KR102606526B1

KR102606526B1 - 인공 지능 기반의 무인국사용 종합 감시 시스템

Info

Publication number: KR102606526B1
Application number: KR1020210083150A
Authority: KR
Inventors: 이상로
Original assignee: 주식회사 제이티
Priority date: 2021-06-25
Filing date: 2021-06-25
Publication date: 2023-11-29
Also published as: KR20230000704A

Abstract

본 발명은 인공 지능 기반의 무인국사용 종합 감시 시스템에 관한 것으로서, 무인국사에 설치된 네트워크 장비 및 수용 설비에 대한 원격 제어를 수행하는 인공 지능 기반의 무인국사용 종합 감시 시스템에 있어서, 무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 센서 장치; 상기 무인국사의 출입구에 설치되어, 상기 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공하는 카메라 장치; 상기 무인국사 내 기 설정된 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행하는 냉난방 장치; 및 인공 지능 기반의 분석 모델을 이용하여 상기 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 상기 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 상기 센서 신호를 분석하여 화재 감지시 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행하여, 수용 설비에 대한 제반 제어 동작을 통해 무인국사의 종합 감시를 기능을 수행하는 지능형 모니터링 장치를 포함하되, 상기 인공 지능 기반의 분석 모델은, 상기 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 상기 수집된 학습 데이터를 전처리하여 상기 출입 통제 기능에 대한 제1 분류 모델, 상기 온도 제어 기능에 대한 제2 분류 모델 및 상기 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 상기 학습된 제1 내지 제3 분류 모델을 통해 산출되는 분류 결과에 따라 제어 설비 대상을 인식하고, 인식된 제어 설비 대상에 대한 제어 신호를 제공하는 것이다.

Description

인공 지능 기반의 무인국사용 종합 감시 시스템{System for multi functional monitoring of unmanned stations based on Artificial Intelligence}

본 발명은 임베디드 시스템용 내장형 AI를 적용하여 무인국사 내 수용 설비에 대한 원격 감시 기능을 제공하는 인공 지능 기반의 무인국사용 종합 감시 시스템에 관한 것이다.

이 부분에 기술된 내용은 단순히 본 발명의 일 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.

일반적으로, 통신장치나 방송장치 등과 같이 24시간 동안 계속해서 작동해야 하는 장치는 그 작동상태를 감시하기 위한 상주 운영요원이 필요한데, 기지국이나 전송중계국 등과 같이 소형의 장비만이 설치된 곳은 인건비를 절감하기 위해 상주 운영자가 없는 무인국사 형태로 운영되고 있다. 이러한 무인국사는 장애 방지와 원활한 서비스를 제공하기 위해 원격으로 제어된다.

무인국사의 원격 제어를 위해서는 환경/전원 설비의 냉난방기, 정류기, 축전지, 발전기, 자동 소화기, 화재 감지기, 출입문, 전송 설비 및 각종 장비의 디버그 포트 상태, 데이터를 수집하여 상위 교환국의 서버에 전달하는 역할을 수행하는 원격 제어 및 모니터링 유닛(Remote control and monitoring unit) 등이 설치된다.

종래의 무인국사에 설치된 화재 감지는 노후화 및 보정 기술이 없는 저가의 센서를 사용하고 있어 빈번한 알람 오류가 발생하여 유지보수를 위해 관리자가 빈번히 출동해야 하고, 냉난방기는 냉난방이 필요하지 않은 상온에서도 동작하여 불필요한 에너지가 소모되기도 한다.

또한, 종래의 무인국사는 출입문의 열림/닫힘 상태를 감시하는 기능이 있지만, 보안을 위한 출입자 관리에는 미흡한 상태이므로, 관리자를 사칭한 악의적인 침입자에 의해 출입이 무방비 상태로 가능해질 수 있고, 네트워크 장비나 기타 고가의 장비들이 도난 당거나 파손될 우려가 있다.

본 발명은 전술한 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따라 무인국사 설치된 네트워크 장비와 수용 설비에 공급되는 전원 감시 및 경보 신호 처리를 수행하면서, AI 기반의 분석 모델을 적용하여 화재 감지, 누수 감지, 출입 통제, 설비 제어를 수행함으로써 수용 설비에 대한 제어 및 감시 정확도가 향상되도록 하는 인공 지능 기반의 무인국사용 종합 감시 시스템을 제공하는 것에 목적이 있다.

다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

상기한 기술적 과제를 달성하기 위한 기술적 수단으로서 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템은, 무인국사에 설치된 네트워크 장비 및 수용 설비에 대한 원격 제어를 수행하는 인공 지능 기반의 무인국사용 종합 감시 시스템에 있어서, 무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 센서 장치; 상기 무인국사의 출입구에 설치되어, 상기 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공하는 카메라 장치; 상기 무인국사 내 기 설정된 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행하는 냉난방 장치; 및 인공 지능 기반의 분석 모델을 이용하여 상기 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 상기 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 상기 센서 신호를 분석하여 화재 감지시 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행하여, 수용 설비에 대한 제반 제어 동작을 통해 무인국사의 종합 감시를 기능을 수행하는 지능형 모니터링 장치를 포함하되, 상기 인공 지능 기반의 분석 모델은, 상기 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 상기 수집된 학습 데이터를 전처리하여 상기 출입 통제 기능에 대한 제1 분류 모델, 상기 온도 제어 기능에 대한 제2 분류 모델 및 상기 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 상기 학습된 제1 내지 제3 분류 모델을 통해 산출되는 분류 결과에 따라 제어 설비 대상을 인식하고, 인식된 제어 설비 대상에 대한 제어 신호를 제공하는 것이다.

상기 센서 장치는, 온도 센서, 습도 센서, 열감지 센서, 연기 센서, 불꽃감지 센서, 수소 가스 또는 일산화산소를 포함한 가스를 감지하는 가스 감지 센서 중 적어도 하나 이상의 센서를 포함하는 것이다.

상기 제2 분류 모델은, 상기 적어도 하나 이상의 센서를 통해 제공되는 센서 신호를 분석하여, 초기 열분해 단계, 연기 발생 단계, 불꽃 발생 단계 및 열 발생 단계로 화재 성장 단계를 구분하여 화재 알람 신호를 제공하는 것이다.

본 발명의 일 측면에 따르면, 인공 지능 기반의 무인국사용 종합 감시 시스템은, 상기 출입구에 설치되어, 상기 제1 분류 모델의 분류 결과에 기반한 제어 신호에 따라 출입구의 열림/닫힘 기능을 수행하는 출입 통제 장치; 및 상기 지능형 모니터링 장치에서 전송되는 제어 신호에 따라 화재 알람, 침입 경보, 누전/누수, 수용 설비의 이상 상태를 포함한 알람 상태를 알려주는 경보 장치를 더 포함하는 것이다.

상기 지능형 모니터링 장치는, 상기 제2 분류 모델의 분류 결과에 기반하여, 상기 냉난방 장치의 주변 온도가 상한 기준 온도 이상일 경우에 냉방기의 동작시키고, 하한 기준 온도 이하일 경우에 온풍기를 동작시키며, 상한 기준 온도와 하한 기준 온도 사이의 상온일 경우에 냉방기와 온풍기를 모두 오프 동작시키는 온도 제어 기능을 수행하는 것이다.

전술한 본 발명의 과제 해결 수단에 의하면, 본 발명은 인공 지능 기반의 분석 모델을 사용하여 무인국사에 설치된 수용 설비에 대한 정확한 제어 및 감시가 가능해질 수 있고, 화재감지기나 냉난방 장치의 오작동으로 인한 잦은 출동을 방지할 수 있어 유지 보수 비용이 절감될 수 있고, 냉난방 장치를 효율적으로 사용하여 에너지를 절감할 수 있으며, 사전에 허가된 출입자에 대해서만 출입을 허용함으로써 보안이 강화될 수 있는 효과가 있다.

또한, 본 발명은 인공 지능 기반의 분석 모델을 통해 장애에 대한 원인 분석으로 예지 정비가 가능할 수 있고, 무인국사에 설치된 센서 장치들에 대한 정확한 상태 모니터링 및 동작 이상 센서를 실시간 파악하여 신속한 센서 교체나 점검으로 인해 관리비용을 절감할 수 있고. 고가의 센서를 적용하지 않더라도 저가의 센서들을 복합적으로 사용한 복합 센서 기능을 실현하여 초기 투자 비용을 절감할 수 있으며, 시스템 운영을 통해 전력비 절감 및 설비점검시간, 점검공수 등 고정비를 감소시킬 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 구성을 설명하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 적용 사례를 설명하는 예시도이다.
도 3은 본 발명의 일 실시예에 따른 지능형 모니터링 장치의 구성을 설명하는 블럭도이다.
도 4는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델의 구조를 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 합성곱 분해 구조를 설명하는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델이 입력 신호에 대해 분석 결과를 산출하는 과정을 설명하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 CNN 구조를 설명하는 예시도이다.
도 8은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 Mask R-CNN 구조를 설명하는 예시도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 명세서에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트 폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다.

무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.

이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.

또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.

이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 구성을 설명하는 도면이고, 도 2는 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 적용 사례를 설명하는 예시도이다.

도 1 및 도 2를 참조하면, 인공 지능 기반의 무인국사용 종합 감시 시스템(100)은 센서 장치(110), 카메라 장치(120), 지능형 모니터링 장치(130), 냉난방 장치(150), 출입 통제 장치(140) 및 경보 장치(160)를 포함하지만 이에 한정되지는 않는다.

센서 장치(110)는 무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 것으로서, 온도 센서, 습도 센서, 열감지 센서, 연기 센서, 수소 가스 또는 일산화산소를 포함한 가스를 감지하는 가스 감지 센서 중 적어도 하나 이상의 센서를 포함한다.

카메라 장치(120)는 무인국사의 출입구에 설치되어, 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공한다.

지능형 모니터링 장치(130)는 무인국사의 종합 감시를 통해 수용 설비에 대한 제어 기능을 수행하는 것으로서, 경량 임베디드 시스템용 인공 지능 기반의 분석 모델을 이용하여 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 센서 신호를 분석하여 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행한다.

출입 통제 장치(140)는 지능형 모니터링 장치(130)에서 전송되는 제어 신호에 따라 출입구의 열림/닫힘 기능을 수행하고, 경보 장치(160)와 연동하여 침입 상태 알림 동작을 수행할 수도 있다.

냉난방 장치(150)는 지능형 모니터링 장치(130)에서 전송되는 제어 신호에 따라 무인국사 내 기 설정된 상한 기준 온도와 하한 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행한다.

경보 장치(160)는 지능형 모니터링 장치(130)에서 전송되는 제어 신호에 따라 화재 알람, 침입 경보, 누전/누수 등의 각종 알람 상태를 경보하는 역할을 수행한다. 센서 장치(110)와 경보 장치(160)를 이용하여 화재 감지 기능을 구현할 수 있지만, 센서 장치(110)와 경보 장치(160) 외에 별도로 화재 감지기가 더 설치될 수도 있다.

이러한 지능형 모니터링 장치(130)는 무인국사의 제어 결과를 상위 교환국의 서버에 전송하는데, 여기서 서버는 일반적인 의미의 서버용 컴퓨터 본체일 수 있고, 그 외에 서버 역할을 수행할 수 있는 다양한 형태의 장치로 구현될 수 있다. 구체적으로, 서버는 통신 모듈(미도시), 메모리(미도시), 프로세서(미도시) 및 데이터베이스(미도시)를 포함하는 컴퓨팅 장치에 구현될 수 있는데, 스마트폰이나 TV, PDA, 태블릿 PC, PC, 노트북 PC 및 기타 사용자 단말 장치 등으로 구현될 수 있다.

상위 교환국의 서버는 무인국사별 관리자에 대한 정보를 저장하고, 관리자가 소지한 관리 단말(미도시)로 무인국사의 제어 결과 또는 알람 상태를 통지할 수 있다.

도 3은 본 발명의 일 실시예에 따른 지능형 모니터링 장치의 구성을 설명하는 블럭도이다.

지능형 모니터링 장치(130)는 통신부(131), 전원부(132), 전원 감시부(133), 주제어부(134), 냉난방기 제어부(135), 타이머(136), 온도 계측부(137), 전원 계측부(138)를 포함하지만 이에 한정되지는 않는다.

통신부(131)는 유선 통신 또는 무선 통신 기능을 제공하여, 무인국사의 수용 설비, 상위 교환국의 서버 또는 관리 단말과의 통신을 수행한다. 여기서, 통신부(131)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

전원부(132)는 지능형 모니터링 장치(130)가 동작하는데 필요한 전원을 제공한다.

전원 감시부(133)는 무인국사에 공급되는 전원(AC 220V, DC-48V)을 감시하고, 정전, 누전, 과전류, 단락 등의 전원 장애시 릴레이를 이용하여 전원부(132)에서 공급되는 전원을 선택적으로 온/오프할 수 있다.

주제어부(134)는 경량 임베디드 시스템용 내장형 AI를 적용하여 무인국사용 종합 감시(MFMS, Multi Functional Monitoring System) 기능을 수행한다. 즉, 주제어부(134)는 인공 지능 기반의 분석 모델을 통해 전원 감시, 전원/온도 알람 검출 및 경보, 냉난방기(150)의 전원/팬/압축기 상태 감시, 출입문(141) 감시, 인터넷 해킹 공격으로부터 실시간 감시 및 차단 기능, 화재 감시 기능, 에너지 절감 기능, 출입자 인식 및 인증 기능 등을 수행한다.

냉난방기 제어부(135)는 주제어부(134)의 제어에 따라 냉난방기(150)의 온/오프 동작을 수행하는데, 단계별 온도 제어를 통해 에너지를 절감할 수 있도록 한다. 냉난방기 제어부(135)는 주제어부(134)와 독립적인 형태로 구현될 수 있고, 주제어부(134)에 포함될 수도 있다.

한편, 주제어부(134)는 냉난방기(150)에서 나오는 누수나 천재지변으로 인한 침수에 대비하여 습도 센싱 알고리즘을 적용하여, 습도 센싱 알고리즘에서 센서 장치(110) 내 습도 센서로부터 센서 신호를 수신하여, 현재 습도가 기 설정된 기준 습도 이상인 경우에 냉난방기의 온/오프 동작을 통해 현재 습도를 기준 습도 수준으로 낮추는 동작을 수행할 수 있고, 현재 습도가 기준 습도를 초과하는 습도범위에 따라 단계별로 습도 상태를 통보할 수 있다.

지능형 모니터링 장치(130)는 타이머(136), 지능형 모니터링 장치(130)의 내부 온도를 계측하는 온도 계측부(137) 및 각종 수용 설비에 대한 전원 계측부(138)를 통해 네트워크 장비와 수용 설비에 대한 감시 및 경보 신호 처리를 수행할 수 있다.

한편, 지능형 모니터링 장치(130)는 센서 장치(110)에 대한 정확한 상태 모니터링 및 동작 이상 센서를 실시간 파악하여, 센서 장치(110)의 상태 정보를 서버로 전송함으로써 동작 이상 센서의 신속한 교체나 점검이 이루어질 수 있도록 한다.

도 4는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델의 구조를 설명하는 도면이고, 도 5는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 합성곱 분해 구조를 설명하는 예시도이다. 도 6은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델이 입력 신호에 대해 분석 결과를 산출하는 과정을 설명하는 도면이고, 도 7은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 CNN 구조를 설명하는 예시도이며, 도 8은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 Mask R-CNN 구조를 설명하는 예시도이다.

도 4에 도시된 바와 같이, 인공 지능 기반의 분석 모델은 다양한 입력 신호를 수신하고, 수신한 입력 신호들 중에서 선택된 신호에 대해 데이터 전처리를 수행한 후 류(Classification), 군집(Clustering) 및 인식(Recognition) 신호를 추출하는 내장형 AI가 적용된다. 이때, 인공 지능 기반의 분석 모델은 분류 결과의 정확도를 유지하면서, 보다 크기가 작고, 연산을 간소화하는 경량 딥 러닝 알고리즘(deep learning Algorithm)을 적용한다.

경량 딥러닝 알고리즘은 기존 클라우드(Cloud) 기반의 학습된 모델을 경량 장치에 내장하기 위한 필수 기술이며, 이를 통해 지연시간 감소, 민감한 개인정보 보호, 네트워크 트래픽 감소와 같은 다양한 장점을 가지게 된다. 경량 딥러닝 알고리즘은 CNN 계열의 모델에서 주로 학습 시 가장 큰 연산량을 요구하는 합성곱 연산을 줄이기 위한 합성곱 필터 기술을 적용한다. 구체적으로, 도 5에 도시된 바와 같이 기존의 합성곱 필터를 채널(Channel) 단위로 먼저 합성곱(Depthwise Convolution)을 하고, 그 결과를 하나의 픽셀(Point)에 대하여 진행하는 합성곱(Pointwise Convolution)으로 나눔으로써 이득을 8~9배 증가시킬 수 있다.

일반적인 딥러닝 알고리즘은 과-파라미터화(Over-parameterization) 되어 있기 때문에 모델이 가지는 가중치의 실제 값이 아주 작을 경우 모델의 정확도에 큰 영향을 미치지 못하므로, 경량 딥러닝 알고리즘은 다양한 파라미터의 크기를 줄이기 위해 이 값을 모두 0으로 설정하여 마치 가지치기(Pruning)를 수행하는 것과 같은 효과를 내는 가중치 가지치기(Weight Pruning)를 실시하여 알고리즘 경량화 방식을 적용할 수 있다.

도 6에 도시된 바와 같이, 인공 지능 기반의 분석 모델은 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 수집된 학습 데이터를 전처리하여 출입 통제 기능에 대한 제1 분류 모델, 온도 제어 기능에 대한 제2 분류 모델 및 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 이후 새로운 입력 신호들을 학습된 제1 내지 제3 분류 모델에 입력하여 분류 결과를 출력하고, 분류 결과에 기초하여 제어 설비 대상을 인식한 후 인식된 제어 설비 대상에 대한 제어 신호를 제공할 수 있다.

제1 분류 모델은 CNN(Convolution Neural Network) 모델, 제2 분류 모델은 k-NN(k-nearest neighbor) 분류기, 제3 분류 모델은 네이브 베이즈 분류기(Naive Bayes Classifier)가 적용될 수 있다.

제1 분류 모델은 다층 신경망(Multi Layer Perceptron, MLP) 구조를 가지는 CNN 모델이 적용될 수 있고, 도 7에 도시된 바와 같이, CNN 모델은 입력층, 은닉층, 출력으로 구성되며, 출력층에서 구해진 오류 신호를 역전파(Back propagation)하여 내부의 충돌간의 계수를 최적화할 수 있다.

이러한 CNN 모델은 입력층에서 출입 감시 영상이 입력되면, 은닉층에서 각종 특징들을 추출하여, 출력층에서 최종적으로 분류 결과(classification)를 출력한다. 구체적으로, CNN 모델은 입력 이미지에 대하여 컨볼루션 필터링(convolution filtering) 연산을 통해 특징 맵(feature map)을 생성한 후, 입력 데이터의 크기를 줄이는 역할을 하는 서브 샘플링(sub sampling) 또는 풀링(pooling)을 수행하며, 서브 샘플링과 컨볼루션 필터링을 여러 단계 반복한 후 최종적으로 생성된 특징들을 일렬로 연결하여 분류(classification)하여 출력한다.

이때, 제1 분류 모델은 CNN 모델 중에서 최근 영상 인식에 가장 많이 적용되는 Mask R-CNN 구조를 이용 무인국사의 출입자 인식 및 인증 기능을 구현할 수 있다. Mask R-CNN은 Faster R-CNN을 확장하여 Instance Segmentation이 가능하도록 발전된 형태로서, Faster R-CNN 기능에 검출한 각각의 박스에 마스크를 씌워주는 기능이 추가된 모델이다.

Faster R-CNN은 입력 이미지의 원본 위치 정보가 소수점을 갖고 있을 경우에 원본 좌표에 왜곡이 발생하는 단점이 있지만, Mask R-CNN은 RoI pooling 기법 대신 RoI Align 기법을 사용하여 Faster R-CNN에서의 왜곡 문제를 해결할 수 있다.

도 8에 도시된 바와 같이, Mask R-CNN은 인접한 화살표로 표시된 4개 격자점 좌표를 이중 선형 보간법(Bilinear interpolation)을 통해 샘플링 포인트(sampling point)의 값을 구하고 비율을 곱해줌으로써 마스크 정확도를 향상시킬 수 있다.

Mask R-CNN은 마스크 예측(mask prediction)과 클래스 예측(class prediction)을 분리하여 다른 클래스를 고려할 필요없이 이중 마스크(binary mask)를 예측하면 되기 때문에 성능이 향상될 수 있고, 기존의 Faster R-CNN을 객체 검출(Object Detection) 역할을 하도록 하고, 각각의 RoI(Region of Interest)에 마스크 분할(Mask segmentation)을 해주는 작은 FCN(Fully Connectd Network)을 추가할 수 있으며, 특징 추출을 위해 ResNet-FPN backbone 이용하여 정확도 및 속도를 향상시킬 수 있다.

지능형 모니터링 장치(130)는 사전에 허가된 출입자 정보를 저장하고, CNN 모델에서 제공되는 분류 결과를 사전에 허가된 출입자 정보와 비교하여 출입자 인식 및 인증 기능을 수행하고, 제1 제어 신호를 출입 통제 장치(140)로 전송한다. 이와 같이, 지능형 모니터링 장치는 허가된 소수의 출입자의 얼굴만 인식하면 되므로 인스턴스 분할(Instance Segmentation)이 가능하고, 마스크 정보가 출력되는 Mask R-CNN 방식이 가장 적합할 수 있다. 그러나 지능형 모니터링 장치(130)는 Mask R-CNN 방식 외에도, 기존의 안면 인식 알고리즘을 활용하여 설치 현장마다 서로 다른 소수의 출입자의 얼굴을 일정 기간 학습하여 최종적으로는 허가 받은 출입자와 침입자를 구분할 수 있는 안면 인식 기능을 설치할 수도 있다.

즉, Mask R-CNN은 마스크를 예측하여 출력할 수 있는데, 마스크는 사람의 얼굴(face)이라는 정보, 즉 일종의 분류(classification) 정보만 제공하는 것이므로, 지능형 모니터링 장치(130)는 Mask R-CNN와 안면 인식 기능을 모두 적용할 수 있다.

제2 분류 모델은 k-NN 분류기를 적용할 수 있는데, k-NN 분류기는 예측을 하고자 하는 새로운 관측치(data)와 이미 정답이 있는 기존 관측치(data) 사이의 거리를 계산하여 가장 가까운 k개 관측치들의 클래스를 확인하여 예측 결과를 산출하는 것이다.

k-NN 알고리즘은 데이터 관찰, 거리 계산, 이웃 탐색, 새로운 데이터에 대하여 투표하는 방식으로서, 관측치들끼리 유클리드 거리 계산식을 이용하여 거리를 계산하여 해당 데이터를 가까운 관측치의 데이터와 같은 그룹으로 분류하고, 새로운 데이터가 입력되면 기존 데이터들과의 모든 거리를 계산하여 k개의 가장 가까운 이웃의 클래스를 확인하여 예측 결과를 산출한다. K-NN 알고리즘은 모든 특성들을 모두 고르게 반영하기 위해 정규화(Noramlizaion) 실행한다.

이러한 k-NN 알고리즘을 제2 분류 모델에 적용하면, 지능형 모니터링 장치(130)는 냉난방기의 주변 온도가 + 25℃ 이상 일 때에 냉방기를 온(ON) 동작시키고, 주변 온도가 +5~24℃ 일 때에 냉방기를 오프(Off)시키는 동시에 온풍기도 오프 동작시키고, +5℃ 이하 일 때에 온풍기를 온 동작시킬 수 있다. 상한 기준 온도(25℃)와 하한 기준 온도(+5℃)는 무인국사가 위한 지역, 계절, 통풍설비 등에 따라 변경될 수 있다.

이와 같이, 기존에는 정해진 온도에 따라 냉방기와 온풍기를 교대로 동작시킴으로써 냉난방이 필요하지 않은 상온에서도 냉방기 또는 온풍기가 동작되어 불필요한 에너지가 소모되었고, 냉난방기가 항시 운전 상태이므로 고장이나 오동작이 빈번히 발생하였다. 그러나. 지능형 모니터링 장치(130)는 단계별 온도 제어 알고리즘을 적용하여 냉난방기의 작동 오류를 줄이고, 상온(+5~24℃)에서 냉방기와 온풍기를 모두 오프 동작시킴으로써 현재 사용 전력의 1/2로 줄이는 에너지 절감 효과를 제공할 수 있다.

또한, 제2 분류 모델은 습도 센싱 알고리즘에 적용하여 무인국사 내 습도가 20~90%(±5%) 이면 정상 또는 기 설정된 시간 동안 송풍 동작 실행, 습도가 90% 이상이면 경보(Alert), 95% 이상이면 경고(Warning), 98% 이상이면 알람(Alarm)을 발생함으로써 기존에 습도 센서 동작으로 인해 관리자가 누수 여부를 확인하기 위한 불필요한 출동을 방지할 수 있다.

제3 분류 모델에 적용되는 네이브 베이즈 분류기는 강한 독립을 가정한 베이즈 정리(Bayes' theorem)에 기반을 둔 확률 분류기로서, 각 사건들이 서로 영향을 주지 않는 독립적인 관계라고 가정한다면 베이즈 정리는 하기 수학식 1과 같이 표현될 수 있다.

[수학식 1]

[수학식 2]

수학식 1을 화재 감지 기능에 대한 제3 분류 모델에 적용하면, F는 CO, H₂, 온도, 열, 습도, 연기 등의 센서값이고, C는 화재 발생 확률이 된다.

수학식 2에서, P(A/B)는 B가 발생할 확률 아래 A가 발생할 확률이고, P(B/A)는 A가 발생할 확률 아래 B가 발생할 확률이며, P(A), P(B)는 각 A, B가 발생할 확률을 나타낸다.

즉, P(Fire/Smoke)는 연기(smoke)를 볼 때 얼마나 자주 화재(Fire)가 발생했는지를 의미하고, (Smoke/Fire)는 화재(Fire)가 발생했을 때 얼마나 자주 연기(Smoke)가 발생했는지를 의미한다. 일례로, 수학식 3과 같이 위험한 화재 발생확률 1%[P(Fire)=1%]이며, 연기 발생 확률 10%[P(Smoke)=10%] 라고 가정하면, 위험한 화재의 90%에서 연기가 발생[P(Smoke/Fire)=90%], 연기가 발생했을 때 위험한 화재인 확률은 9% 라는 의미가 된다.

[수학식 3]

P(Fire/Smoke) = P(Fire)P(Smoke/Fire)/P(Smoke) = 1% x 90% /10% = 9%

일반적으로 화재 성장 단계는 초기 열분해단계, 연기 발생 단계, 불꽃 발생 단계 및 열발생 단계로 진전된다.

따라서, 지능형 모니터링 장치(130)는 온도 센서, 습도 센서, 열 감지 센서, 가스 감지 센서, 불꽃 감지 센서 등의 센서 장치(110)를 이용하여 연기 발생 전의 초기 열분해 단계에서 발생하는 CO, H₂를 초기에 검출하여 긴급 상황을 미리 통보하도록 화재 알람 신호를 구분하여 경보 장치(160)를 동작시킬 수 있는 제3 제어 신호로 전송할 수 있다.

한편, 인공 지능 기반의 분석 모델은 장애 발생에 대한 데이터들을 수집하고, 수집된 데이터들을 이용하여 장애에 대한 원인 분석으로 장애 발생 데이터를 예측할 수 있고, 예측된 장애 발생 데이터를 이용하여 예지 정비를 수행하도록 한다.

이와 같이, 지능형 모니터링 장치(130)는 유무선 무인국사 내 설치된 네트워크 장비나 냉난방장치에 공급되는 수용 전원시설에 대한 감시 및 경보 신호 처리를 수행할 뿐만 아니라, 출입구 또는 출입문(141)에 카메라 장치(120)를 설치하여 사전에 허가된 출입자(관리자)에 대해서 출입을 인가하고, 비인가 출입자에 대해서는 출입을 통제할 수 있으며, 무인국사에 화재 발생시 화재 성장 단계별 알람 기능을 통보할 수 있으며, 온도와 습도를 측정하여 불필요한 냉난방 장치(150)의 사용을 통제하여 에너지 효율을 극대화할 수 있다.

이상에서 설명한 본 발명의 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100 : 인공 지능 기반의 무인국사용 종합 감시 시스템
110 : 센서 장치
120 : 카메라 장치
130 : 지능형 모니터링 장치
131 : 통신부
132 : 전원부
133 : 전원 감시부
134 : 주제어부
135 : 냉난방기 제어부
135 : 타이머
137 : 온도 계측부
138 : 전원 계측부
140 : 출입 통제 장치
150 : 냉난방 장치
150 : 경보 장치

Claims

무인국사에 설치된 네트워크 장비 및 수용 설비에 대한 원격 제어를 수행하는 인공 지능 기반의 무인국사용 종합 감시 시스템에 있어서,
무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 센서 장치;
상기 무인국사의 출입구에 설치되어, 상기 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공하는 카메라 장치;
상기 무인국사 내 기 설정된 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행하는 냉난방 장치; 및
인공 지능 기반의 분석 모델을 이용하여 상기 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 상기 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 상기 센서 신호를 분석하여 화재 감지시 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행하여, 수용 설비에 대한 제반 제어 동작을 통해 무인국사의 종합 감시를 기능을 수행하는 지능형 모니터링 장치를 포함하되,
상기 인공 지능 기반의 분석 모델은,
상기 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 상기 수집된 학습 데이터를 전처리하여 상기 출입 통제 기능에 대한 제1 분류 모델, 상기 온도 제어 기능에 대한 제2 분류 모델 및 상기 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 상기 학습된 제1 내지 제3 분류 모델을 통해 산출되는 분류 결과에 따라 제어 설비 대상을 인식하고, 인식된 제어 설비 대상에 대한 제어 신호를 제공하며,
상기 센서 장치는, 온도 센서, 습도 센서, 열감지 센서, 연기 센서, 불꽃감지 센서, 수소 가스 또는 일산화탄소를 포함한 가스를 감지하는 가스 감지 센서 중 적어도 하나 이상의 센서를 포함하고,
상기 제1 분류모델은 입력층, 은닉층, 출력층으로 구성되며, 출력층에서 구해진 오류 신호를 역전파(Back propagation)하여 내부의 충돌간의 계수를 최적화하는, 다층 신경망(Multi Layer Perceptron, MLP) 구조를 가지는 CNN 모델로 구현되어, 출입 감시영상이 입력되면 입력 이미지에 대하여 컨볼루션 필터링(convolution filtering) 연산을 거쳐 특징 맵(feature map)을 생성한 후, 입력 데이터의 크기를 줄이는 역할을 하는 서브 샘플링(sub sampling) 또는 풀링(pooling)을 수행하며, 서브 샘플링과 컨볼루션 필터링을 복수 단계 반복한 후 최종적으로 생성된 특징들을 일렬로 연결하여 분류하되,
상기 제1 분류모델은 허가된 기 설정된 기준치 이하의 출입자의 얼굴만 인식하면 되므로 인스턴스 분할이 가능하고 마스크 정보가 출력되어 정확도 및 속도가 향상된 Mask R-CNN 모델을 이용하고,
상기 제2 분류모델은 예측을 하고자 하는 새로운 관측치(data)와 이미 정답이 있는 기존 관측치(data) 사이의 거리를 계산하여 가장 가까운 k개 관측치들의 클래스를 확인하여 예측 결과를 산출하는 K-NN 분류기로 구현되어, 상기 냉난방 장치의 주변 온도가 상한 기준 온도 이상일 경우에 냉방기의 동작시키고, 하한 기준 온도 이하일 경우에 온풍기를 동작시키며, 상한 기준 온도와 하한 기준 온도 사이의 상온일 경우에 냉방기와 온풍기를 모두 오프 동작시키는 온도 제어 기능을 수행하고, 상기 무인국사 내 습도가 기 설정된 범위 내면 정상 또는 기 설정된 시간동안 송풍 동작을 실행시키고, 기 설정된 범위의 상한 이상이면 경보, 경고 또는 알람 발생을 수치에 따라 발생시키며,
상기 제3 분류모델은 상기 온도 센서, 상기 습도 센서, 상기 열 감지 센서, 상기 가스 감지 센서 또는 상기 불꽃 감지 센서에서 제공되는 센서 신호를 분석하여 초기 열분해 단계, 연기 발생 단계, 불꽃 발생 단계 및 열 발생 단계로 화재 성장 단계를 구분하고, 화재 알람 신호를 제공하는 연기 발생 전의 초기 열분해 단계에서 발생하는 일산화탄소 또는 수소를 초기에 검출하여 긴급 상황을 미리 통보하도록 하기 위해, 독립을 가정한 베이즈 정리(Bayes' theorem)에 기반을 둔 확률 분류기인 네이브 베이즈 분류기로 구현되는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템.
삭제
삭제
제1항에 있어서,
상기 출입구에 설치되어, 상기 제1 분류 모델의 분류 결과에 기반한 제어 신호에 따라 출입구의 열림/닫힘 기능을 수행하는 출입 통제 장치; 및
상기 지능형 모니터링 장치에서 전송되는 제어 신호에 따라 화재 알람, 침입 경보, 누전/누수, 수용 설비의 이상 상태를 포함한 알람 상태를 알려주는 경보 장치를 더 포함하는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템.
삭제