KR102508648B1 - Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment - Google Patents

Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment Download PDF

Info

Publication number
KR102508648B1
KR102508648B1 KR1020220131245A KR20220131245A KR102508648B1 KR 102508648 B1 KR102508648 B1 KR 102508648B1 KR 1020220131245 A KR1020220131245 A KR 1020220131245A KR 20220131245 A KR20220131245 A KR 20220131245A KR 102508648 B1 KR102508648 B1 KR 102508648B1
Authority
KR
South Korea
Prior art keywords
electrical
malfunction
equipment
index
firefighting equipment
Prior art date
Application number
KR1020220131245A
Other languages
Korean (ko)
Inventor
김재상
Original Assignee
김재상
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 김재상 filed Critical 김재상
Priority to KR1020220131245A priority Critical patent/KR102508648B1/en
Application granted granted Critical
Publication of KR102508648B1 publication Critical patent/KR102508648B1/en

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0635Risk analysis of enterprise or organisation activities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14Central alarm receiver or annunciator arrangements
    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Emergency Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Primary Health Care (AREA)
  • Alarm Systems (AREA)

Abstract

A device according to one embodiment receives basic information including installation location information and equipment information of electrical and firefighting equipment, receives state information of electrical and firefighting equipment from a state measurement sensor installed in the electrical and firefighting equipment, checks the possibility of malfunction of electrical and firefighting equipment based on the state information satisfying predetermined criteria, and checks the possibility of malfunction to transmit at least one of an emergency notification message and an inspection message to a manager terminal.

Description

전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황 모니터링 방법, 장치 및 시스템{EMERGENCY MONITORING METHOD, DEVICE AND SYSTEM BASED ON MALFUNCTION JUDGMENT OF ELECTRIC AND FIREFIGHTING EQUIPMENT}Emergency situation monitoring method, device and system based on malfunction determination of electrical and firefighting equipment

아래 실시예들은 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황을 모니터링하는 기술에 관한 것이다.The following embodiments relate to techniques for monitoring emergency situations based on malfunction determination of electrical and firefighting equipment.

일반적으로, 전기 설비 및 소방 설비는 가정집, 학교, 회사 및 공공기관 등 시설에 관계없이 필수적으로 구비되어야 한다. 건물에 화재, 진동, 불꽃 등 비상상황이 발생하였을 경우에 대비하여 전기 빛 소방 설비는 비상상황을 알리기 위한 알림 장치가 구비되어 있다. In general, electrical equipment and firefighting equipment must be provided regardless of facilities such as homes, schools, companies, and public institutions. In preparation for emergency situations such as fire, vibration, and flame in the building, the electric light and firefighting equipment is equipped with a notification device to notify the emergency situation.

하지만, 알림 장치는 습기, 먼지, 벌레 등에 의해 오작동되기도 하며, 어린이나 작업자가 알림 장치를 잘못 건드려 오작동하는 경우가 발생하기도 한다. 알림 장치가 작동하는 경우, 전기 및 소방 설비를 관리하는 관리자는 현장에 직접 방문하여 설비의 오작동 여부 및 비상상황을 일일이 판단해야 한다.However, the notification device may malfunction due to moisture, dust, insects, or the like, and a child or worker may mistakenly touch the notification device and cause malfunction. When the notification device operates, the manager who manages the electrical and firefighting equipment must visit the site and determine whether the equipment is malfunctioning and the emergency situation one by one.

따라서, 전기 및 소방 설비의 오동작 판단을 기반으로 하여 비상상황을 모니터링할 수 있는 기술의 개발이 요구된다.Therefore, it is required to develop a technology capable of monitoring an emergency situation based on the malfunction determination of electrical and firefighting equipment.

대한민국 등록특허 제 10-2410754호 (2022.06.22 공고)Republic of Korea Patent Registration No. 10-2410754 (Announcement on June 22, 2022) 대한민국 등록특허 제 10-2116064호(2020.05.27 공고)Republic of Korea Patent Registration No. 10-2116064 (Announced on May 27, 2020) 대한민국 등록특허 제 10-2165207호(2020.10.13공고)Republic of Korea Patent Registration No. 10-2165207 (Announced on October 13, 2020) 대한민국 등록특허 제 10-2188260호(2020.12.08 공고)Republic of Korea Patent No. 10-2188260 (2020.12.08 announcement)

실시예들은 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황을 모니터링하는 방법을 제공하고자 한다.Embodiments are intended to provide a method for monitoring an emergency situation based on malfunction determination of electrical and firefighting equipment.

실시예들은 전기 및 소방 설비의 촬영 영상 및 상태 측정 센서로부터 상태 정보를 이용하여 오작동 가능성을 확인하고자 한다.Embodiments attempt to check the possibility of a malfunction by using state information from a photographed image of electrical and firefighting equipment and a state measuring sensor.

실시예들은 전기 및 소방 설비의 설비 정보, 오동작 판단 히스토리를 이용하여 전기 및 소방 설비의 점검 주기를 생성하고자 한다.Embodiments attempt to create an inspection cycle of electrical and fire-fighting equipment by using equipment information and malfunction determination history of electrical and fire-fighting equipment.

일실시예에 따르면, 장치에 의해 수행되는 방법에 있어서, 전기 및 소방 설비의 설치 위치 정보 및 설비 정보를 포함하는 기본 정보를 수신하는 단계; 상기 전기 및 소방 설비에 설치되어 있는 상태 측정 센서로부터 상기 전기 및 소방 설비의 상태 정보를 수신하는 단계; 상기 상태 정보가 미리 결정된 기준을 만족함에 기반하여 상기 전기 및 소방 설비의 오동작 가능성을 확인하는 단계; 및 상기 오동작 가능성을 확인하여 비상 상황 알림 메시지 및 점검 메시지 중 적어도 하나를 관리자 단말로 전송하는 단계를 포함할 수 있다.According to one embodiment, a method performed by an apparatus includes: receiving basic information including installation location information and equipment information of electrical and firefighting equipment; Receiving state information of the electrical and fire-fighting equipment from a state measurement sensor installed in the electric and fire-fighting equipment; confirming a possibility of a malfunction of the electrical and firefighting equipment based on whether the status information satisfies a predetermined criterion; and checking the possibility of malfunction and transmitting at least one of an emergency notification message and a check message to an administrator terminal.

상기 오동작 가능성을 확인하는 단계는, 상기 전기 및 소방 설비에 설치된 카메라를 통해 미리 설정된 시간 동안 상기 전기 및 소방 설비를 촬영하여 제1 영상을 획득하는 단계, 상기 제1 영상을 평상시 촬영된 제2 영상과 비교하여 차이점을 확인하는 단계, 상기 차이점이 발생한 부분을 추출하는 단계, 상기 추출된 부분에 대한 영상 분석을 수행하여 원인 객체를 추출하는 단계, 상기 원인 객체를 이미지 분석 알고리즘을 포함하는 인공 신경망에 입력하여 원인 객체의 카테고리를 확인하는 단계, 상기 원인 객체의 카테고리가 위험 카테고리 데이터베이스에 저장된 위험 카테고리와 일치하는 경우, 상기 상태 정보가 미리 결정된 기준을 만족한 시점을 기준으로 미리 설정된 기간 동안의 상태 정보를 오동작 상태 정보로 생성하는 단계, 상기 오동작 상태 정보와 평상시 상태 정보에 대응하는 정상 상태 정보를 비교하는 단계, 상기 비교 결과에 기반하여 오동작 가중치를 생성하는 단계, 및 상기 오동작 가중치에 기반하여 상기 오동작 가능성을 확인하는 단계를 포함할 수 있다.The step of checking the possibility of a malfunction may include acquiring a first image by photographing the electrical and firefighting equipment for a preset time through a camera installed in the electrical and firefighting equipment, and a second image captured from the first image at normal times. Checking a difference by comparing the difference, extracting a part where the difference occurs, extracting a causal object by performing image analysis on the extracted part, and applying the causal object to an artificial neural network including an image analysis algorithm. Checking the category of the causal object by inputting it, if the category of the causal object matches the risk category stored in the risk category database, state information for a preset period of time based on a point in time when the state information satisfies a predetermined criterion generating as malfunction state information, comparing the malfunction state information with normal state information corresponding to normal state information, generating malfunction weights based on the comparison result, and generating the malfunction weights based on the malfunction weights. Possibility checks may be included.

상기 장치에 의해 수행되는 방법에 있어서, 상기 상태 정보가 미리 결정된 기준을 만족하였으나 오동작으로 판단된 횟수를 확인하는 단계; 상기 설비 정보를 이용하여 상기 전기 및 소방 설비의 설치 경과일을 확인하는 단계; 상기 전기 및 소방 설비의 평균 기대 수명을 확인하는 단계; 상기 오동작으로 판단된 횟수, 상기 설치 경과일 및 상기 평균 기대 수명을 이용하여 상기 전기 및 소방 설비의 위험 지수를 생성하는 단계; 및 상기 위험 지수에 따라 상기 전기 및 소방 설비의 점검 주기를 생성하는 단계를 더 포함할 수 있다.A method performed by the device, comprising: checking the number of times the state information is determined to be an erroneous operation even though it satisfies a predetermined criterion; Checking the installation elapsed date of the electrical and firefighting equipment using the equipment information; checking the average life expectancy of the electrical and fire protection equipment; generating a risk index of the electrical and fire-fighting equipment using the number of times the malfunction is determined, the elapsed date of installation, and the average life expectancy; and generating an inspection cycle of the electrical and firefighting equipment according to the risk index.

상기 장치에 의해 수행되는 방법에 있어서, 상기 전기 및 소방 설비의 위험 지수와 미리 설정된 제1 지수를 비교하는 단계; 상기 위험 지수가 상기 제1 지수 미만인 경우, 상기 전기 및 소방 설비에 설치된 카메라를 통해 상기 전기 및 소방 설비를 촬영한 영상이 상기 관리자 단말에 표시될 비율을 제1 비율로 설정하는 단계; 상기 위험 지수가 상기 제1 지수 이상인 경우, 상기 위험 지수와 미리 설정된 제2 지수를 비교하는 단계; 상기 위험 지수가 상기 제2 지수 미만인 경우, 상기 비율을 제2 비율로 설정하는 단계; 상기 위험 지수가 상기 제2 지수 이상인 경우, 상기 비율을 제3 비율로 설정하는 단계; 및 상기 전기 및 소방 설비를 촬영한 영상에 상기 제1 비율, 상기 제2 비율 및 상기 제3 비율 중 어느 하나를 적용하여 상기 관리자 단말의 화면에 표시하는 단계를 포함할 수 있다.A method performed by the device, comprising: comparing a risk index of the electrical and fire protection equipment with a preset first index; When the risk index is less than the first index, setting a first ratio as a ratio at which an image of the electric and firefighting equipment is displayed on the manager terminal through a camera installed in the electric and firefighting equipment; comparing the risk index with a preset second index when the risk index is greater than or equal to the first index; setting the ratio as a second ratio when the risk index is less than the second index; setting the ratio as a third ratio when the risk index is greater than or equal to the second index; and applying any one of the first ratio, the second ratio, and the third ratio to the captured image of the electricity and firefighting equipment and displaying the image on the screen of the manager terminal.

상기 장치에 의해 수행되는 방법에 있어서, 관리자에 대하여 출동 가능 확률을 설정하는 단계;를 더 포함하고, 상기 출동 가능 확률을 설정하는 단계는, 상기 관리자에 대하여 참여하고자 하는 관리자의 수가 한 명인 경우, 상기 출동 가능 확률을 1로 설정하고, 상기 관리자에 대하여 참여하고자 하는 관리자의 수가 여러 명인 경우, 관리자의 기본 정보 및 출동 참여 이력을 포함하는 관리자 출동 정보를 획득하는 단계, 상기 출동 참여 이력으로부터 상기 관리자가 출동을 참여한 횟수인 출동 참여 횟수를 추출하는 단계, 상기 관리자의 출동 참여 이력으로부터 상기 비상 상황의 원인과 동일한 원인의 비상 상황의 출동을 참여한 횟수인 동일 원인 참여 횟수를 추출하는 단계, 상기 출동 참여 횟수 및 상기 동일 원인 참여 횟수에 기초하여, 상기 비상 상황의 출동 가능 확률을 0 이상 1 미만의 값 중 하나로 설정하는 단계, 및 상기 설정된 출동 가능 확률에 대한 안내 메시지를 상기 관리자 단말로 전송하는 단계를 포함할 수 있다.In the method performed by the device, further comprising the step of setting a possible dispatch probability for a manager, wherein the step of setting the dispatch possible probability includes, when the number of managers who want to participate in the manager is one, Setting the dispatch availability probability to 1 and obtaining manager dispatch information including basic information of managers and dispatch participation history when the number of managers who want to participate in the manager is several, and the manager from the dispatch participation history Extracting the number of dispatch participations, which is the number of times of participation in dispatches, extracting the number of participations for the same cause, which is the number of participations in emergency dispatches of the same cause as the cause of the emergency situation from the dispatch participation history of the manager, the dispatch participation Based on the number of times and the number of participation in the same cause, setting the probability of dispatch in the emergency situation to one of values greater than or equal to 0 and less than 1, and transmitting a guide message about the set probability of dispatch to the manager terminal. can include

일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.An apparatus according to an embodiment may be combined with hardware and controlled by a computer program stored in a medium to execute any one of the methods described above.

실시예들은 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황을 모니터링하는 방법을 제공할 수 있다.Embodiments may provide a method for monitoring an emergency situation based on malfunction determination of electrical and firefighting equipment.

실시예들은 전기 및 소방 설비의 촬영 영상 및 상태 측정 센서로부터 상태 정보를 이용하여 오작동 가능성을 확인할 수 있다.Embodiments may check the possibility of a malfunction by using state information from a photographed image of electrical and firefighting equipment and a state measuring sensor.

실시예들은 전기 및 소방 설비의 설비 정보, 오동작 판단 히스토리를 이용하여 전기 및 소방 설비의 점검 주기를 생성할 수 있다.In embodiments, an inspection cycle of electrical and fire-fighting equipment may be generated by using facility information and malfunction determination history of the electrical and fire-fighting equipment.

도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황을 모니터링하는 과정을 설명하기 위한 순서도이다.
도 3은 일실시예에 따른 오동작 가능성을 확인하는 과정을 설명하기 위한 순서도이다.
도 4는 일실시예에 따른 전기 및 소방 설비의 점검 주기를 생성하는 과정을 설명하기 위한 순서도이다.
도 5는 일실시예에 따른 전기 및 소방 설비를 촬영한 영상이 관리자 단말에 표시될 비율을 설정하는 과정을 설명하기 위한 순서도이다.
도 6은 일실시예에 따른 출동 가능 확률을 설정하는 과정을 설명하기 위한 순서도이다.
도 7은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 순서도이다.
도 8는 일실시예에 따른 장치의 구성의 예시도이다.
1 is a diagram for explaining the configuration of a system according to an embodiment.
2 is a flowchart illustrating a process of monitoring an emergency situation based on determining malfunction of electrical and firefighting equipment according to an embodiment.
3 is a flowchart illustrating a process of checking a possibility of malfunction according to an embodiment.
4 is a flowchart illustrating a process of generating an inspection cycle for electrical and firefighting equipment according to an embodiment.
5 is a flowchart illustrating a process of setting a ratio at which images of electrical and firefighting equipment are to be displayed on a manager terminal according to an embodiment.
6 is a flowchart illustrating a process of setting a possible dispatch probability according to an embodiment.
7 is a flowchart illustrating learning of an artificial neural network according to an embodiment.
8 is an exemplary diagram of a configuration of a device according to an embodiment.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, since various changes can be made to the embodiments, the scope of the patent application is not limited or limited by these embodiments. It should be understood that all changes, equivalents or substitutes to the embodiments are included within the scope of rights.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for illustrative purposes only, and may be modified and implemented in various forms. Therefore, the embodiments are not limited to the specific disclosed form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Although terms such as first or second may be used to describe various components, such terms should only be construed for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.It should be understood that when an element is referred to as being “connected” to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in the examples are used only for descriptive purposes and should not be construed as limiting. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the art to which the embodiment belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present application, they should not be interpreted in an ideal or excessively formal meaning. don't

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.In addition, in the description with reference to the accompanying drawings, the same reference numerals are given to the same components regardless of reference numerals, and overlapping descriptions thereof will be omitted. In describing the embodiment, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the embodiment, the detailed description will be omitted.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.The embodiments may be implemented in various types of products such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent vehicles, kiosks, and wearable devices.

실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.In an embodiment, an artificial intelligence (AI) system is a computer system that implements human-level intelligence, and unlike existing rule-based smart systems, a machine learns and judges on its own. The more the AI system is used, the higher the recognition rate and the more accurately the seller's taste can be understood, so the existing rule-based smart system is gradually being replaced by a deep learning-based AI system.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.Artificial intelligence technology consists of machine learning and element technologies using machine learning. Machine learning is an algorithm technology that classifies/learns the characteristics of input data by itself, and element technology is a technology that uses machine learning algorithms such as deep learning to mimic functions such as recognition and judgment of the human brain. It consists of technical fields such as understanding, inference/prediction, knowledge expression, and motion control.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.The various fields where artificial intelligence technology is applied are as follows. Linguistic understanding is a technology for recognizing and applying/processing human language/characters, including natural language processing, machine translation, dialogue systems, question and answering, voice recognition/synthesis, and the like. Visual understanding is a technology for recognizing and processing objects like human vision, and includes object recognition, object tracking, image search, person recognition, scene understanding, space understanding, image improvement, and the like. Inference prediction is a technique of reasoning and predicting logically by judging information, and includes knowledge/probability-based reasoning, optimization prediction, preference-based planning, and recommendation. Knowledge expression is a technology that automatically processes human experience information into knowledge data, and includes knowledge construction (data creation/classification) and knowledge management (data utilization). Motion control is a technology for controlling the autonomous driving of a vehicle and the movement of a robot, and includes motion control (navigation, collision, driving), manipulation control (action control), and the like.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.In general, in order to apply machine learning algorithms to real life, learning is performed in a trial and error method due to the nature of the basic methodology of machine learning. In particular, deep learning requires hundreds of thousands of iterations. It is impossible to execute this in an actual physical external environment, so instead, the actual physical external environment is virtually implemented on a computer and learning is performed through simulation.

도 1은 일실시예에 따른 시스템의 구성을 설명하기 위한 도면이다.1 is a diagram for explaining the configuration of a system according to an embodiment.

일실시예에 따른 시스템은 통신망을 통해 서로 통신 가능한 관리자 단말(10) 및 장치(30)를 포함할 수 있다.A system according to an embodiment may include a manager terminal 10 and a device 30 capable of communicating with each other through a communication network.

먼저, 통신망은 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다.First, a communication network may be configured regardless of its communication mode, such as wired or wireless, and may be implemented in various forms so that communication between servers and communication between servers and terminals is performed.

관리자 단말(10)은 본 발명에 따른 전기 및 소방 설비를 관리하는 관리자가 사용하는 단말일 수 있다. 관리자 단말(10)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 예를 들어, 도 1에 도시된 바와 같이, 관리자 단말(10)은 스마트폰일 수 있으며, 실시예에 따라 달리 채용될 수도 있다.The manager terminal 10 may be a terminal used by a manager who manages electrical and firefighting equipment according to the present invention. The manager terminal 10 may be a desktop computer, a laptop computer, a tablet, a smart phone, or the like. For example, as shown in FIG. 1 , the manager terminal 10 may be a smart phone, and may be employed differently depending on embodiments.

관리자 단말(10)은 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 관리자 단말(10)은 장치(30)와 유무선으로 통신하도록 구성될 수 있다.The manager terminal 10 may be configured to perform all or part of an arithmetic function, a storage/reference function, an input/output function, and a control function of a normal computer. The manager terminal 10 may be configured to communicate with the device 30 by wire or wireless.

관리자 단말(10)은 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 운영하는 웹 페이지에 접속되거나, 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 개발·배포한 애플리케이션이 설치될 수 있다. 관리자 단말(10)은 웹 페이지 또는 애플리케이션을 통해 장치(30)와 연동될 수 있다.The manager terminal 10 accesses a web page operated by a service provider or organization using the device 30, or an application developed and distributed by a service provider or organization using the device 30. can be installed The manager terminal 10 may interwork with the device 30 through a web page or application.

관리자 단말(10)은 장치(30)에서 제공하는 웹 페이지, 애플리케이션을 등을 통해 장치(30)에 접속할 수 있다.The manager terminal 10 may access the device 30 through a web page or application provided by the device 30 .

청구항에 기재된 단수의 표현은 복수를 포함하는 것으로 이해될 수 있다. 예를 들어, 청구항의 관리자는 하나의 관리자 또는 둘 이상의 관리자를 지칭할 수 있다.Singular expressions in the claims may be understood to include the plural. For example, an administrator of a claim may refer to one administrator or more than one administrator.

장치(30)는 장치(30)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버일수도 있고, 클라우드 서버일 수도 있고, 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 장치(30)는 통상의 컴퓨터가 가지는 연산 기능, 저장/참조 기능, 입출력 기능 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다.The device 30 may be a server owned by a person or organization that provides services using the device 30, may be a cloud server, or may be a peer-to-peer (p2p) set of distributed nodes. may be The device 30 may be configured to perform all or part of an arithmetic function, a storage/reference function, an input/output function, and a control function of a typical computer.

장치(30)는 관리자 단말(10)과 유무선으로 통신하도록 구성될 수 있으며, 관리자 단말(10)의 동작을 제어하고, 관리자 단말(10)의 화면에 어느 정보를 표시할 것인지에 대해 제어할 수 있다.The device 30 may be configured to communicate with the manager terminal 10 by wire or wirelessly, control the operation of the manager terminal 10, and control which information is to be displayed on the screen of the manager terminal 10. .

한편, 설명의 편의를 위해 도 1에서는 관리자 단말(10)만을 도시하였으나, 단말들의 수는 실시예에 따라 얼마든지 달라질 수 있다. 장치(30)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.Meanwhile, for convenience of explanation, only the manager terminal 10 is illustrated in FIG. 1 , but the number of terminals may vary according to embodiments. As long as the processing capacity of the device 30 permits, the number of terminals is not particularly limited.

일실시예에 따르면, 장치(30) 내에는 데이터베이스가 구비될 수 있으며, 이에 한정되지 않고, 장치(30)와 별도로 데이터베이스가 구성될 수 있다. 장치(30)는 기계 학습 알고리즘의 수행을 위한 다수의 인공 신경망을 포함할 수 있다.According to one embodiment, a database may be provided in the device 30, but is not limited thereto, and the database may be configured separately from the device 30. Apparatus 30 may include a number of artificial neural networks for performing machine learning algorithms.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.In the present invention, artificial intelligence (AI) means a technology that imitates human learning ability, reasoning ability, perception ability, etc., and implements it with a computer, and concepts such as machine learning and symbolic logic can include Machine learning (ML) is an algorithm technology that classifies or learns the characteristics of input data by itself. Artificial intelligence technology is a machine learning algorithm that analyzes input data, learns the result of the analysis, and can make judgments or predictions based on the result of the learning. In addition, technologies that mimic the functions of the human brain, such as recognition and judgment, using machine learning algorithms, can also be understood as artificial intelligence. For example, technical fields such as linguistic understanding, visual understanding, inference/prediction, knowledge expression, and motion control may be included.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.Machine learning may refer to processing that trains a neural network model using experience of processing data. Through machine learning, computer software could mean improving its own data processing capabilities. A neural network model is constructed by modeling a correlation between data, and the correlation may be expressed by a plurality of parameters. The neural network model derives a correlation between data by extracting and analyzing features from given data, and optimizing the parameters of the neural network model by repeating this process can be referred to as machine learning. For example, a neural network model may learn a mapping (correlation) between an input and an output with respect to data given as an input/output pair. Alternatively, even when only input data is given, the neural network model may learn the relationship by deriving a regularity between given data.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.An artificial intelligence learning model or a neural network model may be designed to implement a human brain structure on a computer, and may include a plurality of network nodes having weights while simulating neurons of a human neural network. A plurality of network nodes may have a connection relationship between them by simulating synaptic activities of neurons that transmit and receive signals through synapses. In the artificial intelligence learning model, a plurality of network nodes can send and receive data according to a convolutional connection relationship while being located in layers of different depths. The artificial intelligence learning model may be, for example, an artificial neural network model, a convolutional neural network model (CNN), and the like. As an embodiment, the artificial intelligence learning model may be machine-learned according to methods such as supervised learning, unsupervised learning, and reinforcement learning. Machine learning algorithms for performing machine learning include Decision Tree, Bayesian Network, Support Vector Machine, Artificial Neural Network, Ada-boost , Perceptron, Genetic Programming, Clustering, etc. may be used.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.Of these, CNNs are a type of multilayer perceptrons designed to use minimal preprocessing. A CNN consists of one or several convolution layers and general artificial neural network layers on top, and additionally utilizes weights and pooling layers. Thanks to this structure, CNN can fully utilize the input data with a two-dimensional structure. Compared to other deep learning structures, CNN shows good performance in both video and audio fields. CNNs can also be trained via standard back-propagation. CNNs are easier to train than other feedforward artificial neural network techniques and have the advantage of using fewer parameters.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.Convolutional networks are neural networks that contain sets of nodes with bound parameters. The increasing size of available training data and the availability of computational power, combined with algorithmic advances such as piecewise linear unit and dropout training, have greatly improved many computer vision tasks. With huge data sets, such as those available for many tasks today, overfitting is not critical, and increasing the size of the network improves test accuracy. Optimal use of computing resources becomes a limiting factor. To this end, a distributed, scalable implementation of deep neural networks can be used.

도 2는 일실시예에 따른 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황을 모니터링하는 과정을 설명하기 위한 순서도이다.2 is a flowchart illustrating a process of monitoring an emergency situation based on determining malfunction of electrical and firefighting equipment according to an embodiment.

도 2를 참조하면, 먼저 S201 단계에서, 장치(30)는 전기 및 소방 설비의 기본 정보를 수신할 수 있다. 여기서, 기본 정보는 전기 및 소방 설비의 설치 위치 정보 및 설비 정보를 포함할 수 있으나, 이에 한정되지는 않는다. Referring to FIG. 2 , first, in step S201, the device 30 may receive basic information on electrical and firefighting equipment. Here, the basic information may include installation location information and facility information of electrical and firefighting equipment, but is not limited thereto.

이때, 설치 위치 정보는 전기 및 소방 설비가 설치되어 있는 지점의 주소, 위치, 지역 등에 대한 정보를 포함할 수 있으며, 기본 정보는 전기 및 소방 설비의 종류, 모델명, 수명, 설치 시점 및 기능 등에 대한 정보를 포함할 수 있다.At this time, the installation location information may include information about the address, location, region, etc. of the point where the electrical and firefighting equipment is installed, and the basic information is about the type, model name, lifespan, installation time and function of the electrical and firefighting equipment. information may be included.

S202 단계에서, 장치(30)는 전기 및 소방 설비에 설치되어 있는 상태 측정 센서로부터 전기 및 소방 설비의 상태 정보를 수신할 수 있다.In step S202, the device 30 may receive state information of the electrical and firefighting equipment from the state measuring sensor installed in the electrical and firefighting equipment.

여기서, 상태 측정 센서는 연기 감지 센서, 습도 센서, 온도 센서, 카메라, 불꽃 감지 센서, 화제 감지 센서 중 적어도 어느 하나를 포함할 수 있으나, 이에 한정되지는 않는다.Here, the state measurement sensor may include at least one of a smoke detection sensor, a humidity sensor, a temperature sensor, a camera, a flame detection sensor, and a fire detection sensor, but is not limited thereto.

S203 단계에서, 장치(30)는 상태 정보가 미리 결정된 기준을 만족함에 기반하여 전기 및 소방 설비의 오동작 가능성을 확인할 수 있다.In step S203, the device 30 may check the possibility of malfunction of the electrical and firefighting equipment based on whether the state information satisfies a predetermined criterion.

여기서, 기준은 전기 및 소방 설비의 작동에 대하여 비정상적으로 작동하는 것으로 판단하기 위하여 설정된 것을 의미할 수 있다. 일실시예에 따르면, 장치(30)는 상태 정보가 미리 결정된 기준을 만족하는 경우, 전기 및 소방 설비에 이상이 발생하여 비정상적으로 작동하는 것으로 판단할 수 있다.Here, the criterion may mean that it is set to determine that the operation of electrical and firefighting equipment is abnormally operated. According to one embodiment, when the state information satisfies a predetermined criterion, the device 30 may determine that an abnormality has occurred in the electrical and firefighting facilities and is operating abnormally.

예를 들어, 상태 측정 센서가 습도 센서를 포함하는 경우, 기준은 특정 습도 값을 의미할 수 있다. 이때, 장치(30)는 상태 정보가 특정 습도 값 이상을 만족하는 경우, 전기 및 소방 설비의 오동작 가능성을 확인할 수 있다.For example, when the condition measurement sensor includes a humidity sensor, the criterion may mean a specific humidity value. At this time, the device 30 may check the possibility of malfunction of the electrical and firefighting equipment when the state information satisfies a specific humidity value or more.

예를 들어, 상태 측정 센서가 온도 센서를 포함하는 경우, 기준은 특정 온도 값을 의미할 수 있다. 이때, 장치(30)는 상태 정보가 특정 온도 값 이상을 만족하는 경우, 전기 및 소방 설비의 오동작 가능성을 확인할 수 있다.For example, when the condition measuring sensor includes a temperature sensor, the reference may mean a specific temperature value. At this time, the device 30 may check the possibility of malfunction of the electrical and firefighting equipment when the state information satisfies a specific temperature value or higher.

S204 단계에서, 장치(30)는 오동작 가능성을 확인하여 비상 상황 알림 메시지 및 점검 메시지 중 적어도 하나를 관리자 단말(10)로 전송할 수 있다. 이때, 오동작 가능성을 확인하는 과정에 대한 자세한 설명은 도 3을 참조하여 후술하기로 한다.In step S204, the device 30 may transmit at least one of an emergency notification message and a check message to the manager terminal 10 by checking the possibility of malfunction. At this time, a detailed description of a process for checking the possibility of malfunction will be described later with reference to FIG. 3 .

일실시예에 따르면, 장치(30)는 오동작 가능성을 확인하여, 오동작 가능서에 따라 비상 상황을 알리는 비상 상황 알림 메시지 혹은 설비의 점검을 요구하는 점검 메시지 중 적어도 하나를 관리자 단말(10)로 전송할 수 있다.According to an embodiment, the device 30 checks the possibility of a malfunction and transmits at least one of an emergency notification message informing of an emergency situation or an inspection message requesting facility inspection to the manager terminal 10 according to the malfunction possibility report. can

장치(30)는 오동작 가능성에 따라 비상 상황 메시지 및 점검 메시지 중 적어도 하나를 관리자 단말(10)로 전송함으로써, 전기 및 소방 설비의 상태에 이상이 발생한 경우, 오동작 가능성에 따라 관리자가 효율적으로 대처할 수 있도록 할 수 있다.The apparatus 30 transmits at least one of an emergency message and an inspection message to the manager terminal 10 according to the possibility of malfunction, so that when an abnormality occurs in the state of electrical and firefighting equipment, the manager can efficiently cope with the malfunction according to the possibility of malfunction. can make it

도 3은 일실시예에 따른 오동작 가능성을 확인하는 과정을 설명하기 위한 순서도이다.3 is a flowchart illustrating a process of checking a possibility of malfunction according to an embodiment.

도 3을 참조하면, 먼저 S301 단계에서, 장치(30)는 전기 및 소방 설비에 설치된 카메라를 통해 미리 설정된 시간 동안 전기 및 소방 설비를 촬영하여 제1 영상을 획득할 수 있다. 이때, 미리 설정된 시간은 실시예에 따라 상이하게 설정될 수 있다.Referring to FIG. 3 , first, in step S301, the device 30 may obtain a first image by photographing electrical and fire-fighting equipment for a preset time through a camera installed in the electrical and fire-fighting equipment. At this time, the preset time may be set differently according to embodiments.

S302 단계에서, 장치(30)는 제1 영상을 평상시 촬영된 제2 영상과 비교하여 차이점을 확인할 수 있다.In step S302, the device 30 compares the first image with the normally photographed second image to determine the difference.

S303 단계에서, 장치(30)는 차이점이 발생한 부분을 추출할 수 있다.In step S303, the device 30 may extract a part where a difference occurs.

S304 단계에서, 장치(30)는 추출된 부분에 대한 영상 분석을 수행하여 원인 객체를 추출할 수 있다.In step S304, the device 30 may extract a causal object by performing image analysis on the extracted part.

일실시예에 따르면, 장치(30)는 미리 설정된 시간 동안 전기 및 소방 설비를 촬영한 제1 영상과 평상시 촬영된 제2 영상을 비교하여, 제1 영상 및 제2 영상 사이의 차이점이 발생한 부분을 추출할 수 있으며, 차이점이 발생한 부분에 대하여 영상 분석을 수행하여 원인 객체를 추출할 수 있다.According to an embodiment, the apparatus 30 compares a first image of electricity and firefighting equipment captured for a preset time with a second image taken normally, and detects a portion where a difference between the first image and the second image occurs. It can be extracted, and a causal object can be extracted by performing image analysis on the part where the difference has occurred.

예를 들어, 제1 영상으로부터 제1 영상 및 제2 영상 사이의 차이점이 발생한 부분을 추출할 수 있다. 장치(30)는 추출된 부분의 영상에 대하여 영상 분석을 수행하여 원인 객체를 추출할 수 있다.For example, a portion in which a difference between the first image and the second image occurs may be extracted from the first image. The device 30 may extract a causal object by performing image analysis on the image of the extracted part.

S305 단계에서, 장치(30)는 원인 객체를 이미지 분석 알고리즘을 포함하는 인공 신경망에 입력하여 원인 객체의 카테고리를 확인할 수 있다. 여기서, 인공 신경망은 이미지 분석 알고리즘을 포함할 수 있다. 여기서, 인공 신경망은 원인 객체, 원인 카테고리, 위험 카테고리를 입력으로 받아, 원인 객체의 카테고리를 출력하는 알고리즘일 수 있다.In step S305, the device 30 may check the category of the causal object by inputting the causal object to an artificial neural network including an image analysis algorithm. Here, the artificial neural network may include an image analysis algorithm. Here, the artificial neural network may be an algorithm that receives a causal object, a causal category, and a risk category as inputs and outputs a category of the causal object.

장치(30)는 인공 신경망을 이용하여 제1 영상 및 제2 영상 사이의 차이점이 발생한 부분에 대하여 추출된 영상에 대한 이미지를 분석하여 원인 객체에 대한 원인 객체의 카테고리를 확인할 수 있다.The apparatus 30 may identify a category of the causal object for the causal object by analyzing an image of the extracted image for a portion where a difference between the first image and the second image occurs using an artificial neural network.

인공 신경망은 특정 이미지와 특정 이미지가 가리키는 정보를 학습 데이터로써 기 학습된 인공 신경망일 수 있으나, 이에 한정되지는 않는다.The artificial neural network may be an artificial neural network pre-trained using a specific image and information indicated by the specific image as learning data, but is not limited thereto.

여기서, 장치(30)는 인공 신경망에서 수행되는 이미지 분석의 입력 값으로써, 제1 영상 및 제2 영상 사이의 차이점이 발생한 부분에 대하여 추출된 영상에 대한 이미지를 이용할 수 있으며, 이미지 분석 이후에는 이미지 분석 학습을 위한 학습 데이터로써 이용할 수 있으나, 이에 한정되지는 않는다.Here, the device 30 may use an image of an image extracted for a portion where a difference between the first image and the second image occurs as an input value for image analysis performed by the artificial neural network, and after image analysis, the image It can be used as learning data for analysis learning, but is not limited thereto.

예를 들어, 장치(30)는 인공 신경망의 출력을 기초로, 인공 신경망의 출력 값이 1인 경우, 원인 객체의 카테고리가 제1 카테고리인 것으로 확인할 수 있고, 인공 신경망의 출력 값이 2인 경우, 원인 객체의 카테고리가 제2 카테고리인 것을 확인할 수 있다.For example, based on the output of the artificial neural network, the apparatus 30 may determine that the category of the causal object is the first category when the output value of the artificial neural network is 1, and if the output value of the artificial neural network is 2 , it can be confirmed that the category of the cause object is the second category.

일실시예에 따르면, 인공 신경망은 원인 객체와 원인 카테고리를 매칭한 매칭 결과를 통해, 원인 객체의 카테고리를 추출하도록 학습될 수 있다. 인공 신경망은 도 7을 참조하여 후술되는 방법을 통해 학습될 수 있다.According to an embodiment, the artificial neural network may learn to extract the category of the causal object through a matching result obtained by matching the causal object and the causal category. The artificial neural network may be learned through a method described later with reference to FIG. 7 .

S306 단계에서, 장치(30)는 원인 객체의 카테고리가 위험 카테고리 데이터베이스에 저장된 위험 카테고리와 일치하는 경우, 상태 정보가 미리 결정된 기준을 만족한 시점을 기준으로 미리 설정된 기간 동안의 상태 정보를 오동작 상태 정보로 생성할 수 있다.In step S306, if the category of the causative object matches the risk category stored in the risk category database, the device 30 converts the state information for a preset period based on the time point when the state information satisfies a predetermined criterion to the malfunction state information. can be created with

장치(30)의 위험 카테고리 데이터베이스에는 위험 카테고리가 미리 저장되어 있을 수 있다. 예를 들어, 위험 카테고리는 방화, 불꽃 및 연기 등을 포함할 수 있으나, 이에 한정되지는 않는다.Risk categories may be previously stored in the risk category database of the device 30 . For example, the risk category may include arson, flame, and smoke, but is not limited thereto.

예를 들어, 원인 객체의 카테고리가 제1 카테고리이고, 장치(30)의 위험 카테고리 데이터베이스의 위험 카테고리가 제1 카테고리인 경우, 장치(30)는 상태 정보가 미리 결정된 기준을 만족한 시점을 기준으로 오동작 상태 정보를 생성할 수 있다.For example, when the category of the causal object is the first category and the risk category of the risk category database of the device 30 is the first category, the device 30 determines the time when the status information satisfies the predetermined criterion. Malfunction status information can be created.

S307 단계에서, 장치(30)는 오동작 상태 정보와 평상시 상태 정보에 대응하는 정상 상태 정보를 비교할 수 있다.In step S307, the device 30 may compare malfunction state information with normal state information corresponding to normal state information.

S308 단계에서, 장치(30)는 비교 결과에 기반하여 오동작 가중치를 생성할 수 있다. 일실시예에 따르면, 장치(30)는 오동작 상태 정보 및 정상 상태 정보를 비교한 결과 오동작 상태 정보 및 정상 상태 정보의 차이가 클수록 오동작 가중치를 높게 생성할 수 있으며, 오동작 상태 정보 및 정상 상태 정보의 차이가 작을수록 오동작 가중치를 낮게 생성할 수 있다.In step S308, the device 30 may generate a malfunction weight based on the comparison result. According to an embodiment, as a result of comparing the malfunction state information and the normal state information, the device 30 may generate a higher malfunction weight as the difference between the malfunction state information and the normal state information increases. The smaller the difference is, the lower the malfunction weight can be generated.

S309 단계에서, 장치(30)는 오동작 가중치에 기반하여 오동작 가능성을 확인할 수 있다.In step S309, the device 30 may check the possibility of malfunction based on the malfunction weight.

일실시예에 따르면, 장치(30)는 오동작 가중치가 높을수록 오동작 가능성을 높게 확인할 수 있으며, 오동작 가중치가 낮을수록 오동작 가능성을 낮게 확인할 수 있다.According to an embodiment, the higher the malfunction weight, the higher the possibility of malfunction, and the lower the malfunction weight, the lower the probability of malfunction.

도 4는 일실시예에 따른 전기 및 소방 설비의 점검 주기를 생성하는 과정을 설명하기 위한 순서도이다.4 is a flowchart illustrating a process of generating an inspection cycle for electrical and firefighting equipment according to an embodiment.

도 4를 참조하면, 먼저 S401 단계에서, 장치(30)는 상태 정보가 미리 결정된 기준을 만족하였으나 오동작으로 판단된 횟수를 확인할 수 있다. Referring to FIG. 4 , first, in step S401, the device 30 may check the number of times the state information has satisfied a predetermined criterion but has been determined to be an erroneous operation.

여기서, 기준은 전기 및 소방 설비의 작동에 대하여 비정상적으로 작동하는 것으로 판단하기 위하여 설정된 것을 의미할 수 있다. 일실시예에 따르면, 장치(30)는 상태 정보가 미리 결정된 기준을 만족하는 경우, 전기 및 소방 설비에 이상이 발생하여 비정상적으로 작동하는 것으로 판단할 수 있다.Here, the criterion may mean that it is set to determine that the operation of electrical and firefighting equipment is abnormally operated. According to one embodiment, when the state information satisfies a predetermined criterion, the device 30 may determine that an abnormality has occurred in the electrical and firefighting facilities and is operating abnormally.

즉, 장치(30)는 상태 정보가 미리 결정된 기준을 만족하여, 전기 및 소방 설비에 이상이 발생하여 비정상적으로 작동하는 것으로 판단하였으나 오동작으로 판단된 횟수를 확인할 수 있다.That is, the device 30 may check the number of times that the state information satisfies a predetermined criterion, and it is determined that the electrical and firefighting facilities are abnormally operated, but the number of times the operation is determined to be malfunctioning.

S402 단계에서, 장치(30)는 설비 정보를 이용하여 전기 및 소방 설비의 설치 경과일을 확인할 수 있다. 장치(30)는 설비 정보로부터 설치 시점을 확인할 수 있으며, 현재 시점과 설치 시점을 비교하여 전기 및 소방 설비의 설치 경과일을 확인할 수 있다.In step S402, the device 30 may check the installation elapsed date of the electrical and firefighting equipment using the facility information. The device 30 may check the installation time from facility information, and compare the current time and the installation time to check the installation elapsed date of the electrical and firefighting equipment.

S403 단계에서, 장치(30)는 전기 및 소방 설비의 평균 기대 수명을 확인할 수 있다.In step S403, the device 30 may check the average life expectancy of electrical and firefighting equipment.

일실시예에 따르면, 장치(30)는 전기 및 소방 설비의 설비 정보로부터 전기 및 소방 설비의 수명을 확인할 수 있으며, 이에 따라, 전기 및 소방 설비의 평균 기대 수명을 확인할 수 있다.According to an embodiment, the device 30 may determine the lifespan of the electrical and fire-fighting equipment from facility information of the electrical and fire-fighting equipment, and accordingly, the average life expectancy of the electrical and fire-fighting equipment may be determined.

S404 단계에서, 장치(30)는 오동작으로 판단된 횟수, 설치 경과일 및 평균 기대 수명을 이용하여 전기 및 소방 설비의 위험 지수를 생성할 수 있다.In step S404, the device 30 may generate a risk index of the electrical and firefighting equipment by using the number of times the malfunction is determined, the elapsed installation date, and the average life expectancy.

일실시예에 따르면, 장치(30)는 오동작으로 판단된 횟수, 설치 경과일 및 평균 기대 수명을 합산하여 전기 및 소방 설비의 위험 지수를 산출할 수 있다.According to one embodiment, the device 30 may calculate the risk index of the electrical and firefighting equipment by summing the number of times the malfunction is determined, the elapsed days of installation, and the average life expectancy.

S405 단계에서, 장치(30)는 위험 지수에 따라 전기 및 소방 설비의 점검 주기를 생성할 수 있다.In step S405, the device 30 may generate an inspection cycle of electrical and firefighting equipment according to the risk index.

일실시예에 따르면, 장치(30)는 위험 지수가 높을수록 전기 및 소방 설비의 점검 주기를 짧게 생성할 수 있으며, 위험 지수가 낮을수록 전기 및 소방 설비의 점검 주기를 길게 생성할 수 있다.According to one embodiment, the device 30 may generate a shorter inspection cycle of electrical and firefighting equipment as the risk index increases, and may generate a longer inspection cycle of electrical and firefighting equipment as the risk index decreases.

도 5는 일실시예에 따른 전기 및 소방 설비를 촬영한 영상이 관리자 단말에 표시될 비율을 설정하는 과정을 설명하기 위한 순서도이다.5 is a flowchart illustrating a process of setting a ratio at which images of electrical and firefighting equipment are to be displayed on a manager terminal according to an embodiment.

도 5를 참조하면, 먼저 S501 단계에서, 장치(30)는 전기 및 소방 설비의 위험 지수와 미리 설정된 제1 지수를 비교할 수 있다. 이때, 제1 지수는 실시예에 따라 상이하게 설정될 수 있다.Referring to FIG. 5 , first, in step S501, the device 30 may compare the risk index of electrical and firefighting equipment with a preset first index. In this case, the first index may be set differently according to embodiments.

S502 단계에서, 장치(30)는 위험 지수가 제1 지수 미만인 경우, 전기 및 소방 설비에 설치된 카메라를 통해 전기 및 소방 설비를 촬영한 영상이 관리자 단말(10)에 표시될 비율을 제1 비율로 설정할 수 있다.In step S502, if the risk index is less than the first index, the device 30 converts the video image taken of the electrical and firefighting equipment through the camera installed in the electrical and firefighting equipment to the manager terminal 10 at a first ratio. can be set

S503 단계에서, 장치(30)는 위험 지수가 제1 지수 이상인 경우, 위험 지수와 미리 설정된 제2 지수를 비교할 수 있다. 이때, 제2 지수는 실시예에 따라 상이하게 설정될 수 있다.In step S503, when the risk index is greater than or equal to the first index, the device 30 may compare the risk index with a preset second index. In this case, the second index may be set differently according to embodiments.

S504 단계에서, 장치(30)는 위험 지수가 제2 지수 미만인 경우, 비율을 제2 비율로 설정할 수 있다. 여기서, 제2 비율은 제1 비율보다 크게 설정될 수 있다.In step S504, the device 30 may set the ratio as the second ratio when the risk index is less than the second index. Here, the second ratio may be set higher than the first ratio.

즉, 장치(30)는 위험 지수가 제1 지수 이상이면서 제2 지수 미만인 경우, 전기 및 소방 설비에 설치된 카메라를 통해 전기 및 소방 설비를 촬영한 영상이 관리자 단말(10)에 표시될 비율을 제2 비율로 설정할 수 있다.That is, when the risk index is greater than or equal to the first index and less than the second index, the device 30 displays the image of the electric and fire-fighting equipment through the camera installed in the electric and fire-fighting equipment on the manager terminal 10. It can be set in 2 ratios.

S505 단계에서, 장치(30)는 위험 지수가 제2 지수 이상인 경우, 비율을 제3 비율로 설정할 수 있다. 여기서, 제3 비율은 제2 비율보다 크게 설정될 수 있다.In step S505, the device 30 may set the ratio as the third ratio when the risk index is greater than or equal to the second index. Here, the third ratio may be set higher than the second ratio.

즉, 장치(30)는 위험 지수가 제1 지수 이상이면서 제2 지수 이상인 경우, 전기 및 소방 설비에 설치된 카메라를 통해 전기 및 소방 설비를 촬영한 영상이 관리자 단말(10)에 표시될 비율을 제3 비율로 설정할 수 있다.That is, the device 30 controls the ratio at which the image taken of the electrical and fire-fighting equipment through the camera installed in the electrical and fire-fighting equipment is displayed on the manager terminal 10 when the risk index is equal to or greater than the first index and equal to or greater than the second index. It can be set in 3 ratios.

S506 단계에서, 장치(30)는 전기 및 소방 설비를 촬영한 영상에 제1 비율, 제2 비율 및 제3 비율 중 어느 하나를 적용하여 관리자 단말(10)의 화면에 표시할 수 있다.In step S506, the device 30 may apply any one of the first ratio, the second ratio, and the third ratio to the captured image of electricity and firefighting equipment and display the image on the screen of the manager terminal 10.

도 6은 일실시예에 따른 출동 가능 확률을 설정하는 과정을 설명하기 위한 순서도이다.6 is a flowchart illustrating a process of setting a possible dispatch probability according to an embodiment.

도 6을 참조하면, 먼저 S601 단계에서, 장치(30)는 관리자에 대하여 참여하고자 하는 관리자의 수가 한 명인지, 여러 명인지 판단할 수 있다. 일실시예에 따르면, 장치(30)는 미리 설정 가능한 기간 동안 참여를 희망하는 관리자가 몇 명인지 확인할 수 있다.Referring to FIG. 6 , first, in step S601, the device 30 may determine whether the number of managers to participate is one or several managers. According to one embodiment, the device 30 may check how many administrators wish to participate during a pre-settable period.

S602 단계에서, 관리자의 수가 한 명인 경우, 장치(30)는 출동 가능 확률을 1로 설정할 수 있다.In step S602, when the number of managers is one, the device 30 may set the probability of being dispatched to 1.

S603 단계에서, 관리자의 수가 여러 명인 경우, 장치(30)는 관리자의 기본 정보 및 출동 참여 이력을 포함하는 관리자 출동 정보를 획득할 수 있다. 여기서, 출동 참여 이력은 출동한 비상 상황의 장소, 시간, 날짜, 출동 참여 횟수 등에 대한 정보를 포함할 수 있으나, 이에 한정되지는 않는다.In step S603, if the number of managers is several, the device 30 may obtain manager dispatch information including basic information and dispatch participation history of managers. Here, the dispatch participation history may include, but is not limited to, information about the place, time, date, and number of dispatch participation in an emergency situation.

S604 단계에서, 장치(30)는 출동 참여 이력으로부터 출동 참여 횟수 및 동일 원인 참여 횟수를 추출할 수 있다.In step S604, the device 30 may extract the number of dispatch participation and the same cause participation number from the dispatch participation history.

이때, 출동 참여 횟수는 사용자가 모임을 참여한 횟수를 의미하고, 동일 원인 참여 횟수는 비상상황의 원인과 동일한 원인의 비상상황의 출동에 참여한 횟수를 의미할 수 있다.In this case, the number of dispatch participation may refer to the number of times the user participates in a meeting, and the number of participation for the same cause may mean the number of times the user participates in an emergency dispatch for the same cause as the cause of the emergency.

S605 단계에서, 장치(30)는 출동 참여 횟수 및 동일 원인 참여 횟수에 기초하여, 관리자의 출동 가능 확률을 0 이상 1 미만의 값 중 하나로 설정할 수 있다.In step S605, the device 30 may set the manager's possible dispatch probability to one of values greater than or equal to 0 and less than 1, based on the number of dispatch participations and the number of participations in the same cause.

일실시예에 따르면, 장치(30)는 관리자가 여러 명인 경우, 각각의 관리자에게 설정되는 출동 가능 확률의 합이 1이 되도록 출동 가능 확률을 설정할 수 있다.According to an embodiment, when there are several managers, the device 30 may set the dispatch availability probabilities such that the sum of the dispatch availability probabilities set for each manager becomes 1.

S606 단계에서, 장치(30)는 설정된 출동 가능 확률에 대한 안내 메시지를 관리자 단말(10)로 전송할 수 있다.In step S606, the device 30 may transmit a guide message about the set possibility of dispatch to the manager terminal 10.

도 7은 일실시예에 따른 인공 신경망의 학습을 설명하기 위한 순서도이다.7 is a flowchart illustrating learning of an artificial neural network according to an embodiment.

일실시예에 따르면, 인공 신경망은 이미지 분석 알고리즘을 포함할 수 있으며, 원인 객체, 원인 카테고리, 위험 카테고리를 입력으로 받아, 원인 객체의 카테고리를 출력하는 알고리즘일 수 있다.According to an embodiment, the artificial neural network may include an image analysis algorithm, and may be an algorithm that receives a causal object, a causal category, and a risk category as inputs and outputs a category of the causal object.

인공 신경망의 학습이 이루어지는 학습 장치는 학습된 인공 신경망을 이용하여 원인 객체의 카테고리를 확인하는 장치(30)와 동일한 장치일 수 있고, 별개의 장치일 수도 있다. 이하에서는 인공 신경망이 학습되는 과정을 설명한다.The learning device in which the learning of the artificial neural network is performed may be the same device as the device 30 that identifies the category of the causal object using the learned artificial neural network, or may be a separate device. Hereinafter, a process of learning an artificial neural network will be described.

먼저, S701 단계에서, 학습 장치는 원인 객체와 원인 카테고리를 매칭한 매칭 결과를 기초로 입력을 생성할 수 있다.First, in step S701, the learning device may generate an input based on a matching result obtained by matching a causal object and a causal category.

구체적으로, 학습 장치는 원인 객체와 원인 객체의 카테고리를 매칭한 매칭 결과를 전처리하는 과정을 수행할 수 있다. 전처리가 수행된 매칭 결과를 인공 신경망의 입력으로 그대로 사용하거나, 불필요한 정보를 제거하는 통상의 처리를 거쳐 입력을 생성할 수 있다.Specifically, the learning device may perform a process of pre-processing a matching result obtained by matching a causal object with a category of the causal object. The preprocessed matching result may be used as an input of the artificial neural network, or an input may be generated through a normal process of removing unnecessary information.

S702 단계에서, 학습 장치는 인공 신경망에 입력을 적용할 수 있다. 인공 신경망은 강화 학습(reinforcement learning)에 따라 학습되는 인공 신경망일 수 있다. 인공 신경망은 강화 학습을 통해 추상적 추론을 출력하는데 적합한 Q-Network, DQN(Depp Q-Network), 또는 관계형 네트워크(relation network, RL) 구조일 수 있다.In step S702, the learning device may apply input to the artificial neural network. The artificial neural network may be an artificial neural network that is trained according to reinforcement learning. The artificial neural network may be a Q-Network, a Depp Q-Network (DQN), or a relational network (RL) structure suitable for outputting abstract inference through reinforcement learning.

강화 학습에 따라 학습되는 인공 신경망은 다양한 보상에 평가를 반영하여 갱신 및 최적화될 수 있다. 예를 들어, 보상은 원인 객체와 원인 카테고리를 선별하여 추출할수록 보상값이 높아질 수 있다.An artificial neural network trained by reinforcement learning may be updated and optimized by reflecting evaluations on various rewards. For example, the compensation value may increase as the causal object and the causal category are selected and extracted.

S703 단계에서, 학습 장치는 인공 신경망으로부터 출력을 획득할 수 있다. 인공 신경망의 출력은 원인 객체의 카테고리에 대한 정보를 포함할 수 있다.In step S703, the learning device may obtain an output from the artificial neural network. The output of the artificial neural network may include information about the category of the causal object.

즉, 인공 신경망은 원인 객체와 원인 카테고리를 매칭한 매칭 결과를 통해, 원인 객체의 카테고리를 출력할 수 있다.That is, the artificial neural network may output the category of the causal object through a matching result obtained by matching the causal object and the causal category.

S704 단계에서, 학습 장치는 인공 신경망의 출력을 평가하여 보상을 지급할 수 있다.In step S704, the learning device may evaluate the output of the artificial neural network and provide a reward.

구체적으로, 학습 장치는 원인 객체와 원인 카테고리를 매칭하여 추출할수록 보상을 많이 수여할 수 있다.Specifically, the learning device may award more rewards as the causal object and the causal category are matched and extracted.

S705 단계에서, 학습 장치는 평가를 기초로 인공 신경망을 갱신할 수 있다.In step S705, the learning device may update the artificial neural network based on the evaluation.

구체적으로, 학습 장치는 인공 신경망이 원인 객체와 원인 카테고리를 매칭한 매칭 결과를 통해, 원인 객체와 원인 카테고리를 선정하여 추출하는 환경(environment)에서, 보상값(reward)들의 합의 기대값(expectation)이 최대화되도록, 특정한 상태(state)들에서 취할 행동(action)들을 결정하는 정책(policy)을 최적화하는 과정을 통해 인공 신경망을 갱신할 수 있다.Specifically, the learning device is an expected value of the sum of reward values in an environment in which an artificial neural network selects and extracts a causal object and a causal category through a matching result of matching the causal object and the causal category. In order to maximize this, the artificial neural network may be updated through a process of optimizing a policy for determining actions to be taken in specific states.

한편, 정책을 최적화하는 과정은 보상들의 합의 기대값의 최대값 또는 Q-함수의 최대값을 추정하거나, Q-함수의 손실 함수(loss function)의 최소값을 추정하는 과정을 통해 이루어질 수 있다. 손실함수의 최소값의 추정은 확률적 경사하강법(stochastic gradient descent, SGD) 등을 통해 이루어질 수 있다. 정책을 최적화하는 과정은 이에 제한되는 것은 아니며, 강화 학습에서 사용하는 다양한 최적화 알고리즘들이 이용될 수 있다.Meanwhile, the process of optimizing the policy may be performed through a process of estimating the maximum value of the expected value of the sum of rewards or the maximum value of the Q-function, or estimating the minimum value of the loss function of the Q-function. Estimation of the minimum value of the loss function may be performed through stochastic gradient descent (SGD) or the like. The process of optimizing the policy is not limited thereto, and various optimization algorithms used in reinforcement learning may be used.

학습 장치는 상기와 같은 인공 신경망의 학습 과정을 반복함으로써, 인공 신경망을 점진적으로 갱신시킬 수 있다.The learning device may gradually update the artificial neural network by repeating the learning process of the artificial neural network as described above.

도 8는 일실시예에 따른 장치(30)의 구성의 예시도이다.8 is an exemplary diagram of a configuration of a device 30 according to an embodiment.

일실시예에 따른 장치(30)는 프로세서(31) 및 메모리(32)를 포함한다. 일실시예에 따른 장치(30)는 상술한 서버 또는 단말일 수 있다. 프로세서(31)는 도 1 내지 도 7을 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 7을 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(32)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(32)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.Device 30 according to one embodiment includes a processor 31 and a memory 32 . Device 30 according to an embodiment may be the above-described server or terminal. The processor 31 may include at least one device described above with reference to FIGS. 1 to 7 or may perform at least one method described above with reference to FIGS. 1 to 7 . The memory 32 may store information related to the above method or store a program in which the above method is implemented. Memory 32 may be volatile memory or non-volatile memory.

프로세서(31)는 프로그램을 실행하고, 장치(30)를 제어할 수 있다. 프로세서(31)에 의하여 실행되는 프로그램의 코드는 메모리(32)에 저장될 수 있다. 장치(30)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.The processor 31 may execute a program and control the device 30 . Program codes executed by the processor 31 may be stored in the memory 32 . The device 30 may be connected to an external device (eg, a personal computer or network) through an input/output device (not shown) and exchange data.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

Claims (3)

장치에 의해 수행되는 방법에 있어서,
전기 및 소방 설비의 설치 위치 정보 및 설비 정보를 포함하는 기본 정보를 수신하는 단계;
상기 전기 및 소방 설비에 설치되어 있는 상태 측정 센서로부터 상기 전기 및 소방 설비의 상태 정보를 수신하는 단계;
상기 상태 정보가 미리 결정된 기준을 만족함에 기반하여 상기 전기 및 소방 설비의 오동작 가능성을 확인하는 단계; 및
상기 오동작 가능성을 확인하여 비상 상황 알림 메시지 및 점검 메시지 중 적어도 하나를 관리자 단말로 전송하는 단계
를 포함하고,
상기 오동작 가능성을 확인하는 단계는,
상기 전기 및 소방 설비에 설치된 카메라를 통해 미리 설정된 시간 동안 상기 전기 및 소방 설비를 촬영하여 제1 영상을 획득하는 단계,
상기 제1 영상을 평상시 촬영된 제2 영상과 비교하여 차이점을 확인하는 단계,
상기 차이점이 발생한 부분을 추출하는 단계,
상기 추출된 부분에 대한 영상 분석을 수행하여 원인 객체를 추출하는 단계,
상기 원인 객체를 이미지 분석 알고리즘을 포함하는 인공 신경망에 입력하여 원인 객체의 카테고리를 확인하는 단계,
상기 원인 객체의 카테고리가 위험 카테고리 데이터베이스에 저장된 위험 카테고리와 일치하는 경우, 상기 상태 정보가 미리 결정된 기준을 만족한 시점을 기준으로 미리 설정된 기간 동안의 상태 정보를 오동작 상태 정보로 생성하는 단계,
상기 오동작 상태 정보와 평상시 상태 정보에 대응하는 정상 상태 정보를 비교하는 단계,
상기 비교 결과에 기반하여 오동작 가중치를 생성하는 단계, 및
상기 오동작 가중치에 기반하여 상기 오동작 가능성을 확인하는 단계
를 포함하고,
상기 상태 정보가 미리 결정된 기준을 만족하였으나 오동작으로 판단된 횟수를 확인하는 단계;
상기 설비 정보를 이용하여 상기 전기 및 소방 설비의 설치 경과일을 확인하는 단계;
상기 전기 및 소방 설비의 평균 기대 수명을 확인하는 단계;
상기 오동작으로 판단된 횟수, 상기 설치 경과일 및 상기 평균 기대 수명을 이용하여 상기 전기 및 소방 설비의 위험 지수를 생성하는 단계; 및
상기 위험 지수에 따라 상기 전기 및 소방 설비의 점검 주기를 생성하는 단계
를 더 포함하고,
상기 전기 및 소방 설비의 위험 지수와 미리 설정된 제1 지수를 비교하는 단계;
상기 위험 지수가 상기 제1 지수 미만인 경우, 상기 전기 및 소방 설비에 설치된 카메라를 통해 상기 전기 및 소방 설비를 촬영한 영상이 상기 관리자 단말에 표시될 비율을 제1 비율로 설정하는 단계;
상기 위험 지수가 상기 제1 지수 이상인 경우, 상기 위험 지수와 미리 설정된 제2 지수를 비교하는 단계;
상기 위험 지수가 상기 제2 지수 미만인 경우, 상기 비율을 제2 비율로 설정하는 단계;
상기 위험 지수가 상기 제2 지수 이상인 경우, 상기 비율을 제3 비율로 설정하는 단계; 및
상기 전기 및 소방 설비를 촬영한 영상에 상기 제1 비율, 상기 제2 비율 및 상기 제3 비율 중 어느 하나를 적용하여 상기 관리자 단말의 화면에 표시하는 단계
를 포함하는
전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황 모니터링 방법.
In the method performed by the device,
Receiving basic information including installation location information and equipment information of electrical and firefighting equipment;
Receiving state information of the electrical and fire-fighting equipment from a state measurement sensor installed in the electric and fire-fighting equipment;
confirming a possibility of a malfunction of the electrical and firefighting equipment based on whether the status information satisfies a predetermined criterion; and
Checking the possibility of malfunction and transmitting at least one of an emergency notification message and an inspection message to an administrator terminal
including,
The step of confirming the possibility of malfunction is,
Obtaining a first image by photographing the electrical and fire-fighting equipment for a preset time through a camera installed in the electric and fire-fighting equipment;
Comparing the first image with a second image taken normally to determine a difference;
Extracting the part where the difference occurs;
Extracting a causal object by performing image analysis on the extracted part;
inputting the causal object to an artificial neural network including an image analysis algorithm to identify a category of the causal object;
When the category of the causative object matches a risk category stored in a risk category database, generating state information for a preset period of time as malfunction state information based on a point in time when the state information satisfies a predetermined criterion;
Comparing the malfunction state information with the normal state information corresponding to the normal state information;
Generating a malfunction weight based on the comparison result; and
Checking the possibility of malfunction based on the malfunction weight
including,
checking the number of times that the status information satisfies a predetermined criterion but was determined to be an erroneous operation;
Checking the installation elapsed date of the electrical and firefighting equipment using the equipment information;
checking the average life expectancy of the electrical and fire protection equipment;
generating a risk index of the electrical and fire-fighting equipment using the number of times the malfunction is determined, the elapsed date of installation, and the average life expectancy; and
Generating an inspection cycle of the electrical and firefighting equipment according to the risk index
Including more,
Comparing the risk index of the electrical and firefighting equipment with a preset first index;
When the risk index is less than the first index, setting a first ratio as a ratio at which an image of the electric and firefighting equipment is displayed on the manager terminal through a camera installed in the electric and firefighting equipment;
comparing the risk index with a preset second index when the risk index is greater than or equal to the first index;
setting the ratio as a second ratio when the risk index is less than the second index;
setting the ratio as a third ratio when the risk index is greater than or equal to the second index; and
Applying any one of the first ratio, the second ratio, and the third ratio to the image of the electricity and firefighting equipment and displaying the image on the screen of the manager terminal
containing
Emergency situation monitoring method based on malfunction judgment of electrical and firefighting equipment.
삭제delete 삭제delete
KR1020220131245A 2022-10-13 2022-10-13 Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment KR102508648B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220131245A KR102508648B1 (en) 2022-10-13 2022-10-13 Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220131245A KR102508648B1 (en) 2022-10-13 2022-10-13 Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment

Publications (1)

Publication Number Publication Date
KR102508648B1 true KR102508648B1 (en) 2023-03-10

Family

ID=85570428

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220131245A KR102508648B1 (en) 2022-10-13 2022-10-13 Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment

Country Status (1)

Country Link
KR (1) KR102508648B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095867A (en) * 2024-04-24 2024-05-28 江苏省建筑工程质量检测中心有限公司 Fire-fighting equipment detection evaluation system and method based on video processing and deep learning

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101762534B1 (en) * 2016-02-23 2017-07-28 호남대학교 산학협력단 System for remote diagnosing failure and monitoring of electric equipment using low power wide area network
KR102116064B1 (en) 2018-01-29 2020-05-27 (주)윈텍 Plant diagnosis method using the same system
KR20200086977A (en) * 2019-01-10 2020-07-20 한국전력공사 Apparatus and method for diagnosing passive equipment
KR102165207B1 (en) 2019-12-17 2020-10-13 주식회사 뮤온시스템 Method, server, program and computer readable recording medium for performing ai-based smart automatic process malfunction diagnosis
KR102169547B1 (en) * 2020-04-13 2020-10-26 박종환 Fire-fighting equipment remote monitoring system based on Information Communication Technology
KR102188260B1 (en) 2020-04-27 2020-12-08 주식회사 에스비이엔씨 Error Operating Preventing System of Carbon Dixoide Extinguishing System of Semiconductor and Method thereof
KR102373787B1 (en) * 2020-01-30 2022-03-14 주식회사 이엠포커스 Big data based on potential failure mode analysis method using progonstics system of machine equipment
KR102410754B1 (en) 2022-04-19 2022-06-22 주식회사 대연 IoT-based Switchgear Fire Prevention System that Can Predict Fire Based on Artificial Intelligence
KR102427205B1 (en) * 2021-11-22 2022-08-01 한국건설기술연구원 Apparatus and method for generating training data of artificial intelligence model

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101762534B1 (en) * 2016-02-23 2017-07-28 호남대학교 산학협력단 System for remote diagnosing failure and monitoring of electric equipment using low power wide area network
KR102116064B1 (en) 2018-01-29 2020-05-27 (주)윈텍 Plant diagnosis method using the same system
KR20200086977A (en) * 2019-01-10 2020-07-20 한국전력공사 Apparatus and method for diagnosing passive equipment
KR102165207B1 (en) 2019-12-17 2020-10-13 주식회사 뮤온시스템 Method, server, program and computer readable recording medium for performing ai-based smart automatic process malfunction diagnosis
KR102373787B1 (en) * 2020-01-30 2022-03-14 주식회사 이엠포커스 Big data based on potential failure mode analysis method using progonstics system of machine equipment
KR102169547B1 (en) * 2020-04-13 2020-10-26 박종환 Fire-fighting equipment remote monitoring system based on Information Communication Technology
KR102188260B1 (en) 2020-04-27 2020-12-08 주식회사 에스비이엔씨 Error Operating Preventing System of Carbon Dixoide Extinguishing System of Semiconductor and Method thereof
KR102427205B1 (en) * 2021-11-22 2022-08-01 한국건설기술연구원 Apparatus and method for generating training data of artificial intelligence model
KR102410754B1 (en) 2022-04-19 2022-06-22 주식회사 대연 IoT-based Switchgear Fire Prevention System that Can Predict Fire Based on Artificial Intelligence

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118095867A (en) * 2024-04-24 2024-05-28 江苏省建筑工程质量检测中心有限公司 Fire-fighting equipment detection evaluation system and method based on video processing and deep learning

Similar Documents

Publication Publication Date Title
KR102531879B1 (en) Method, device and system for predicting and monitoring occurrence of event for maintenance of enterprise electronic equipment based on artificial intelligence
KR102553041B1 (en) Method, device and system for providing matching platform service between user and interior supplier based on artificial intelligence model
KR102551997B1 (en) Method, device and system for providing commerce platform service and automation of advertising content planning based on analysis of content watching propensity
KR102539679B1 (en) Method, device and system for recommending places tailored to the user based on the user's route
KR102546871B1 (en) Method, device and system for recommending order information through pattern analysis of order history regarding distribustion of food materials and subsidiary materials for business to business based on artificial intelligence model
KR102508648B1 (en) Emergency monitoring method, device and system based on malfunction judgment of electric and firefighting equipment
KR102601446B1 (en) Method, device and system for providing sales product matching platform service based on influencer using artificial intelligence model
KR102502922B1 (en) Method, device and system for alarming and monitoring of emergency situation
KR102559307B1 (en) Method, device and system for processing and utilizing images and video data generated at disaster sites
KR102463875B1 (en) Method, device and system for providing personalized psychotherapy content using big data
KR102551298B1 (en) Manpower assignment automation method and evaluation method, device and system for building management
KR102536063B1 (en) Method, device and system for providing sales and purchases settlement solution for business based on artificial intelligence
KR102530527B1 (en) Method, device and system for providing restaurant recommendation service based on health information
KR102474974B1 (en) Method, device and system for analyzing brand based on artificial intelligence
KR102426803B1 (en) Method, device and system for automatically uploading overseas sales page of product based on artificial intelligence
KR102453919B1 (en) Method, device and system for verifying of guide soundtrack related to cultural content based on artificial intelligence
KR102500172B1 (en) Method, control device and system for synchronizing memory between device
KR102429832B1 (en) Method, device and system for providing remote access service based on analysis of network environment
KR102563687B1 (en) Method, device and system for providing hearing aid management platform service for hearing aid user and guardian
KR102475813B1 (en) Method for driving simulation of smart factory based on artificial intelligence
KR102676906B1 (en) Method for monitoring wind power generator based on artificial intelligence using sound, vibration information and drond shooting photo
KR102653905B1 (en) Method, device and system for providing condition monitoring and maintenance information alarm service for it infrastructure equipment based on artificial intelligence model
KR102612058B1 (en) Method, device and system for operating smart factory through prediction of defect rate based on artificial intelligence model
KR20220037608A (en) SYSTEM AND METHOD FOR classification OF LIST AND COMPUTER-READABLE RECORDING MEDIUM THEREOF
KR102618066B1 (en) Method, device and system for strengthening military security based on natural language process and image compare in soldier based community application

Legal Events

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