(102), 장력센서(103)의 각 신호를 수신시 아날로그 신호에 잡음이 포함되어 탐지될 수 있으므로 필터를 사용하여 잡음을 제거한 후 아날로그 신호를 변환할 수 있다. In addition, since the frequency pattern conversion server 3 receives each signal of the radar sensor 101, the sound detection sensor 102, and the tension sensor 103, the analog signal contains noise and can be detected, so the noise is reduced by using a filter. After removal, the analog signal can be converted.

이와 같은 주파수패턴으로 변환된 정보는 주파수패턴 저장서버(4)에 저장됨과 동시에 AI 주파수패턴 학습 및 처리서버(6)에서 유효한 주파수패턴인지 불필요한 노이즈 주파수패턴인지를 학습하는 정보로 활용할 수 있게 된다.The information converted into such a frequency pattern is stored in the frequency pattern storage server 4 and can be utilized as information for learning whether the AI frequency pattern learning and processing server 6 is a valid frequency pattern or an unnecessary noise frequency pattern.

주파수패턴 저장서버(4)는 레이더 주파수패턴 저장부(401), 음향 주파수패턴 저장부(402), 장력 주파수패턴 저장부(403)로 구성되어 상기 주파수패턴 변환서버(3)의 레이더 주파수패턴 변환부(301), 음향 주파수패턴 변환부(302), 장력 주파수패턴 변환부(303)에서 각각 레이더 패턴주파수 이미지, 음향 패턴주파수 이미지, 장력 패턴주파수 이미지로 변환된 주파수패턴 이미지를 각각 연속 저장하도록 구성된다.The frequency pattern storage server 4 is composed of a radar frequency pattern storage unit 401, an acoustic frequency pattern storage unit 402, and a tension frequency pattern storage unit 403, and the frequency pattern conversion server 3 converts the radar frequency pattern. The unit 301, the acoustic frequency pattern converting unit 302, and the tension frequency pattern converting unit 303 are configured to continuously store the frequency pattern images converted into the radar pattern frequency image, the acoustic pattern frequency image, and the tension pattern frequency image, respectively. do.

저장된 또는 연속 저장되는 대량의 각 주파수패턴은 이후 신호 AI 주파수패턴 학습 및 처리서버(6)에서 AI가 딥러닝 방식으로 학습하면서 상황별 주파수패턴을 학습하여 유효한 주파수패턴인지 아닌지를 학습하게 된다.Each frequency pattern stored or continuously stored in a large amount is then learned whether it is a valid frequency pattern by learning the frequency pattern for each situation while AI learns in the deep learning method in the signal AI frequency pattern learning and processing server 6 .

영상저장서버(5)는 상기 카메라부(2)의 PTZ 기능을 가진 광학카메라(CCTV)(201)과 열화상 적외선 카메라(CCTV)(202)가 멀티센서부(1)의 감지에 따라 상황이 발생한 구역의 좌표값 방향으로 추가 촬영한 영상정보를 저장하도록 구성된다.In the image storage server 5, an optical camera (CCTV) 201 and a thermal imaging infrared camera (CCTV) 202 having a PTZ function of the camera unit 2 change the situation according to the detection of the multi-sensor unit 1 . It is configured to store the additionally photographed image information in the direction of the coordinate value of the generated area.

상기 영상저장서버(5)에 저장된 또는 연속 저장되는 대량의 영상정보는 이후 AI 영상 학습 및 분석서버(7)에서 AI가 딥러닝 방식으로 학습하면서 상황별 영상정보를 학습하여 유효한 영상인지 아닌지를 학습하게 된다.A large amount of image information stored or continuously stored in the image storage server 5 is then learned whether the image is a valid image by learning the image information for each situation while AI is learning in the deep learning method in the AI image learning and analysis server 7 will do

또한 영상저장서버(5)에 저장되는 영상은 직접 관제단말부(10)의 모니터에 표출되도록 회로 연결되어 AI 영상 학습 및 분석서버(7)를 통한 분석 과정 없이 최초 촬영된 그대로의 영상이 전송되도록 구성되어 평상시 운영자가 임으로 판단하여 검지구역별 영상을 모니터링 업무에 사용되도록 구성될 수 있다. 또한 도시되지 않았지만 모니터는 이와 연결된 관제 컴퓨터의 그래픽카드와 연결되어 상기 영상저장서버의 영상을 모니터에 표출되게 구성됨은 당연한 구성이다. In addition, the image stored in the image storage server 5 is directly connected to the circuit so as to be displayed on the monitor of the control terminal unit 10 so that the image as first captured is transmitted without the AI image learning and analysis process through the analysis server 7 . It can be configured so that it is determined that the operator is usually the operator and the images for each detection area are used for monitoring tasks. In addition, although not shown, it is natural that the monitor is connected to the graphic card of the control computer connected thereto to display the image of the image storage server on the monitor.

AI 주파수패턴 학습 및 처리서버(6)는 레이더 AI 주파수패턴 학습 및 처리부(601), 음향 AI 주파수패턴 학습 및 처리부(602), 장력 AI 주파수패턴 학습 및 처리부(603)로 구성되어 주파수패턴 저장서버(4)에 각각 저장된 다양한 침입 상황별로 저장된 디지털 주파수패턴 이미지를 딥러닝 학습하면서 유효한 디지털 주파수패턴 이미지는 감지센서 수량 카운터서버(8)에 전송하도록 구성된다.AI frequency pattern learning and processing server 6 is composed of radar AI frequency pattern learning and processing unit 601, acoustic AI frequency pattern learning and processing unit 602, tension AI frequency pattern learning and processing unit 603, frequency pattern storage server The digital frequency pattern image that is effective while deep learning learning the digital frequency pattern image stored for each intrusion situation stored in (4) is configured to be transmitted to the detection sensor quantity counter server (8).

즉, 주파수패턴 저장서버(4)에 각각 저장된 디지털 주파수패턴 이미지를 각각 레이더 AI 주파수패턴 학습 및 처리부(601), 음향 AI 주파수패턴 학습 및 처리부(602), 장력 AI 주파수패턴 학습 및 처리부(603)에서 해당 정보를 유효와 비유효한 것을 딥러닝 학습하면서 유효한 주파수패턴은 감지센서 수량 카운터서버에 전송하게 된다.That is, the digital frequency pattern images stored in the frequency pattern storage server 4, respectively, the radar AI frequency pattern learning and processing unit 601, the acoustic AI frequency pattern learning and processing unit 602, the tension AI frequency pattern learning and processing unit 603, respectively. In the deep learning learning of valid and invalid information, the valid frequency pattern is transmitted to the detection sensor quantity counter server.

이러한 딥러닝 학습시 위험한 상황의 침입에 해당하는 유효한 주파수패턴 중 사람에 의한 침입에 의한 보다 위험도가 높은 주파수패턴과 사람으로 추정되지만 확실치 않은 낮은 주파수패턴으로 분류하여 판단하여 위험도 단계를 분류하고, 위험도가 낮은 것보다 더 낮게 분석된 동물의 침입과 자연현상에 의한 것과 같은 주파수패턴은 오검지를 일으키는 노이즈 주파수패턴으로 분류하여 향후 동일 유사한 주파수패턴은 신속하게 위험도 산정판단시 제거하여 분석대상 정보를 줄이면서 신속하고 신뢰성 있게 검지율, 검지 정확도를 높이게 된다.In such deep learning learning, among the valid frequency patterns corresponding to the intrusion of a dangerous situation, a frequency pattern with a higher risk due to intrusion by a person and a low frequency pattern estimated to be human but not certain are classified and judged to classify the risk level, and the level of risk Frequency patterns, such as those caused by animal invasion and natural phenomena, analyzed lower than those with lower values, are classified as noise frequency patterns that cause erroneous detection. while increasing the detection rate and detection accuracy quickly and reliably.

레이더 AI 주파수패턴 학습 및 처리부(601), 음향 AI 주파수패턴 학습 및 처리부(602), 장력 AI 주파수패턴 학습 및 처리부(603)에서 학습하는 원리는 주파수패턴 이미지의 학습이다.The principle of learning in the radar AI frequency pattern learning and processing unit 601, the acoustic AI frequency pattern learning and processing unit 602, and the tension AI frequency pattern learning and processing unit 603 is the learning of the frequency pattern image.

예를 들면, 사람과 동물을 레이더와 음향으로 탐지하면 이동하는 속도, 소리에 따라 주파수와 크기가 다르다. 즉, 시간별로 아날로그 신호패턴이 나타 나는데 이것을 AI가 바로 학습 시킬할 수 없다. 따라서 주파수 변환(FFT-고속푸리에변환fast Fourier transform)을 하면 특정 주파수에 크기 패턴 이미지가 나타나게 된다. 이러한 주파수패턴이미지를 학습하면서 비교하여 판단하게 된다.For example, when humans and animals are detected by radar and sound, the frequency and size are different depending on the speed and sound they move. In other words, analog signal patterns appear by time, but AI cannot learn them right away. Therefore, if a frequency transform (FFT-fast Fourier transform) is performed, a size pattern image appears at a specific frequency. While learning these frequency pattern images, they are compared and judged.

AI 영상 학습 및 분석서버(7)는 영상저장서버(5)에 저장된 영상정보 즉, 멀티센서부(1)의 감지에 따라 상황이 발생한 구역의 좌표값 방향으로 추적하여 촬영한 영상정보를 AI가 딥러닝 학습하면서 위험한 상황의 침입에 해당하는 유효한 영상 즉, 사람에 의한 침입에 의한 보다 위험도가 높은 영상과 사람으로 추정되지만 확실치 않은 낮은 위험도의 영상으로 분류하여 위험도 단계를 분류하고, 위험도가 낮은 것보다 더 낮게 분석된 동물의 침입과 자연현상에 의한 돌, 풀, 나무 등의 움직임과 같은 영상은 오검지를 일으키는 노이즈 영상으로 분류하여 향후 동일 유사한 영상정보를 신속하게 위험도 산정판단시 제거하여 분석대상 정보를 줄이면서 신속하고 신뢰성 있게 검지율, 검지 정확도를 높이게 된다. AI image learning and analysis server 7 tracks the image information stored in the image storage server 5, that is, in the direction of the coordinate value of the area where the situation occurs according to the detection of the multi-sensor unit 1, and the image information captured by the AI In deep learning learning, a valid image corresponding to intrusion of a dangerous situation, that is, an image with a higher risk due to intrusion by a person, and an image with a low risk presumed to be human but not certain, classify the risk level, and classify the risk level. Images such as animal invasion and movement of stones, grass, trees, etc. caused by natural phenomena, analyzed lower, are classified as noise images that cause false detection. It increases the detection rate and detection accuracy quickly and reliably while reducing information.

AI 영상 학습 및 분석서버(7)는 상기와 같이 학습된 영상정보를 바탕으로 다신호융합서버(9)의 요청에 따라 유효 영상정보를 제공하도록 구성한다. The AI image learning and analysis server 7 is configured to provide effective image information according to the request of the multi-signal convergence server 9 based on the image information learned as described above.

참고로 상기 위험도가 높은 단계는 울타리(110) 근처까지 접근, 월담 또는 적극적인 신속 접근시도, 엄폐시도 등과 같은 경우의 영상일 수 있고,For reference, the high-risk step may be an image in the case of approaching to the vicinity of the fence 110, moondam or an active rapid approach attempt, cover attempt, etc.,

상기 위험도가 낮은 단계는 울타리 원거리 출현 또는 울타리에 원거리 접근 후 되돌아 가는 영상일 수 있다. The low-risk stage may be an image returned after a remote appearance of a fence or a remote approach to the fence.

하지만 이와 같은 예시적인 위험도는 지속적인 학습결과 또는 관리자의 임위(의)적인 위험도 지정에 따라 변경될 수 있다.However, this exemplary risk level may be changed according to the continuous learning result or the administrator's voluntary (intentional) risk designation.

상기 딥러닝 영상 학습에 사용하는 알고리즘은 EfficientDet, Fair MOT(Multi Object Tracking) 기반 상황인지 기술 모델을 사용하여 학습시킬 수 있다.The algorithm used for the deep learning image learning can be learned using an EfficientDet, Fair Multi Object Tracking (MOT)-based context-aware technology model.

상기 EfficientDet은 영상기반 객체검출에서 State-of-the-Arts로 인정받는 객체검출 모델로 상황인지 데이터베이스를 활용하여 사람 검출에 특화되도록 전이학습을 수행하게 된다.The EfficientDet is an object detection model recognized as State-of-the-Arts in image-based object detection, and transfer learning is performed to specialize in human detection using a context-aware database.

상기 FairMOT(Multi-Object Tracking)는 딥러닝 기반 객체추적 SOTA 모델을 활용하는 것으로, Encoder-Decoder 구조로 1장의 사진에서 객체검출(Detection)과 Re-ID를 동시 수행한다. 또한 EfficientDet 기반 객체검출 결과와 Fusion하여 검출 신뢰도를 높이면서 Re-ID 수행할 수 있다.The FairMOT (Multi-Object Tracking) utilizes a deep learning-based object tracking SOTA model, and simultaneously performs object detection and re-ID in one picture with an encoder-decoder structure. In addition, it is possible to perform Re-ID while increasing the detection reliability by fusion with the EfficientDet-based object detection result.

또한 딥러닝 영상 학습에 사용하는 알고리즘은 사람검출 및 추적 향상 기술을 사용하여 학습시킬 수 있다.In addition, algorithms used for deep learning image learning can be trained using human detection and tracking enhancement technology.

이는 모델 내 계층 별 파라메터 구성비 분석 및 과중 영역에 대한 Inception Module 기반 계층 최적화 수행하는 것으로, 전이학습 후 객체 인식 모델 내 중요도가 낮은 영상 인식 필터에 대해 가지치기(pruning) 기법을 적용하고, 인식율 유지 및 향상을 위해 동일 데이터셋에 대한 재훈련을 수행할 수 있다.This is to analyze the composition ratio of each layer in the model and perform hierarchical optimization based on the Inception Module for the overloaded region. After transfer learning, the pruning technique is applied to the image recognition filter with low importance in the object recognition model, and the recognition rate For improvement, retraining can be performed on the same dataset.

감지센서 수량 카운터서버(8)는 AI 주파수패턴 학습 및 처리서버(6)의 레이더 AI 주파수패턴 학습 및 처리부(601), 음향 AI 주파수패턴 학습 및 처리부(602), 장력 AI 주파수패턴 학습 및 처리부(603)에서 전송된 유효 디지털 주파수패턴 이미지 정보가 2개 이상 전송되어 카운트 될 경우 다신호융합서버(9)에 해당 유효 주파수패턴과 관련된 영상분석을 요청하도록 구성된다.The detection sensor quantity counter server 8 includes the radar AI frequency pattern learning and processing unit 601, the acoustic AI frequency pattern learning and processing unit 602, the tension AI frequency pattern learning and processing unit of the AI frequency pattern learning and processing server 6 ( 603) is configured to request image analysis related to the effective frequency pattern to the multi-signal convergence server 9 when two or more of the effective digital frequency pattern image information transmitted are transmitted and counted.

다신호융합서버(9)는 감지센서 수량 카운터서버(8)에서 유효 디지털 주파수패턴 이미지와 관련된 영상분석을 요청하면 AI 영상 학습 및 분석서버(7)를 통해 유효 영상정보를 받아 관제단말부(10)의 모니터(1001)에 해당 영상정보, 3단계 위험도 정보, 최종 위치, 거리 정보를 복합 표출하면서 동시에 경보장치(1002)와 운영자 단말기(1003)에 침입발생에 따른 위험도 정보를 전송하도록 구성된다.When the multi-signal convergence server 9 requests image analysis related to the effective digital frequency pattern image from the detection sensor quantity counter server 8, it receives valid image information through the AI image learning and analysis server 7, and the control terminal unit 10 ) to the monitor 1001 of the corresponding image information, three-level risk information, final location, and distance information, while simultaneously expressing the risk information according to the intrusion to the alarm device 1002 and the operator terminal 1003 is configured to be transmitted.

다신호융합서버(9)는 신속한 대응을 위해 최초 침입자 탐지로부터 관제단말부(10)에 알람하는 시간을 1~10초 사이에 신속하게 대응하도록 구성된다.The multi-signal convergence server 9 is configured to quickly respond within 1 to 10 seconds from the first intruder detection to the alarming time to the control terminal 10 for a quick response.

다신호융합서버(9)는 위험도가 높은 정보가 전송될 경우 멀티센서부(1)의 감시센서나 카메라부(2)의 작동을 제어하여 지속적으로 추적관리하여 모니터링 하면서 추가적인 위험도 정보를 관제단말부(10)에 제공하도록 구성된다.The multi-signal convergence server 9 controls the operation of the monitoring sensor or camera unit 2 of the multi-sensor unit 1 when high-risk information is transmitted, and continuously tracks and manages the monitoring while providing additional risk information to the control terminal unit. (10) is configured to provide.

다신호융합서버(9)는 2개 이상 신호가 검출되면 침입이라 판단하여 CCTV 영상을 비추게 하고, CCTV 영상을 사전 학습한 침입영상과 비교 분석하여 YES(맞다)로 판단하면 해당 영상과 위험도 정보를 관제단말부(10)에 알람전송하고 운영자에게 알리도록 알고리즘이 구성된다.When two or more signals are detected, the multi-signal convergence server 9 determines that it is an intrusion and illuminates the CCTV image. Algorithm is configured to transmit an alarm to the control terminal unit 10 and notify the operator.

관제단말부(10)는 모니터(1001), 스피커 및 경광등과 같은 경보장치(1002), 문자 및 음성, 화상을 전달받을 수 있는 스마트 폰과 같은 디지털기기 또는 아날로그 단말기와 같은 운영자 단말기(1003)로 구성된다. 이와 같은 단말부는 도시되지 않았지만 각 구성을 제어하는 제어컴퓨터 또는 컨트롤러와 연결되어 다신호융합서버(9)의 신호를 수신받아 전송하거나 각 구성을 임의로 제어하여 모니터리 또는 작동할 수 있도록 구성될 수 있음은 물론이다. The control terminal unit 10 is an operator terminal 1003 such as a monitor 1001, an alarm device 1002 such as a speaker and a warning light, a digital device such as a smart phone capable of receiving text, voice, and images, or an analog terminal. is composed Although not shown, such a terminal unit is connected to a control computer or controller that controls each configuration to receive and transmit the signal of the multi-signal convergence server 9, or to arbitrarily control each configuration to monitor or operate. is of course

상기 모니터는 다양한 크기와 해상도를 가진 하나 이상의 모니터로 구성될 수 있다. The monitor may consist of one or more monitors having various sizes and resolutions.

관제단말부(10)는 다신호융합서버(9)에 의해 모니터에 팝업 등의 형태로 위험도 단계가 표시된 영상이 표출되면 관리자가 콘솔이나 키보드 등의 조작 장치를 이용하여 원격 실시간 현장 확인 및 대응을 멀티센서부(1)의 감시센서나 카메라부(2)의 작동을 추가적으로 명령하여 침입객체에 대해 지속적인 추적 및 GPS정보 전달을 통한 카메라탑재 드론과의 정밀 연계 탐색 또는 보안담당자 또는 경찰 또는 군부대에 대한 출동을 명령할 수 있도록 구성된다.The control terminal unit 10 is a multi-signal convergence server 9, when the image showing the level of risk in the form of a pop-up is displayed on the monitor, the administrator uses a console or keyboard, etc. By additionally commanding the operation of the monitoring sensor of the multi-sensor unit (1) or the camera unit (2), precise linkage with the camera-equipped drone through continuous tracking and GPS information delivery of intruding objects or security officers or police or military units It is configured to be able to command an evacuation.

또한 관제단말부(10)의 모니터는 GIS 지도 기반 모니터링이 가능하게 구성될 수 있다.In addition, the monitor of the control terminal unit 10 may be configured to enable GIS map-based monitoring.

또한 관제단말부(10)의 모니터는 영상저장서버(5)에 저장되는 영상이 직접 회로 연결되어 AI 영상 학습 및 분석서버(7)를 통한 분석 과정 없이 최초 촬영된 그대로의 영상이 전송되도록 구성되어 평상시 운영자가 임으로 판단하여 검지구역별 영상을 모니터링 업무에 사용되도록 구성될 수 있다. 또한 도시되지 않았지만 모니터는 이와 연결된 관제 컴퓨터의 그래픽카드와 연결되어 상기 영상저장서버의 영상을 모니터에 표출되게 구성됨은 당연한 구성이다. In addition, the monitor of the control terminal unit 10 is configured such that the image stored in the image storage server 5 is directly connected to the circuit, so that the image as it was first captured is transmitted without the AI image learning and analysis process through the analysis server 7 . It can be configured to be used for monitoring tasks for each detection area by determining that the operator is usually the operator. In addition, although not shown, it is natural that the monitor is connected to the graphic card of the control computer connected thereto to display the image of the image storage server on the monitor.

영상보정서버(11)는 상기 다신호융합서버(9)의 명령에 따라 AI 영상 학습 및 분석서버(7)의 영상을 선명하게 색상이나 채도 명암 등을 보정하거나 일부 영상을 확대하거나 일부만 추출하게 보정하도록 구성된다.The image correction server 11 corrects the image of the AI image learning and analysis server 7 according to the command of the multi-signal convergence server 9 to sharply correct color, chroma, contrast, etc., or to enlarge or extract only a part of the image. configured to do

또한 상기 각 서버 또는 구성 즉, 주파수패턴 변환서버(3), 주파수패턴 저장서버(4), 영상저장서버(5), AI 주파수패턴 학습 및 처리서버(6), AI 영상 학습 및 분석서버(7), 감지센서 수량 카운터서버(8), 다신호융합서버(9), 관제단말부(10), 영상보정서버(11)는 기본적으로 컴퓨터 또는 서버를 구성하는 CPU, 메모리, 저장장치, 입출력장치, 인터넷, 인트라넷 연결구성 등을 포함한 공지의 기본 구성이 포함됨은 물론이다.In addition, each of the servers or components, that is, the frequency pattern conversion server 3, the frequency pattern storage server 4, the image storage server 5, the AI frequency pattern learning and processing server 6, the AI image learning and analysis server 7 ), detection sensor quantity counter server (8), multi-signal convergence server (9), control terminal unit (10), and image correction server (11) are basically the CPU, memory, storage device, input/output device constituting the computer or server. Of course, known basic configurations including , Internet, intranet connection configuration, and the like are included.

상기와 같이 구성된 본 발명의 동작을 설명하면 다음과 같다.The operation of the present invention configured as described above will be described as follows.

본 발명에 따른 스마트 경계 시스템은 서로 다른 종류의 센서로 구성된 경계용 멀티센서부(1) 및 카메라부(2)가 울타리 또는 울타리 주변에 개별 또는 기둥에 통합설치되어 울타리 전방의 고정 감지 대상 구역 또는 센서가 감지한 구역을 추적 촬영하도록 구성된다.In the smart boundary system according to the present invention, the boundary multi-sensor unit 1 and the camera unit 2 composed of different types of sensors are individually or integratedly installed around a fence or fence, so that a fixed detection target area in front of the fence or The sensor is configured to track the detected area.

이후 멀티센서부(1)에서 감지한 신호는 주파수패턴 변환서버(3)를 통해 주파수패턴 이미지로 변환되어 AI 주파수패턴 학습 및 처리서버(6)에서 딥러닝 학습과정을 거치며 유효한 데이터와 유효하지 않은 데이터로 분류하며 학습하고, 카메라부(2)가 획득한 정보는 AI 영상 학습 및 분석서버(7)에서 딥러닝 학습과정을 거치며 유효한 데이터를 분류하며 학습하는 과정을 지속하게 된다.Afterwards, the signal detected by the multi-sensor unit 1 is converted into a frequency pattern image through the frequency pattern conversion server 3 and goes through the deep learning learning process in the AI frequency pattern learning and processing server 6, valid data and invalid data. It learns by classifying it as data, and the information acquired by the camera unit 2 goes through a deep learning learning process in the AI image learning and analysis server 7 and continues the process of classifying and learning valid data.

이후 멀티센서부(1)에서 침입을 감지하게 되면 카메라부(2)가 센서가 감지한 구역을 추적 촬영하여 해당 영상정보와 멀티센서부(1)에서 검지한 정보를 매칭시키게 된다.Afterwards, when the multi-sensor unit 1 detects an intrusion, the camera unit 2 tracks the area detected by the sensor and matches the corresponding image information with the information detected by the multi-sensor unit 1 .

이후 감지센서 수량 카운터서버(8)로 AI 주파수패턴 학습 및 처리서버에서 유효 주파수패턴으로 전송된 정보가 복수개로 카운트되면 다신호융합서버(9)로 해당 유효 주파수패턴과 관련된 영상분석을 요청하는 과정을 거치고, 다신호융합서버(9)는 AI 영상 학습 및 분석서버(7)로부터 해당 영상분석 결과와 함께 위험도 분석 결과를 관제단말부(10)에 신속하게 전송하여 표출시켜 상황을 전파하게 된다.Afterwards, when the AI frequency pattern learning and processing server counts a plurality of information transmitted as an effective frequency pattern to the detection sensor quantity counter server 8, the multi-signal convergence server 9 is a process of requesting image analysis related to the effective frequency pattern After passing through, the multi-signal convergence server 9 quickly transmits the risk analysis result together with the corresponding image analysis result from the AI image learning and analysis server 7 to the control terminal unit 10 to display it and spread the situation.

이와 같은 과정을 통해 과도한 멀티센서부(1) 감지 정보로부터 유효하지 않은 오탐지 정보를 신뢰성 있게 제거하고 나머지 유효한 주파수패턴과 영상정보 중에서 위험도 여부를 분류함으로써 검지율, 검지 정확도를 높이게 된다.Through this process, the detection rate and detection accuracy are increased by reliably removing invalid false detection information from the excessive detection information of the multi-sensor unit 1 and classifying the risk level among the remaining valid frequency patterns and image information.

본 발명은 상술한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다. The present invention is not limited to the specific preferred embodiments described above, and without departing from the gist of the present invention as claimed in the claims, anyone with ordinary skill in the art to which the invention pertains can implement various modifications Of course, such modifications are intended to be within the scope of the claims.

(1) : 멀티센서부 (2) : 카메라부
(3) : 주파수패턴 변환서버 (4) : 주파수패턴 저장서버
(5) : 영상저장서버 (6) : AI 주파수패턴 학습 및 처리서버
(7) : AI 영상 학습 및 분석서버 (8) : 감지센서 수량 카운터서버
(9) : 다신호융합서버 (10) : 관제단말부
(11) : 영상보정서버 (101) : 레이더센서
(102) : 음향감지센서 (103) : 장력센서
(110) : 울타리 (120) : 기둥
(201) : 광학카메라 (202) : 열화상 적외선 카메라
(203) : 카메라탑재 드론 (301) : 레이더 주파수패턴 변환부
(302) : 음향 주파수패턴 변환부 (303) : 장력 주파수패턴 변환부
(401) : 레이더 주파수패턴 저장부 (402) : 음향 주파수패턴 저장부
(403) : 장력 주파수패턴 저장부
(601) : 레이더 AI 주파수패턴 학습 및 처리부
(602) : 음향 AI 주파수패턴 학습 및 처리부
(603) : 장력 AI 주파수패턴 학습 및 처리부
(1001) : 모니터 (1002) : 경보장치
(1003) : 운영자 단말기(1): multi-sensor unit (2): camera unit
(3): Frequency pattern conversion server (4): Frequency pattern storage server
(5): Image storage server (6): AI frequency pattern learning and processing server
(7): AI image learning and analysis server (8): detection sensor quantity counter server
(9): Multi-Signal Convergence Server (10): Control Terminal
(11): image correction server (101): radar sensor
(102): sound sensor (103): tension sensor
(110): fence (120): pillar
(201): optical camera (202): thermal imaging infrared camera
(203): camera-equipped drone (301): radar frequency pattern conversion unit
(302): sound frequency pattern conversion unit (303): tension frequency pattern conversion unit
(401): radar frequency pattern storage unit (402): acoustic frequency pattern storage unit
(403): tension frequency pattern storage unit
(601): Radar AI frequency pattern learning and processing unit
(602): Acoustic AI frequency pattern learning and processing unit
(603): Tension AI frequency pattern learning and processing unit
(1001): Monitor (1002): Alarm device
(1003): operator terminal

Claims (12)

검지 거리별 또는 담당 검지 구역별로 설치된 레이더센서(101), 음향감지센서(102), 장력센서(103)로 구성된 경계용 멀티센서부(1);
고정 감지 대상 구역 또는 센서가 감지한 구역을 추적 촬영하도록 배치된 카메라부(2);
레이더 주파수패턴 변환부(301), 음향 주파수패턴 변환부(302), 장력 주파수패턴 변환부(303)로 구성되어 상기 멀티센서부(1)의 레이더센서, 음향감지센서, 장력센서에서 전송된 아날로그 수신신호를 각각의 디지털 주파수패턴 이미지로 변환시키는 주파수패턴 변환서버(3);
레이더 주파수패턴 저장부(401), 음향 주파수패턴 저장부(402), 장력 주파수패턴 저장부(403)로 구성되어 상기 주파수패턴 변환서버(3)에서 변환된 디지털 주파수패턴 이미지를 각각 저장하는 주파수패턴 저장서버(4);
카메라가 촬영한 영상을 저장하는 영상저장서버(5);
레이더 AI 주파수패턴 학습 및 처리부(601), 음향 AI 주파수패턴 학습 및 처리부(602), 장력 AI 학습 및 처리부(603)로 구성되어 상기 주파수패턴 저장서버(4)에 각각 저장된 디지털 주파수패턴 이미지를 AI가 딥러닝 학습하면서 분석하여 유효한 주파수패턴과 유효하지 않은 주파수패턴으로 분류하여 유효한 디지털 주파수패턴 이미지는 감지센서 수량 카운터서버에 전송하는 AI 주파수패턴 학습 및 처리서버(6);
상기 멀티센서부(1)의 감지에 따라 상황이 발생한 구역의 좌표값 방향으로 추적 촬영하여 저장된 영상저장서버(5)의 영상정보를 AI가 딥러닝 학습하면서 유효한 영상과 유효하지 않은 영상으로 분류하고 위험도를 분류하여 분석 처리하면서 다신호융합서버의 요청에 따라 유효 영상정보와 위험도를 제공하는 AI 영상 학습 및 분석서버(7);
상기 AI 주파수패턴 학습 및 처리서버(6)의 레이더 AI 주파수패턴 학습 및 처리부(601), 음향 AI 주파수패턴 학습 및 처리부(602), 장력 AI 주파수패턴 학습 및 처리부(603)에서 전송된 유효 디지털 주파수패턴 이미지 정보가 2개 이상 카운트될 경우 다신호융합서버(9)에 해당 유효 주파수패턴과 매칭된 영상분석을 요청하는 감지센서 수량 카운터서버(8);
2개 이상의 유효 감지 정보가 카운트된 감지센서 수량 카운터서버(8)에서 유효 디지털 주파수패턴 이미지와 관련된 영상분석을 요청하면 AI 영상 학습 및 분석서버(7)를 통해 해당 유효 영상정보 분석정보를 받아 관제단말부(10)의 모니터에 해당 영상정보, 3단계 위험도 정보, 최종 위치, 거리 정보를 복합 표출하면서 경보장치와 운영자 단말기에 위험도 정보를 전송하는 다신호융합서버(9);
다신호융합서버(9)로부터 전송된 영상과 위험도 정보를 받아 표출하는 관제단말부(10);를 포함하는 것을 특징으로 하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템.
A boundary multi-sensor unit (1) consisting of a radar sensor (101), an acoustic sensor (102), and a tension sensor (103) installed for each detection distance or area in charge;
a camera unit 2 arranged to track and photograph a fixed detection target area or an area sensed by a sensor;
It is composed of a radar frequency pattern conversion unit 301, a sound frequency pattern conversion unit 302, and a tension frequency pattern conversion unit 303, and the analog transmitted from the radar sensor, the sound sensor, and the tension sensor of the multi-sensor unit 1 a frequency pattern conversion server 3 for converting a received signal into each digital frequency pattern image;
A frequency pattern comprising a radar frequency pattern storage unit 401, an acoustic frequency pattern storage unit 402, and a tension frequency pattern storage unit 403 for storing digital frequency pattern images converted by the frequency pattern conversion server 3, respectively. storage server (4);
an image storage server 5 for storing images captured by the camera;
It consists of a radar AI frequency pattern learning and processing unit 601, an acoustic AI frequency pattern learning and processing unit 602, a tension AI learning and processing unit 603, and the digital frequency pattern image stored in the frequency pattern storage server 4, respectively. AI frequency pattern learning and processing server (6) that analyzes while learning deep learning, classifies valid frequency patterns and invalid frequency patterns, and sends the valid digital frequency pattern image to the detection sensor quantity counter server;
According to the detection of the multi-sensor unit (1), the image information of the image storage server (5) stored by tracking and shooting in the direction of the coordinate value of the area where the situation occurred is classified into a valid image and an invalid image while the AI learns deep learning, AI image learning and analysis server (7) that classifies and analyzes the level of risk and provides effective image information and risk according to the request of the multi-signal convergence server;
Effective digital frequency transmitted from the radar AI frequency pattern learning and processing unit 601, the acoustic AI frequency pattern learning and processing unit 602, and the tension AI frequency pattern learning and processing unit 603 of the AI frequency pattern learning and processing server 6 When two or more pattern image information is counted, the detection sensor quantity counter server 8 requests the multi-signal convergence server 9 to analyze the image matched with the effective frequency pattern;
When two or more valid detection information is counted and an image analysis related to an effective digital frequency pattern image is requested from the counter server (8), the effective image information analysis information is received and controlled through the AI image learning and analysis server (7) A multi-signal convergence server 9 that transmits risk information to an alarm device and an operator terminal while displaying the image information, three-step risk information, final location, and distance information on the monitor of the terminal unit 10;
Smart boundary with improved effective detection accuracy through multi-sensor signal fusion and AI image analysis, characterized in that it includes; system.
 청구항 1에 있어서,
상기 다신호융합서버의 명령에 따라 AI 영상 학습 및 분석서버의 영상을 보정하는 영상보정서버(11)를 더 포함하는 것을 특징으로 하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템.
The method according to claim 1,
Improved effective detection accuracy through multi-sensor signal fusion and AI image analysis, characterized in that it further comprises an image correction server 11 that corrects the image of the AI image learning and analysis server according to the command of the multi-signal fusion server Smart Perimeter System.
 청구항 1에 있어서,
상기 경계용 멀티센서부(1)는 검지 거리별 또는 담당 검지 구역별로 각각 개별적으로 하나 이상씩 설치하거나 개별 기둥에 통합 설치하여 검지 거리별 또는 담당 검지 구역별로 하나 이상씩 설치하여 침입대상을 검지하도록 구성한 것을 특징으로 하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템.
The method according to claim 1,
The boundary multi-sensor unit 1 is installed individually for each detection distance or for each detection zone in charge, or installed in an integrated pole to detect an intrusion target by installing one or more for each detection distance or detection zone in charge. Smart boundary system with improved effective detection accuracy through multi-sensor signal fusion and AI image analysis, characterized in that it is configured.
 청구항 1에 있어서,
상기 레이더센서(101)는 설치시 인접하는 레이더센서와 cascade 접속 방식으로 배치하여 다양한 선형 구간을 포함하여 검지하도록 하고, 레이더센서 검지 범위 내에서 검지된 객체의 거리(y), 방향(x), 크기(z), 속도 정보를 검출하여 물체 유무를 판단하면서 각 객체마다 고유번호(ID) 값을 부여하여 연속성 있게 각각 추적하며 검지 구간 외의 구역에서 추적되는 물체는 제외시키도록 구성된 것을 특징으로 하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템.
The method according to claim 1,
The radar sensor 101 is disposed in a cascade connection method with an adjacent radar sensor when installed to detect including various linear sections, and the distance (y), direction (x), and direction (x) of the detected object within the radar sensor detection range, Multi-characterized in that it is configured to continuously track each object by assigning a unique number (ID) value to each object while determining the presence or absence of an object by detecting size (z) and speed information, and to exclude objects tracked in areas other than the detection section Smart boundary system that improves effective detection accuracy through sensor signal fusion and AI image analysis.
 청구항 1에 있어서,
상기 카메라부(2)는 PTZ 기능을 가진 광학카메라(CCTV)(201)과 열화상 적외선 카메라(CCTV)(202) 복수개가 설정된 검지 거리별 또는 담당 검지 구역별 또는 멀티센서부가 감지한 구역을 촬영하여 감시하도록 각각 배치되어 구성되고, 멀티센서부(1)의 감지에 따라 침입 상황이 발생하면 해당 구역 좌표값 방향으로 PTZ 기능을 이용 추적하여 촬영하도록 구성된 것을 특징으로 하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템.
The method according to claim 1,
The camera unit 2 captures an optical camera (CCTV) 201 and a thermal imaging infrared camera (CCTV) 202 with a PTZ function by a plurality of set detection distances, each detection area in charge, or an area detected by the multi-sensor unit. Multi-sensor signal fusion and AI image, characterized in that each is arranged and configured to monitor, and when an intrusion situation occurs according to the detection of the multi-sensor unit (1), it is configured to track and shoot using the PTZ function in the direction of the coordinate value of the area A smart boundary system that improves the effective detection accuracy through analysis.
 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 청구항 5에 있어서,
상기 카메라부(2)는 카메라탑재 드론을 더 포함하여 멀티센서부(1) 및 카메라부(2)를 통해 확보된 침입객체의 위치 정보를 활용하여 촬영하도록 구성한 것을 특징으로 하는 멀티센서 신호 융합과 AI 영상 분석을 통한 유효감지 정확도를 향상시킨 스마트 경계 시스템.6. The method of claim 5,
The camera unit (2) further includes a camera-mounted drone, multi-sensor signal fusion and A smart boundary system that improves the effective detection accuracy through AI image analysis.
KR1020210137498A 2021-10-15 2021-10-15 Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis KR102440169B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210137498A KR102440169B1 (en) 2021-10-15 2021-10-15 Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210137498A KR102440169B1 (en) 2021-10-15 2021-10-15 Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis

Publications (1)

Publication Number Publication Date
KR102440169B1 true KR102440169B1 (en) 2022-09-05

Family

ID=83279821

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210137498A KR102440169B1 (en) 2021-10-15 2021-10-15 Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis

Country Status (1)

Country Link
KR (1) KR102440169B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102579161B1 (en) * 2022-12-20 2023-09-15 주식회사 두잇 A ai-based autonomous garrison protection system

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050080415A (en) * 2004-02-09 2005-08-12 (주) 세이프텔 Alarm system and method for surveillance of armed robber's invasion
KR100933239B1 (en) 2008-03-11 2009-12-22 (주)셀런에스엔 Wire sensor type fence intrusion detection security system
KR101812981B1 (en) 2016-03-28 2017-12-28 주식회사 카티스 To change the sensitivity of the fence detection sensor system and combined with intelligent sensor complex
KR101820344B1 (en) * 2017-07-11 2018-02-02 김은주 Image sensing device included in the emergency propagation function
KR101871634B1 (en) 2017-06-28 2018-06-27 한국원자력 통제기술원 System for checking the sensors to monitor the fence
KR101927364B1 (en) 2017-12-13 2018-12-10 주식회사 에스원 Outside Intruding and Monitering Radar Syatem Based on Deep -Learning and Method thereof
KR102266548B1 (en) * 2021-02-09 2021-06-18 케이에스아이 주식회사 Smart security fence system with improved malfunction prevention and intrusion detection reliability
KR20210078338A (en) * 2019-12-18 2021-06-28 주식회사 포휴먼테크 Intrusion detection system combining high performance rader and machine learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050080415A (en) * 2004-02-09 2005-08-12 (주) 세이프텔 Alarm system and method for surveillance of armed robber's invasion
KR100933239B1 (en) 2008-03-11 2009-12-22 (주)셀런에스엔 Wire sensor type fence intrusion detection security system
KR101812981B1 (en) 2016-03-28 2017-12-28 주식회사 카티스 To change the sensitivity of the fence detection sensor system and combined with intelligent sensor complex
KR101871634B1 (en) 2017-06-28 2018-06-27 한국원자력 통제기술원 System for checking the sensors to monitor the fence
KR101820344B1 (en) * 2017-07-11 2018-02-02 김은주 Image sensing device included in the emergency propagation function
KR101927364B1 (en) 2017-12-13 2018-12-10 주식회사 에스원 Outside Intruding and Monitering Radar Syatem Based on Deep -Learning and Method thereof
KR20210078338A (en) * 2019-12-18 2021-06-28 주식회사 포휴먼테크 Intrusion detection system combining high performance rader and machine learning
KR102266548B1 (en) * 2021-02-09 2021-06-18 케이에스아이 주식회사 Smart security fence system with improved malfunction prevention and intrusion detection reliability

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102579161B1 (en) * 2022-12-20 2023-09-15 주식회사 두잇 A ai-based autonomous garrison protection system

Similar Documents

Publication Publication Date Title
US9928707B2 (en) Surveillance system
US8681223B2 (en) Video motion detection, analysis and threat detection device and method
KR101927364B1 (en) Outside Intruding and Monitering Radar Syatem Based on Deep -Learning and Method thereof
US9984559B2 (en) Intrusion detection with motion sensing
JP4920031B2 (en) Intruding object identification method, intruding object identification device, and intruding object identification sensor device
KR102365578B1 (en) Intrusion detection system combining high performance rader and machine learning
KR102001594B1 (en) Radar-camera fusion disaster tracking system and method for scanning invisible space
KR102230552B1 (en) Device For Computing Position of Detected Object Using Motion Detect and Radar Sensor
KR102310192B1 (en) Convergence camera for enhancing object recognition rate and detecting accuracy, and boundary surveillance system therewith
KR102440169B1 (en) Smart guard system for improving the accuracy of effective detection through multi-sensor signal fusion and AI image analysis
CN113219454A (en) System and method for preventing vehicles and personnel from invading runway based on millimeter wave radar
RU2595532C1 (en) Radar system for protection of areas with small-frame video surveillance system and optimum number of security guards
CN103152558A (en) Intrusion detection method based on scene recognition
US7705724B2 (en) Augmented security system
KR101046819B1 (en) Method and system for watching an intrusion by software fence
CN111931657A (en) Object recognition system, method and storage medium
CN116935551A (en) Perimeter intrusion detection method, system, equipment and storage medium
Hu et al. Research and application of intelligent intrusion detection system with accuracy analysis methodology
JP2009157763A (en) Composite intrusion detecting device
KR102630275B1 (en) Multi-camera fire detector
US11678058B2 (en) Method and system for providing intelligent control by using radar security camera
JP2004030022A (en) Invasion detection system
KR101959142B1 (en) Fence Intrusion Detection System and Method with Ultra High Frequency Signal
JP5027646B2 (en) Combined intrusion detection device
KR20210158037A (en) Method for tracking multi target in traffic image-monitoring-system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant