KR102643021B1 - 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템 - Google Patents

뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템 Download PDF

Info

Publication number
KR102643021B1
KR102643021B1 KR1020230108277A KR20230108277A KR102643021B1 KR 102643021 B1 KR102643021 B1 KR 102643021B1 KR 1020230108277 A KR1020230108277 A KR 1020230108277A KR 20230108277 A KR20230108277 A KR 20230108277A KR 102643021 B1 KR102643021 B1 KR 102643021B1
Authority
KR
South Korea
Prior art keywords
intrusion
information
value
detected
user terminal
Prior art date
Application number
KR1020230108277A
Other languages
English (en)
Inventor
이성락
Original Assignee
이성락
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 이성락 filed Critical 이성락
Priority to KR1020230108277A priority Critical patent/KR102643021B1/ko
Application granted granted Critical
Publication of KR102643021B1 publication Critical patent/KR102643021B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/16—Actuation by interference with mechanical vibrations in air or other fluid
    • G08B13/1609—Actuation by interference with mechanical vibrations in air or other fluid using active vibration detection systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/16—Actuation by interference with mechanical vibrations in air or other fluid
    • G08B13/1654—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems
    • G08B13/1672—Actuation by interference with mechanical vibrations in air or other fluid using passive vibration detection systems using sonic detecting means, e.g. a microphone operating in the audio frequency range
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14—Central alarm receiver or annunciator arrangements
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/12—Messaging; Mailboxes; Announcements
    • H04W4/14—Short messaging services, e.g. short message services [SMS] or unstructured supplementary service data [USSD]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Alarm Systems (AREA)

Abstract

실시예들은 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템을 제시한다. 일 실시예에 따른 상기 시스템은, 복수의 센싱 모듈 및 복수의 카메라 모듈과 연동되고, 상기 복수의 센싱 모듈로부터 획득된 센싱 정보에 기반하여 무단 침입을 감지하는 침입 감지 장치; 상기 침입 감지 장치를 제어하는 관리 서버; 상기 복수의 카메라 모듈로부터 획득된 영상 정보를 실시간으로 수신하는 관리자 단말 및 상기 무단 침입이 감지된 것에 기반하여 상기 관리 서버로부터 상기 무단 침입과 관련된 메시지를 수신하는 사용자 단말을 포함하되, 상기 침입 감지 장치는, 상기 무단 침입이 감지된 것에 기반하여 상기 관리 서버 및 상기 관리자 단말에게 침입 감지 메시지를 전송하고, 상기 침입 감지 메시지는 사전 설정된 시간 구간에 대한 센싱 정보, 상기 무단 침입이 감지된 시간 구간에 대한 영상 정보 및 예측 정보를 포함하고, 상기 관리 서버는, 상기 사용자 단말에게 상기 예측 정보를 포함하는 제1 알림 메시지를 전송하고, 상기 무단 침입이 감지된 시간 구간에 대한 영상 정보에 기반하여 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 무단 침입이 감지된 대상에 대한 정보를 결정하고, 상기 무단 침입이 감지된 대상에 대한 정보를 포함하는 제2 알림 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말과 연동된 적어도 하나의 장치가 상기 제1 알림 메시지 및 상기 제2 알림 메시지에 기반하여 동작하고, 상기 센싱 정보 및 복수의 예측 범위 정보를 기반으로 상기 무단 침입 여부 및 상기 예측 정보가 결정되고, 상기 복수의 예측 범위 정보는 복수의 센싱 정보, 복수의 예측 정보 및 복수의 무단 침입이 감지된 대상에 대한 정보에 기반하여 학습된 뉴럴 네트워크를 이용하는 침입 예측 모델을 통해 결정될 수 있다.

Description

뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템{METHOD AND SYSTEM FOR AUTOMATICALLY NOTIFYING UNAUTHORIZED INTRUSION TO A USER TERMINAL BASED ON NEURAL NETWORKS}
본 개시의 실시예들은 사용자 단말에게 무단 침입을 자동으로 알리는 기술에 관한 것으로, 뉴럴 네트워크(neural network)를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템에 대한 것이다.
기존 무단 침입에 대한 보안 시스템은 무단 침입으로 인해 경보가 울리면 보안 업체의 당직 근무자가 상황을 인지하고, 고객에게 유선으로 상황을 안내하는 형태이다. 그러나, 당직 근무자의 업무 중복 등 다양한 이유로 고객에 대한 유선 안내가 늦춰지게 되면, 무단 침입에 대한 초도 조치가 미흡할 수 있고, 결과적으로 사태를 해결하는데 다양한 문제가 발생할 수 있다.
또한, 고객이 중요한 업무로 인해 당직 근무자로부터 유선 안내를 받지 못하게 되는 경우, 당직 근무자는 고객이 원하는 무단 침입에 대한 해결 방안을 확인하기 어렵기 때문에, 사태에 대한 장시간 방치 또는 보안 업체의 불필요한 출동으로 인해 다른 고객에게 불편을 초래할 수 있을 뿐만 아니라 보안 서비스에 대한 전반적인 비용이 증가할 수 있다.
따라서, 보안 구역에 대한 침입의 진위여부를 고객에게 정확하고 신속하게 알리기 위한 자동 알림 서비스가 필요하다. 이에, 뉴럴 네트워크를 기반으로 하는 자동 침입 알림 시스템을 도입하여 복수의 센싱 모듈 및 복수의 카메라 모듈을 연동하여 보안 구역에 대한 무단 침입을 실시간으로 감지하고, 무단 침입이 발생하면 관리 서버가 복수의 카메라 모듈로부터 획득한 영상 정보를 기반으로 감지 대상을 분석하여 사용자 단말에게 알림 메시지를 자동으로 전송하는 시스템이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크(neural network)를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템을 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 시스템은, 복수의 센싱 모듈 및 복수의 카메라 모듈과 연동되고, 상기 복수의 센싱 모듈로부터 획득된 센싱 정보에 기반하여 무단 침입을 감지하는 침입 감지 장치; 상기 침입 감지 장치를 제어하는 관리 서버; 상기 복수의 카메라 모듈로부터 획득된 영상 정보를 실시간으로 수신하는 관리자 단말 및 상기 무단 침입이 감지된 것에 기반하여 상기 관리 서버로부터 상기 무단 침입과 관련된 메시지를 수신하는 사용자 단말을 포함하되, 상기 침입 감지 장치는, 상기 무단 침입이 감지된 것에 기반하여 상기 관리 서버 및 상기 관리자 단말에게 침입 감지 메시지를 전송하고, 상기 침입 감지 메시지는 사전 설정된 시간 구간에 대한 센싱 정보, 상기 무단 침입이 감지된 시간 구간에 대한 영상 정보 및 예측 정보를 포함하고, 상기 관리 서버는, 상기 사용자 단말에게 상기 예측 정보를 포함하는 제1 알림 메시지를 전송하고, 상기 무단 침입이 감지된 시간 구간에 대한 영상 정보에 기반하여 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 무단 침입이 감지된 대상에 대한 정보를 결정하고, 상기 무단 침입이 감지된 대상에 대한 정보를 포함하는 제2 알림 메시지를 상기 사용자 단말에게 전송하고, 상기 사용자 단말과 연동된 적어도 하나의 장치가 상기 제1 알림 메시지 및 상기 제2 알림 메시지에 기반하여 동작하고, 상기 센싱 정보 및 복수의 예측 범위 정보를 기반으로 상기 무단 침입 여부 및 상기 예측 정보가 결정되고, 상기 복수의 예측 범위 정보는 복수의 센싱 정보, 복수의 예측 정보 및 복수의 무단 침입이 감지된 대상에 대한 정보에 기반하여 학습된 뉴럴 네트워크를 이용하는 침입 예측 모델을 통해 결정될 수 있다.
실시예들에 따르면, 관리 서버는 무단 침입이 감지된 시간 구간에 대한 영상 정보에 기반하여 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 무단 침입이 감지된 대상에 대한 정보를 결정함으로써, 감지 대상과 침입의 종류를 보다 정확하게 결정할 수 있고, 무단 침입이 감지된 대상에 대한 정보를 사용자 단말에게 자동으로 전송할 수 있다. 이를 통해, 관리자 단말이 별도로 사용자 단말에게 연락할 필요 없이 관리 서버로부터 무단 침입과 관련된 메시지가 전송됨으로써, 보안 서비스에 대한 효율을 높일 수 있다.
실시예들에 따르면, 관리 서버는 복수의 센싱 정보, 복수의 예측 정보 및 복수의 무단 침입이 감지된 대상에 대한 정보에 기반하여 학습된 뉴럴 네트워크를 이용하는 침입 예측 모델을 통해 복수의 예측 범위 정보를 결정하여 침입 감지 장치에게 전송할 수 있다. 이를 통해, 침입 감지 장치는 무단 침입이 감지된 직후 센싱된 데이터만으로 감지 대상을 정확하게 예측한 예측 정보를 침입 감지 메시지에 포함시켜 관리 서버에게 전송할 수 있다.
실시예들에 따르면, 관리 서버는 객체 분석 모델을 통해 감지 대상을 분석하기 이전에, 예측 정보를 포함하는 알림 메시지를 사용자 단말에게 전송함으로써, 무단 침입에 대한 초도 조치를 빠르게 수행할 수 있게 보조할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 시스템을 나타낸다.
도 4는 일 실시예에 따라 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법에 대한 신호교환도이다.
도 5는 일 실시예에 따른 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델에 대한 예를 나타낸 도면이다.
도 6은 일 실시예에 따른 뉴럴 네트워크를 기반으로 무단 침입을 사용자 단말에게 자동으로 알리는 방법에 대한 흐름도이다.
도 7은 일 실시예에 따른 관리 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시 형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 시스템을 나타낸다. 도 3의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 시스템(300)(이하, 자동 알림 시스템)은 침입 감지 장치(310), 관리 서버(320), 관리자 단말(330) 및 사용자 단말(340)을 포함할 수 있다.
침입 감지 장치(310)는 보안 구역의 특정 영역에 배치되어 해당 보안 구역에 침입하는 대상을 감지하는 장치일 수 있다. 예를 들어, 침입 감지 장치(310)는 복수의 센싱 모듈 및 복수의 카메라 모듈과 연동될 수 있다. 침입 감지 장치(310)는 보안 구역에 사전 설치된 복수의 센싱 모듈로부터 센싱 정보를 획득할 수 있다. 침입 감지 장치(310)는 보안 구역에 사전 설치된 복수의 카메라 모듈로부터 영상 정보를 획득할 수 있다. 침입 감지 장치(310)는 획득된 센싱 정보에 기반하여 무단 침입을 감지할 수 있다.
복수의 센싱 모듈은 적어도 하나의 진동 센서, 적어도 하나의 음향 센서, 적어도 하나의 무선 주파수 감지 센서 및 적어도 하나의 열 감지 센서를 포함할 수 있다. 복수의 센싱 모듈은 침입 감지 장치 외부의 환경 상태(예: 진동, 음파, 무선 주파수 및 온도)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다.
복수의 카메라 모듈은 보안 구역에 대한 정지 영상 및 동영상을 촬영할 수 있다. 복수의 카메라 모듈은 깊이 센서, 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
예를 들어, 침입 감지 장치(310)는 프로세서, 메모리 및 통신부를 포함할 수 있다. 침입 감지 장치(310)는 통신부를 통해 복수의 센싱 모듈이 보안 구역을 센싱한 센싱 정보를 수신할 수 있고, 복수의 카메라 모듈이 보안 구역을 촬영한 영상 정보를 수신할 수 있다. 침입 감지 장치(310)는 센싱 정보 및 메모리에 저장된 예측 범위 정보를 기반으로 프로세서를 통해 무단 침입 여부를 결정하고, 침입 감지에 대한 예측 정보를 결정할 수 있다. 침입 감지 장치(310)는 무단 침입이 감지된 것에 기반하여 통신부를 통해 침입 감지 메시지를 전송할 수 있다.
관리 서버(320)는 침입 감지 장치(310)를 제어하는 서버일 수 있다. 관리 서버(320)는 침입 감지 장치(310)를 제어하고, 관리자 단말(330)과 사전 연결되어 정보를 송수신함으로써, 사용자 단말(340)이 지정한 영역에 대한 보안 서비스를 제공하는 서버일 수 있다. 예를 들어, 관리 서버(320)는 침입 감지 장치(310)로부터 센싱 정보 및 영상 정보를 수신할 수 있다. 관리 서버(320)는 영상 정보를 실시간으로 관리자 단말(330)에게 전송할 수 있다. 또는, 관리 서버(320)와 관리자 단말(330) 사이의 통신 상태가 불안정한 경우, 침입 감지 장치(310)는 영상 정보를 실시간으로 관리자 단말(330)에게 전송할 수 있다. 예를 들어, 무단 침입이 감지된 경우, 관리 서버(320)는 무단 침입과 관련된 메시지를 사용자 단말(340)에게 전송할 수 있다. 예를 들어, 무단 침입이 감지된 경우, 관리 서버(320)는 영상 정보를 기반으로 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 무단 침입이 감지된 대상에 대한 정보를 결정할 수 있다. 예를 들어, 관리 서버(320)는 도 1의 서버(108)를 포함할 수 있다.
관리자 단말(330)은 보안 구역을 관리하는 관리자가 사용하는 단말일 수 있다. 예를 들어, 관리자 단말(330)은 도 1의 전자 장치(102)를 포함할 수 있다.
사용자 단말(340)은 자동 알림 시스템(300)을 통해 보안 구역에 무단 침입이 감지된 경우 자동으로 알림을 수신하는 단말일 수 있다. 사용자 단말(340)은 침입 감지 장치(310), 관리 서버(320) 및 관리자 단말(330)이 제공하는 보안 서비스를 이용하는 단말일 수 있다. 예를 들어, 사용자 단말(340)은 도 1의 전자 장치(102)를 포함할 수 있다.
사용자 단말(340)은 적어도 하나의 장치와 사전 연동될 수 있다. 예를 들어, 적어도 하나의 장치는 조명 장치(341) 또는 음향 출력 장치(342)를 포함할 수 있다. 예를 들어, 사용자 단말(340)은 근거리 무선 통신 네트워크를 통해 조명 장치(341) 또는 음향 출력 장치(342)와 사전 연동될 수 있다. 사용자 단말(340)은 사전 연동된 적어도 하나의 장치에 대한 정보를 관리 서버(320)에게 전송할 수 있다. 사용자 단말(340)은 관리 서버(320)로부터 수신한 무단 침입과 관련된 메시지에 기반하여 조명 장치(341) 또는 음향 출력 장치(342)에게 동작을 지시하는 지시 메시지를 전송함으로써, 조명 장치(341) 또는 음향 출력 장치(342)를 동작시킬 수 있다.
도 4는 일 실시예에 따라 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법에 대한 신호교환도이다. 도 4의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 단계 S401에서, 침입 감지 장치는 복수의 센싱 모듈로부터 센싱 정보를 획득할 수 있다.
여기서, 센싱 정보는 복수의 센싱 모듈이 침입 감지 장치가 설치된 보안 구역을 센싱한 정보일 수 있다. 복수의 센싱 모듈은 적어도 하나의 진동 센서, 적어도 하나의 음향 센서, 적어도 하나의 무선 주파수 감지 센서 및 적어도 하나의 열 감지 센서를 포함할 수 있다. 보안 구역은 외부에서 침입이 가능한 영역으로, 사전 설정된 구역일 수 있다.
예를 들어, 센싱 정보는 적어도 하나의 진동 센서에 의해 획득된 진동 데이터, 적어도 하나의 음향 센서에 의해 획득된 음향 데이터, 적어도 하나의 무선 주파수 감지 센서에 의해 획득된 무선 주파수 데이터 및 적어도 하나의 열 감지 센서에 의해 획득된 온도 데이터를 포함할 수 있다. 적어도 하나의 진동 센서는 가속도계(accelerometer)를 이용하여 진동 센서에 대한 충격으로부터 발생한 진동 주파수, 진폭 및 진동 패턴을 센싱할 수 있다. 적어도 하나의 음향 센서는 주변에서 발생한 소리를 기계적인 진동으로 변환하고, 변환된 진동 데이터를 디지털 신호로 변환함으로써, 음향 주파수, 진폭 및 음향 패턴을 센싱할 수 있다. 적어도 하나의 무선 주파수 감지 센서는 무전 주파수 수신기를 통해 다양한 주파수 대역에서 발생하는 무선 통신 신호의 무선 주파수 대역을 센싱할 수 있다. 이를 통해, 감지 대상이 스마트폰과 같은 전자기기를 소지한 경우, 적어도 하나의 무선 주파수 감지 센서는 해당 전자기기에서 발생하는 특정 대역의 무선 주파수를 센싱할 수 있다. 적어도 하나의 열 감지 센서는 적외선 센서를 통해 주변의 열 에너지를 온도 데이터로 변환함으로써, 온도 분포 및 온도의 변화량을 센싱할 수 있다.
예를 들어, 침입 감지 장치는 복수의 센싱 모듈로부터 센싱 정보를 획득할 수 있다. 센싱 정보는 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값을 포함할 수 있다. 여기서, 단위 시간은 초 단위일 수 있다.
단계 S402에서, 침입 감지 장치는 무단 침입을 감지할 수 있다.
침임 감지 장치는 센싱 정보 및 복수의 예측 범위 정보를 기반으로 무단 침입을 감지할 수 있다. 여기서, 예측 범위 정보는, 침입 감지 장치가 무단 침입으로 감지한 것으로 판단하기 위한, 복수의 센싱된 값들 각각의 범위에 대한 정보일 수 있다. 예측 범위 정보는 각각의 예측 정보에 대해 매칭된 범위 세트를 포함할 수 있다. 즉, 하나의 범위 세트는 하나의 예측 정보에 매칭될 수 있다. 예측 정보는 침입 감지 장치가 무단 침입으로 감지한 감지 대상과 침입의 종류 및 위험도를 예상한 정보일 수 있다. 예측 정보는 예상 감지 대상, 예상 침입의 종류 및 예상 위험도를 포함할 수 있다. 예를 들어, 범위 세트는 진동 주파수, 무선 주파수, 음향 주파수 및 온도 분포 각각에 대한 값의 범위 및 각각의 범위에 대한 지속 시간으로 구성될 수 있다. 여기서, 지속 시간은 해당 범위에 센싱 값이 포함된 상태로 유지되는 최소 시간일 수 있다. 예를 들어, 침입 감지 장치는 센싱 정보가 복수의 예측 범위 정보 중에서 어느 하나의 예측 범위 정보에 포함되는 것에 기반하여 무단 침입을 감지한 것으로 결정할 수 있다. 예를 들어, 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 복수의 범위 세트 중에서 어느 하나의 범위 세트에 포함되는 경우, 침입 감지 장치는 무단 침입을 감지한 것으로 결정할 수 있다. 예를 들어, 센싱 정보가 예측 범위 정보에 포함되는 것은 센싱 정보에 포함된 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 예측 범위 정보에 포함된 각각에 대한 값의 범위에 포함되고, 센싱 정보에 포함된 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 각각의 범위에 포함된 상태로 지속 시간을 만족시키는 것을 지칭할 수 있다.
침입 감지 장치는 센싱 정보 및 예측 범위 정보를 기반으로 예측 정보를 결정할 수 있다. 예를 들어, 침입 감지 장치는 무단 침입을 감지한 것으로 결정하게 된 범위 세트에 매칭된 예측 정보를 결정할 수 있다. 예를 들어, 침임 감지 장치는, 복수의 범위 세트 중에서 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 포함된 범위 세트에 대해, 해당 범위 세트에 매칭된 예측 정보를 결정할 수 있다. 예를 들어, 예측 정보, 예측 범위 정보 및 상기 예측 정보와 상기 예측 범위 정보 사이의 매칭 관계는 침임 감지 장치에 사전 설정될 수 있다. 예를 들어, 예측 정보, 예측 범위 정보 및 상기 예측 정보와 상기 예측 범위 정보 사이의 매칭 관계는 관리 서버로부터 침입 감지 장치에게 전송될 수 있다.
단계 S403에서, 침입 감지 장치는 무단 침입이 감지된 것에 기반하여 침입 감지 메시지를 관리 서버 및 관리자 단말에게 전송할 수 있다.
침입 감지 메시지는 침입 감지 장치가 침입을 감지한 것을 알리는 메시지일 수 있다. 예를 들어, 침입 감지 메시지는 사전 설정된 시간 구간에 대한 센싱 정보, 무단 침입이 감지된 시간 구간에 대한 영상 정보 및 예측 정보를 포함할 수 있다. 예를 들어, 사전 설정된 시간 구간은 무단 침입이 감지된 시점으로부터 사전 설정된 시간 이전의 시점부터 침입 감지 메시지를 전송하는 시점까지의 구간일 수 있다. 여기서, 사전 설정된 시간은 15분에서 30분 사이의 값으로 설정될 수 있다.
예를 들어, 침입 감지 장치는 복수의 카메라 모듈로부터 획득한 영상 중에서 무단 침입이 감지된 시간 구간에 대한 영상을 추출할 수 있다. 무단 침입이 감지된 시간 구간은 센싱 정보가 예측 범위 정보에 포함된 시간 구간일 수 있다. 예를 들어, 침입 감지 장치는 복수의 카메라 모듈로부터 획득한 영상 정보에서 센싱 정보가 예측 범위 정보에 포함되는 시간 구간에 해당하는 부분을 추출하여, 무단 침입이 감지된 시간 구간에 대한 영상 정보를 결정할 수 있다.
단계 S404에서, 관리자 단말은 스케줄 정보를 관리 서버에게 전송할 수 있다.
스케줄 정보는 침입 감지 장치가 구비된 보안 구역의 관리자에 대한 스케줄을 포함하는 정보일 수 있다. 예를 들어, 스케줄 정보는 해당 보안 구역의 관리자에 대한 순찰 구역, 순찰 시간 및 우선 순위를 나타내는 스케줄표를 포함할 수 있다. 예를 들어, 관리자 단말이 침입 감지 장치로부터 침입 감지 메시지를 수신한 것에 기반하여, 관리자 단말은 침입 감지 장치가 구비된 보안 구역의 관리자에 대한 스케줄 정보를 관리 서버에게 전송할 수 있다.
단계 S405에서, 관리 서버는 예측 정보를 포함하는 제1 알림 메시지를 사용자 단말에게 전송할 수 있다.
제1 알림 메시지는 무단 침입이 감지된 것을 사용자 단말에게 알리는 메시지일 수 있다. 예를 들어, 제1 알림 메시지는 예측 정보 및 제1 경고 텍스트를 포함할 수 있다. 제1 경고 텍스트는 예상 감지 대상, 예상 침입의 종류 및 예상 위험도에 매칭되는 텍스트로 결정될 수 있다. 예를 들어, 복수의 제1 경고 텍스트가 예상 감지 대상, 예상 침입의 종류 및 예상 위험도마다 상이하게 설정될 수 있다. 예를 들어, 관리 서버는 예측 정보에 기반하여 복수의 제1 경고 텍스트 중에서 예상 감지 대상, 예상 침입의 종류 및 예상 위험도에 매칭되는 제1 경고 텍스트를 결정할 수 있고, 결정된 제1 경고 텍스트를 제1 알림 메시지에 포함시킬 수 있다.
단계 S406에서, 사용자 단말은 제1 지시 메시지를 적어도 하나의 장치에게 전송할 수 있다.
적어도 하나의 장치는 사용자 단말과 사전에 연동된 장치일 수 있다. 예를 들어, 적어도 하나의 장치는 조명 장치 또는 음향 출력 장치 중 적어도 하나를 포함할 수 있다. 예를 들어, 사용자 단말은 근거리 통신 네트워크를 통해 적어도 하나의 장치와 사전에 연결될 수 있다.
제1 지시 메시지는 사용자 단말이 적어도 하나의 장치에 대한 동작을 지시하는 메시지일 수 있다. 예를 들어, 제1 지시 메시지는 제1 동작과 관련된 값을 포함할 수 있다. 예를 들어, 사용자 단말과 연동된 적어도 하나의 장치는 제1 동작과 관련된 값을 기반으로 예상 감지 대상, 예상 침입의 종류 및 예상 위험도에 매칭된 제1 동작을 수행할 수 있다. 예를 들어, 사용자 단말과 연동된 적어도 하나의 장치 각각에 대해 예상 감지 대상, 예상 침입의 종류 및 예상 위험도의 조합별로 매칭된 제1 동작과 관련된 값이 사전 설정될 수 있다.
예를 들어, 적어도 하나의 장치가 조명 장치인 경우, 제1 동작과 관련된 값은 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 제1 알림 메시지에 포함된 예측 정보에 기반하여 조명 장치에 대한 제1 동작과 관련된 값을 결정할 수 있다. 예를 들어, 조명의 세기에 대한 값은 루멘을 단위로 하는 값이며, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 조명의 색온도에 대한 값은 켈빈(kelvin, K)을 단위로 하는 값이며, 예상 감지 대상 및 예상 침입의 종류에 대한 값에 따라 상이하게 결정될 수 있다. 이때, 조명의 색온도에 대한 값은 1000K부터 10000K 사이의 값일 수 있고, 예상 감지 대상 및 예상 침입의 종류에 따른 예상 위험도가 높을수록 1000K에 가까운 값으로 결정될 수 있다. 예를 들어, 조명 시간에 대한 값은 초를 단위로 하는 값이며, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 조명 장치는 조명 시간동안 기존의 설정 값(예: 조명의 세기에 대한 기본 값 및 조명의 색온도에 대한 기본 값)을 조명의 세기에 대한 값 및 조명의 색온도에 대한 값으로 변경하여 동작할 수 있다. 조명 시간 이후, 조명 장치는 기존의 설정 값으로 동작할 수 있다.
예를 들어, 적어도 하나의 장치가 음향 출력 장치인 경우, 제1 동작과 관련된 값은 음향의 세기에 대한 값, 음향의 높낮이에 대한 값, 출력 속도에 대한 값 및 출력 횟수에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 제1 알림 메시지에 포함된 예측 정보에 기반하여 음향 출력 장치에 대한 제1 동작과 관련된 값을 결정할 수 있다. 예를 들어, 음향의 세기에 대한 값은 데시벨(decibel, DB)을 단위로 하는 값이며, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 음향의 높낮이에 대한 값은 헤르츠를 단위로 하는 값이며, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 출력 속도에 대한 값은 예상 감지 대상 및 예상 침입의 종류에 매칭된 음향을 출력하는 속도에 대한 배수를 나타내는 값이며, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 즉, 출력 속도에 대한 값은 기본 속도로 설정된 값에 대한 배수 값을 포함할 수 있고, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 출력 횟수에 대한 값은 예상 감지 대상 및 예상 침입의 종류에 매칭된 음향을 출력하는 횟수를 나타내는 값이며, 예상 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 예상 감지 대상 및 예상 침입의 종류마다 상이한 음향이 음향 출력 장치에 사전 저장될 수 있다. 예를 들어, 예상 감지 대상 및 예상 침입의 종류에 매칭된 음향은 예상 감지 대상과 예상 침입의 종류를 표현한 텍스트 데이터가 변환된 음향일 수 있다.
이를 통해, 사용자 단말과 연동된 적어도 하나의 장치는 사용자 단말로부터 수신한 제1 지시 메시지에 기반하여 작동될 수 있다.
단계 S407에서, 관리 서버는 무단 침입이 감지된 시간 구간에 대한 영상 정보에 기반하여 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 무단 침입이 감지된 대상에 대한 정보를 결정할 수 있다.
관리 서버는 무단 침입이 감지된 시간 구간에 대한 영상 정보에 대한 데이터 전처리를 통해 시간 구간별 이미지 벡터를 생성할 수 있다. 이미지 벡터는 복수의 픽셀 값으로 구성될 수 있다.
예를 들어, 객체 분석 모델은 YOLO(you only look once) 기반의 탐색 모델 및 CNN 기반의 분류 모델을 포함할 수 있다. 여기서, YOLO 모델은 바운딩 박스 조정(bounding box coordinate)과 분류(classification)를 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 인공지능 알고리즘이다. 예를 들어, YOLO는 이미지 벡터를 사전 설정된 사이즈의 그리드로 분할하고, 각 그리드 셀은 해당 영역에서 객체, 즉, 감지 대상이 존재할 확률을 예측할 수 있다. YOLO는 분할된 그리드를 기반으로 감지 대상이 존재하는 위치를 예측하고, 해당 위치에 바운딩 박스를 설정할 수 있다. 이때, YOLO는 네트워크를 통해 이미지 벡터를 한 번만 처리하면서 객체를 탐하기 때문에, 다른 뉴럴 네트워크 모델보다 빠른 속도로 감지 대상의 위치 좌표를 파악할 수 있다. 관리 서버는 바운딩 박스의 시작 좌표와 높이, 너비 정보 및 바운딩 박스의 깊이 정보를 기반으로 해당 이미지 내 감지 대상의 위치 좌표를 파악할 수 있다. YOLO는 사전 설정된 단계의 특징 추출 레이어를 사용할 수 있다. YOLO는 객체의 위치와 클래스를 동시에 예측하기 위해, 탐지된 객체와 실제 객체 간의 차이를 측정하는 손실 함수는 객체의 존재 여부를 판단하는 컨피던스 손실(confidence loss) 함수와 바운딩 박스의 위치를 조정하기 위한 지역화 손실(localization loss) 함수, 그리고, 객체의 클래스를 예측하기 위한 클래스 손실 함수로 구성될 수 있고, 이를 최소화하는 방향으로 학습될 수 있다.
예를 들어, 관리 서버는 시간 구간별 이미지 벡터 및 시간 구간별 감지 대상 벡터를 CNN 기반의 분류 모델에 입력시킴으로써, 감지 대상에 대한 값 및 침입의 종류에 대한 값을 획득할 수 있다.
감지 대상에 대한 값은 복수의 감지 대상 중 어느 하나의 감지 대상을 나타내는 값일 수 있다. 예를 들어, 복수의 감지 대상은 크게 사람, 동물, 물체로 분류될 수 있다. 이때, 사람은 사람의 체형 및 흉기의 소지 여부에 따라 구분될 수 있다. 예를 들어, 사람의 체형은 왜소한 체형, 일반 체형 및 덩치가 큰 체형을 포함할 수 있다. 예를 들어, 감지 대상이 사람인 경우, 감지 대상에 대한 값은 사람의 체형별로 매칭된 값과 흉기의 소지 여부를 나타내는 값을 포함할 수 있다. 동물은 위험 동물과 비위험 동물로 구분될 수 있다. 예를 들어, 위험 동물은 사람에게 위험을 초래하거나 손상을 입힐 수 있는 동물이며, 위험 동물은 대형 동물, 공격성이 높은 동물 및 독성을 가진 동물을 포함할 수 있다. 위험 동물 이외의 동물은 비위험 동물로 결정될 수 있다. 예를 들어, 감지 대상이 동물인 경우, 감지 대상에 대한 값은 위험 동물과 관련된 값 또는 비위험 동물에 대한 값을 포함할 수 있다. 예를 들어, 위험 동물인 경우, 감지 대상에 대한 값은 위험 동물과 관련된 값을 포함하고, 위험 동물과 관련된 값은 대형 동물을 나타내는 값, 공격성이 높은 동물을 나타내는 값 또는 독성을 가진 동물을 나타내는 값 중 적어도 하나의 값을 포함할 수 있다. 예를 들어, 감지 대상이 물체인 경우, 감지 대상에 대한 값은 물체를 나타내는 값을 포함할 수 있다.
침입의 종류에 대한 값은 복수의 침입의 종류 중에서 적어도 하나의 침입의 종류를 나타내는 값일 수 있다. 예를 들어, 복수의 침입의 종류는 중요 영역에 대한 침입, 보호 영역에 대한 침입 및 경계 영역에 대한 침입을 포함할 수 있다. 중요 영역에 대한 침입은 보안 구역 내 중요 영역으로 설정된 위치로 감지 대상이 침입한 케이스일 수 있다. 보호 영역에 대한 침입은 보안 구역 내 보호 영역으로 설정된 위치로 감지 대상이 침입한 케이스일 수 있다. 보호 영역은 중요 영역보다 보안의 중요도가 떨어지지만 보호가 필요한 영역일 수 있다. 경계 영역에 대한 침입은 보안 구역 내 외부로부터 침입을 판단하는 경계 영역의 위치로 감지 대상이 침입한 케이스일 수 있다. 예를 들어, 복수의 침입의 종류 각각을 나타내는 값은 관리 서버에 사전 설정될 수 있다.
예를 들어, CNN 기반의 분류 모델은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 이미지 벡터, 복수의 감지 대상 벡터, 복수의 기준 대상 벡터, 복수의 정답 감지 대상에 대한 값 및 복수의 정답 침입의 종류에 대한 값으로 구성된 각각의 학습 데이터는 CNN 기반의 뉴럴 네트워크의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, CNN 기반의 뉴럴 네트워크의 파라미터는 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 관리 서버는 사전 설정된 보안 구역에 대한 정보, 침입 감지 메시지를 수신한 시간, 감지 대상에 대한 값 및 침입의 종류에 대한 값에 기반하여 위험도를 결정할 수 있다. 사전 설정된 보안 구역에 대한 정보는 침임 감지 장치가 구비된 설치 구역, 즉, 보안 구역에 대한 정보일 수 있다. 예를 들어, 사전 설정된 보안 구역에 대한 정보는 보안 구역의 위치 정보, 보안 구역의 중요도 정보 및 보안 구역 내부의 각 영역에 대한 정보를 포함할 수 있다. 보안 구역의 중요도 정보는 다른 보안 구역에 비해 상대적으로 중요한 정도를 나타내는 정보일 수 있다. 예를 들어, 중요도는 1에서 10 사이의 값을 가질 수 있고, 관리 서버에 사전 설정될 수 있다. 이때, 중요도는 사용자 단말이 관리 서버에게 전송한 보안 서비스에 대한 정보에 기반하여 결정될 수 있다. 보안 서비스에 대한 정보는 결제 금액 및 결제 서비스의 종류를 포함할 수 있다. 보안 구역 내부의 각 영역에 대한 정보는 보안 구역의 총 면적, 보안 구역 내 중요 영역의 위치 및 면적, 보안 구역 내 보호 영역의 위치 및 면적, 보안 구역 내 경계 영역의 위치 및 면적을 포함할 수 있다.
부가적으로, 예를 들어, 위험도는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Dscore는 상기 위험도이고, 상기 는 상기 침입 감지 메시지를 수신한 시간에 따른 시간 가중치이고, 상기 Iarea는 상기 보안 구역에 대한 중요도이고, 상기 Idef는 중요도에 대한 기본 값이고, 상기 Atotal은 상기 보안 구역의 총 면적이고, 상기 Aimp는 상기 보안 구역 내 중요 영역의 총 면적이고, 상기 D1은 상기 감지 대상에 대한 값에 매칭된 제1 위험도이고, 상기 D2는 상기 침입의 종류에 대한 값에 따른 제2 위험도일 수 있다.
예를 들어, 시간 가중치는 침입 감지 메시지를 수신한 시간이 사전 설정된 위험 시간 구간에 포함된 경우에 대한 가중치일 수 있다. 예를 들어, 사전 설정된 위험 시간 구간은 사용자 단말에 의해 결정될 수 있다. 이때, 사전 설정된 위험 시간 구간이 오후 8시부터 오전 5시인 경우, 침입 감지 메시지를 수신한 시간이 오후 8시부터 오전 5시 사이에 포함되면 시간 가중치는 1로 결정될 수 있고, 침입 감지 메시지를 수신한 시간이 오전 5시부터 오후 8시 사이에 포함되면 시간 가중치는 0.8로 결정될 수 있다.
예를 들어, 보안 구역에 대한 중요도, 보안 구역의 총 면적 및 보안 구역 내 중요 영역의 총 면적은 사전 설정된 보안 구역에 대한 정보에 포함될 수 있다.
예를 들어, 중요도에 대한 기본 값은 관리 서버에 의해 사전 설정될 수 있다.
예를 들어, 감지 대상에 대한 값마다 매칭되는 제1 위험도가 관리 서버에 사전 저장될 수 있다. 여기서, 제1 위험도는 0에서 50 사이의 값을 가질 수 있다. 예를 들어, 감지 대상에 대한 값이 사람을 나타내는 경우, 흉기를 소지한 경우에 제1 위험도가 높게 설정될 수 있고, 사람의 체형이 큰 체형일수록 제1 위험도가 높게 설정될 수 있다. 예를 들어, 감지 대상에 대한 값이 동물을 나타내는 경우, 위험 동물인 경우에 제1 위험도가 높게 설정될 수 있다. 또한, 감지 대상에 대한 값이 위험 동물을 나타내는 경우, 대형 동물, 공격성이 높은 동물 및 독성을 가진 동물에 해당하는 수만큼 제1 위험도가 높게 설정될 수 있다. 예를 들어, 감지 대상에 대한 값이 물체를 나타내는 경우가 가장 낮은 제1 위험도를 가질 수 있다.
예를 들어, 침입의 종류에 대한 값에 따른 제2 위험도는 0에서 50 사이의 값을 가질 수 있다. 예를 들어, 침입의 종류에 대한 값에 포함된 적어도 하나의 침입의 종류를 나타내는 값 각각에 대한 위험도를 합산한 값이 제2 위험도로 결정될 수 있다. 예를 들어, 중요 영역에 대한 침입을 나타내는 값에 따른 위험도는 보호 영역에 대한 침입을 나타내는 값에 따른 위험도보다 크게 결정될 수 있다. 보호 영역에 대한 침입을 나타내는 값에 따른 위험도는 경계 영역에 대한 침입을 나타내는 값에 따른 위험도보다 크게 결정될 수 있다. 예를 들어, 침입의 종류에 대한 값이 중요 영역에 대한 침입을 나타내는 값을 포함한 경우에는 위험도는 30으로 결정될 수 있다. 침입의 종류에 대한 값이 보호 영역에 대한 침입을 나타내는 값을 포함한 경우에는 위험도는 15로 결정될 수 있다. 침입의 종류에 대한 값이 경계 영역에 대한 침입을 나타내는 값을 포함한 경우에는 위험도는 5로 결정될 수 있다. 예를 들어, 침입의 종류에 대한 값이 모든 영역에 대한 침입을 나타내는 값을 포함한 경우에는 30, 15 및 5를 모두 합산한 50으로 제2 위험도가 결정될 수 있다.
예를 들어, min 함수는 괄호 내 두 값 중에서 더 작은 값을 출력하는 함수일 수 있다.
이를 통해, 관리 서버는 감지 대상 및 침입의 종류 뿐만 아니라 보안 구역과 침입 시간까지 고려하여 효과적으로 위험도를 결정할 수 있다.
예를 들어, 무단 침입이 감지된 대상에 대한 정보는 감지 대상, 침입의 종류 및 위험도를 포함할 수 있다. 감지 대상이 사람인 경우, 사람의 체형 및 흉기 소지 여부를 나타낼 수 있다. 감지 대상이 동물인 경우, 감지 대상은 위험 동물인지 여부와 위험 동물인 경우에는 대형 동물, 공격성이 높은 동물 또는 독성을 가진 동물 중 적어도 하나를 나타낼 수 있다. 감지 대상이 물체인 경우, 감지 대상은 물체를 나타낼 수 있다. 침입의 종류는 중요 영역에 대한 침입, 보호 영역에 대한 침입 또는 경계 영역에 대한 침입 중 적어도 하나를 나타낼 수 있다. 위험도는 0부터 100 사이의 값을 나타낼 수 있다.
단계 S408에서, 관리 서버는 출동 요청 메시지를 관리자 단말에게 전송할 수 있다.
출동 요청 메시지는 관리자 단말에게 무단 침입을 감지한 침입 감지 장치가 구비된 보안 구역으로 출동하는 것을 요청하는 메시지일 수 있다. 예를 들어, 복수의 관리자 단말 중에서 스케줄 정보에 기반하여 현재 이동 가능한 관리자 단말이 결정될 수 있다. 예를 들어, 관리 서버는 현재 이동 가능한 관리자 단말 중에서 보안 구역과 가장 가까운 거리에 위치한 관리자 단말에게 출동 요청 메시지를 전송할 수 있다. 예를 들어, 관리 서버는 복수의 관리자 단말로부터 실시간으로 위치 정보를 수신함으로써, 각 관리자 단말에 대한 실시간 위치를 파악할 수 있다. 예를 들어, 출동 요청 메시지는 무단 침입을 감지한 침입 감지 장치가 구비된 보안 구역의 위치 정보를 포함할 수 있다.
예를 들어, 위험도가 사전 설정된 위험도 이상인 경우, 관리 서버는 출동 요청 메시지를 관리자 단말에게 전송할 수 있다.
단계 S409에서, 관리 서버는 무단 침입이 감지된 대상에 대한 정보를 포함하는 제2 알림 메시지를 사용자 단말에게 전송할 수 있다.
제2 알림 메시지는 무단 침입이 감지된 대상을 분석한 것을 사용자 단말에게 알리는 메시지일 수 있다. 예를 들어, 제2 알림 메시지는 무단 침입이 감지된 대상에 대한 정보 및 제2 경고 텍스트를 포함할 수 있다. 제2 경고 텍스트는 감지 대상, 침입의 종류 및 위험도에 매칭되는 텍스트로 결정될 수 있다. 예를 들어, 복수의 제2 경고 텍스트가 감지 대상, 침입의 종류 및 위험도마다 상이하게 설정될 수 있다. 예를 들어, 관리 서버는 무단 침입이 감지된 대상에 대한 정보에 기반하여 복수의 제2 경고 텍스트 중에서 감지 대상, 침입의 종류 및 위험도에 매칭되는 제2 경고 텍스트를 결정할 수 있고, 결정된 제2 경고 텍스트를 제2 알림 메시지에 포함시킬 수 있다.
단계 S410에서, 사용자 단말은 제2 지시 메시지를 적어도 하나의 장치에게 전송할 수 있다.
제2 지시 메시지는 사용자 단말이 적어도 하나의 장치에 대한 동작을 지시하는 메시지일 수 있다. 예를 들어, 제2 지시 메시지는 제2 동작과 관련된 값을 포함할 수 있다. 예를 들어, 사용자 단말과 연동된 적어도 하나의 장치는 제2 동작과 관련된 값을 기반으로 감지 대상, 침입의 종류 및 위험도에 매칭된 제2 동작을 수행할 수 있다. 예를 들어, 사용자 단말과 연동된 적어도 하나의 장치 각각에 대해 감지 대상, 침입의 종류 및 위험도의 조합별로 매칭된 제2 동작과 관련된 값이 사전 설정될 수 있다.
예를 들어, 적어도 하나의 장치가 조명 장치인 경우, 제2 동작과 관련된 값은 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 제2 알림 메시지에 포함된 무단 침입이 감지된 대상에 대한 정보에 기반하여 조명 장치에 대한 제2 동작과 관련된 값을 결정할 수 있다. 예를 들어, 조명의 세기에 대한 값은 루멘을 단위로 하는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 조명 시간에 대한 값은 초를 단위로 하는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 조명의 색온도에 대한 값은 켈빈(kelvin, K)을 단위로 하는 값이며, 감지 대상 및 침입의 종류에 대한 값에 따라 상이하게 결정될 수 있다. 이때, 조명의 색온도에 대한 값은 1000K부터 10000K 사이의 값일 수 있고, 감지 대상 및 침입의 종류에 따른 위험도가 높을수록 1000K에 가까운 값으로 결정될 수 있다. 예를 들어, 조명 시간에 대한 값은 초를 단위로 하는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 조명 장치는 조명 시간동안 기존의 설정 값(예: 조명의 세기에 대한 기본 값 및 조명의 색온도에 대한 기본 값)을 조명의 세기에 대한 값 및 조명의 색온도에 대한 값으로 변경하여 동작할 수 있다. 조명 시간 이후, 조명 장치는 기존의 설정 값으로 동작할 수 있다.
예를 들어, 적어도 하나의 장치가 음향 출력 장치인 경우, 제2 동작과 관련된 값은 음향의 세기에 대한 값, 음향의 높낮이에 대한 값, 출력 속도에 대한 값 및 출력 횟수에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 제2 알림 메시지에 포함된 무단 침입이 감지된 대상에 대한 정보에 기반하여 음향 출력 장치에 대한 제2 동작과 관련된 값을 결정할 수 있다. 예를 들어, 음향의 세기에 대한 값은 데시벨(decibel, DB)을 단위로 하는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 음향의 높낮이에 대한 값은 헤르츠를 단위로 하는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 출력 속도에 대한 값은 감지 대상 및 침입의 종류에 매칭된 음향을 출력하는 속도에 대한 배수를 나타내는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 즉, 출력 속도에 대한 값은 기본 속도로 설정된 값에 대한 배수 값을 포함할 수 있고, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 출력 횟수에 대한 값은 감지 대상 및 침입의 종류에 매칭된 음향을 출력하는 횟수를 나타내는 값이며, 위험도가 높을수록 큰 값으로 결정될 수 있다. 예를 들어, 감지 대상 및 침입의 종류마다 상이한 음향이 음향 출력 장치에 사전 저장될 수 있다. 예를 들어, 감지 대상 및 침입의 종류에 매칭된 음향은 예상 감지 대상과 예상 침입의 종류를 표현한 텍스트 데이터가 변환된 음향일 수 있다.
이를 통해, 사용자 단말과 연동된 적어도 하나의 장치는 사용자 단말로부터 수신한 제2 지시 메시지에 기반하여 작동될 수 있다.
부가적으로, 예를 들어, 감지 대상에 대한 값, 침입의 종류에 대한 값과 위험도에 따른 감지 벡터와 예상 감지 대상에 대한 값, 예상 침입의 종류에 대한 값 및 예상 위험도에 따른 예측 벡터 사이의 유사도가 사전 설정된 유사도 이하인 경우, 제2 동작과 관련된 값은 제1 동작과 관련된 값과 동일할 수 있다. 예를 들어, 벡터 사이의 유사도는 벡터 사이의 거리 값으로 결정될 수 있다. 이때, 벡터 사이의 거리 값은 유클리드 거리, 맨하튼 거리, 코사인 거리 중 적어도 하나의 값으로 결정될 수 있다. 유클리드 거리는 두 벡터 사이의 직선거리를 나타내며, 를 통해 계산될 수 있다. 감지 벡터의 i번째 차원의 값이 맨하튼 거리는 격자 형태의 지도에서 한 점에 도달하기 위한 거리를 나타내며, 를 통해 계산될 수 있다. 코사인 거리는 두 벡터 간의 코사인 각도가 유사한 정도를 나타내는 값으로, 를 통해 계산될 수 있다. 여기서, n은 벡터를 구성하는 차원의 수, pi는 감지 벡터의 i번째 차원의 값, qi는 예측 벡터의 i번째 차원의 값일 수 있다.
단계 S411에서, 관리자 단말은 출동 완료 메시지를 관리 서버에게 전송할 수 있다.
출동 요청 메시지는 관리자 단말이 무단 침입을 감지한 침입 감지 장치가 구비된 보안 구역으로 출동을 완료한 것을 알리는 메시지일 수 있다. 예를 들어, 출동 완료 메시지는 보안 구역에 도착한 시간 및 사후 조치에 대한 정보를 포함할 수 있다. 예를 들어, 사후 조치에 대한 정보는 무단 침입을 해결한 조치에 대한 정보일 수 있다. 예를 들어, 사후 조치에 대한 정보는 감지 대상에 대한 진압 여부 및 진압 시간, 감지 대상에 대한 인도 여부 및 인도 시간, 보안 구역에 대한 정비 여부 및 정비 시간 등과 같이 사후 조치의 종류에 따른 정보를 포함할 수 있다.
단계 S412에서, 관리 서버는 제3 알림 메시지를 사용자 단말에게 전송할 수 있다.
제3 알림 메시지는 보안 구역에 대한 조치가 완료된 것을 사용자 단말에게 알리는 메시지일 수 있다. 예를 들어, 제3 알림 메시지는 사후 조치에 대한 정보를 포함할 수 있다.
단계 S413에서, 사용자 단말은 제3 지시 메시지를 적어도 하나의 장치에게 전송할 수 있다.
제3 지시 메시지는 사용자 단말이 적어도 하나의 장치에 대한 동작을 지시하는 메시지일 수 있다. 예를 들어, 제3 지시 메시지는 제3 동작과 관련된 값을 포함할 수 있다. 예를 들어, 사용자 단말과 연동된 적어도 하나의 장치는 제3 동작과 관련된 값을 기반으로 조치의 종류에 매칭된 제3 동작을 수행할 수 있다.
예를 들어, 적어도 하나의 장치가 조명 장치인 경우, 제3 동작과 관련된 값은 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값을 포함할 수 있다. 이때, 제3 동작과 관련된 값은 전원의 온오프를 지시하는 값을 더 포함할 수 있다. 예를 들어, 사용자 단말은 제3 알림 메시지에 포함된 사후 조치에 대한 정보에 기반하여 조명 장치에 대한 제3 동작과 관련된 값을 결정할 수 있다. 예를 들어, 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값은 사후 조치의 종류 각각에 대해 매칭될 수 있다. 예를 들어, 사후 조치의 종류마다 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값이 상이할 수 있다. 예를 들어, 조명 장치는 제3 지시 메시지를 수신한 후, 조명 시간동안 기존의 설정 값(예: 조명의 세기에 대한 기본 값 및 조명의 색온도에 대한 기본 값)을 조명의 세기에 대한 값 및 조명의 색온도에 대한 값으로 변경하여 동작할 수 있다. 조명 시간 이후, 조명 장치는 기존의 설정 값으로 동작할 수 있다. 또는, 예를 들어, 제3 동작과 관련된 값에 전원의 오프를 지시하는 값이 포함된 경우, 조명 장치는 조명 시간동안 기존의 설정 값(예: 조명의 세기에 대한 기본 값 및 조명의 색온도에 대한 기본 값)을 조명의 세기에 대한 값 및 조명의 색온도에 대한 값으로 변경하여 동작할 수 있고, 조명 시간 이후 전원이 오프될 수 있다.
예를 들어, 적어도 하나의 장치가 음향 출력 장치인 경우, 제3 동작과 관련된 값은 음향의 세기에 대한 값, 음향의 높낮이에 대한 값 및 출력 속도에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 제3 알림 메시지에 포함된 사후 조치에 대한 정보에 기반하여 음향 출력 장치에 대한 제3 동작과 관련된 값을 결정할 수 있다. 예를 들어, 음향의 세기에 대한 값, 음향의 높낮이에 대한 값 및 출력 속도에 대한 값은 사후 조치의 종류 각각에 대해 매칭된 값일 수 있다. 사후 조치의 종류마다 음향의 세기에 대한 값, 음향의 높낮이에 대한 값 및 출력 속도에 대한 값이 상이할 수 있다. 예를 들어, 사후 조치의 종류마다 상이한 출력음을 출력하도록 음향 출력 장치가 사전 설정될 수 있다.
단계 S414에서, 관리 서버는 복수의 예측 범위 정보를 침입 감지 장치에게 전송할 수 있다.
복수의 예측 범위 정보는 복수의 센싱 정보, 복수의 예측 정보 및 복수의 무단 침입이 감지된 대상에 대한 정보에 기반하여 학습된 뉴럴 네트워크를 이용하는 침입 예측 모델을 통해 결정될 수 있다. 예를 들어, 복수의 예측 범위 정보는 관리 서버에 의해 주기적으로 업데이트될 수 있다.
예를 들어, 관리 서버는 복수의 센싱 정보 각각에 대한 데이터 전처리를 통해 진동 벡터, 주파수 벡터, 음향 벡터 및 온도 벡터로 구성된 센싱 데이터 세트를 하나의 센싱 정보마다 생성할 수 있다. 진동 벡터는 사전 설정된 시간 구간에 대한 단위 시간당 진동 주파수에 대한 값으로 구성될 수 있다. 무선 주파수 벡터는 사전 설정된 시간 구간에 대한 단위 시간당 무선 주파수에 대한 값으로 구성될 수 있다. 음향 벡터는 사전 설정된 시간 구간에 대한 단위 시간당 감지된 음향 주파수에 대한 값으로 구성될 수 있다. 온도 벡터는 사전 설정된 시간 구간에 대한 단위 시간당 온도 분포에 대한 값으로 구성될 수 있다. 온도 분포에 대한 값은 열 감지 센서에 의해 센싱되는 보안 구역의 위치 좌표별 온도에 대한 값일 수 있다. 사전 설정된 시간 구간은 무단 침입이 감지된 시점으로부터 사전 설정된 시간 이전의 시점부터 침입 감지 메시지를 전송하는 시점까지의 구간일 수 있다.
예를 들어, 관리 서버는 복수의 예측 정보에 대한 데이터 전처리를 통해 감지 대상에 대한 예상 값, 침입의 종류에 대한 예상 값 및 예상 위험도를 포함하는 예측 벡터를 하나의 침입 감지에 대한 예측 정보마다 생성할 수 있다.
감지 대상에 대한 예상 값은 복수의 감지 대상 중에서 어느 하나의 감지 대상으로 예상한 값일 수 있다. 예를 들어, 감지 대상에 대한 예상 값은 상술한 감지 대상에 대한 값과 동일한 방식으로 나타낼 수 있다. 예를 들어, 예상한 감지 대상이 사람인 경우, 감지 대상에 대한 예상 값은 사람의 체형별로 매칭된 값과 흉기의 소지 여부를 나타내는 값을 포함할 수 있다. 예를 들어, 예상한 감지 대상이 동물인 경우, 감지 대상에 대한 예상 값은 위험 동물과 관련된 값 또는 비위험 동물에 대한 값을 포함할 수 있다. 예를 들어, 예상한 감지 대상이 위험 동물인 경우, 감지 대상에 대한 예상 값은 위험 동물과 관련된 값을 포함하고, 위험 동물과 관련된 값은 대형 동물을 나타내는 값, 공격성이 높은 동물을 나타내는 값 또는 독성을 가진 동물을 나타내는 값 중 적어도 하나의 값을 포함할 수 있다. 예를 들어, 예상한 감지 대상이 물체인 경우, 감지 대상에 대한 예상 값은 물체를 나타내는 값을 포함할 수 있다.
침입의 종류에 대한 예상 값은 복수의 침입의 종류 중에서 적어도 하나의 침입의 종류로 예상한 값일 수 있다. 예를 들어, 침입의 종류에 대한 예상 값은 상술한 침입의 종류에 대한 값과 동일한 방식으로 나타낼 수 있다. 예를 들어, 예상한 침입의 종류가 경계 영역에 대한 침입인 경우, 침입의 종류에 대한 예상 값은 경계 영역에 대한 침입을 나타내는 값을 포함할 수 있다.
예상 위험도는 사전 설정된 보안 구역에 대한 정보, 침입 감지 메시지를 수신한 시간, 감지 대상에 대한 예상 값 및 침입의 종류에 대한 예상 값에 기반하여 결정될 수 있다. 예를 들어, 예상 위험도는 사전 설정된 보안 구역에 대한 정보, 침입 감지 메시지를 수신한 시간, 감지 대상에 대한 예상 값 및 침입의 종류에 대한 예상 값에 상술한 수학식 1을 적용하여 결정될 수 있다.
예를 들어, 관리 서버는 복수의 무단 침입이 감지된 대상에 대한 정보에 대한 데이터 전처리를 통해 감지 대상에 대한 값, 침입의 종류에 대한 값 및 위험도를 포함하는 감지 벡터를 하나의 무단 침입이 감지된 대상에 대한 정보마다 생성할 수 있다.
예를 들어, 침입 예측 모델에 사용되는 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 센싱 데이터 세트, 복수의 감지 벡터, 복수의 정답 예측 벡터 및 복수의 정답 예측 범위 정보로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, 상기 뉴럴 네트워크의 파라미터는 상기 손실 값이 작아지는 방향으로 학습될 수 있다.
학습 데이터로 사용되는 하나의 센싱 데이터 세트와 하나의 감지 벡터는 하나의 정답 예측 벡터 및 하나의 정답 예측 범위 정보와 매칭되어 하나의 학습 데이터 세트로 구성될 수 있다. 하나의 정답 예측 범위 정보는 진동 주파수, 무선 주파수, 음향 주파수 및 온도 분포 각각에 대한 값의 범위 및 각각의 범위에 대한 지속 시간으로 구성될 수 있다. 예를 들어, 복수의 학습 데이터 세트가 관리 서버에 사전 저장될 수 있다.
예를 들어, 정답 예측 벡터와 감지 벡터 사이의 유사도가 사전 설정된 유사도 이하인 경우, 침입 예측 모델은 해당 센싱 데이터 세트를 정답 예측 범위 정보에 포함시킬 수 있다. 예를 들어, 정답 예측 벡터와 감지 벡터 사이의 유사도가 사전 설정된 유사도를 초과하는 경우, 침입 예측 모델은 정답 예측 벡터를 감지 벡터로 변경할 수 있다.
이를 통해, 관리 서버는 센싱 정보와 예측 범위 정보에 따른 예측 정보가 실제 감지된 대상 정보에 가깝게 결정되도록, 침입 예측 모델을 학습시킬 수 있다
도 5는 일 실시예에 따른 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델에 대한 예를 나타낸 도면이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다
도 5를 참조하면, 객체 분석 모델(500)은 YOLO 기반의 탐색 모델(510)과 CNN 기반의 분류 모델(520)을 포함할 수 있다.
YOLO 기반의 탐색 모델(510)은 백본 네트워크(backbone network)와 감지 네트워크(detection network)로 구성되며, 백본 네트워크는 모델 크기에 따라 상이한 개수의 컨벌루션 레이어와 FC(fully connected) 레이어를 포함할 수 있다. 이때, 백본 네트워크는 CSPDarknet53을 기반으로 사전 훈련된 네트워크가 사용될 수 있다. CSPDarknet53은 Darknet-53 백본 아키텍처를 개선한 것으로, CSP(Cross Stage Partial connections)를 도입하여 효율적인 특징 추출과 그래디언트 전파를 수행하게 할 수 있다. 백본 네트워크의 모델 크기는 소형, 중형, 대형 및 초대형을 포함할 수 있다. 소형 백본 네트워크는 28개의 컨벌루션 레이어와 2개의 FC 레이어를 포함할 수 있다. 중형 백본 네트워크는 35개의 컨벌루션 레이어와 3개의 FC 레이어를 포함할 수 있다. 대형 백본 네트워크는 52개의 컨벌루션 레이어와 4개의 FC 레이어를 포함할 수 있다. 초대형 백본 네트워크는 71개의 컨벌루션 레이어와 5개의 FC 레이어를 포함할 수 있다. 이때, 컨벌루션 레이어는 채널 사이의 상호작용을 조절하는 1X1 컨벌루션 레이어와 공간 패턴을 학습하는 3X3 컨벌루션 레이어가 교차로 배치되어 모델의 복잡성을 낮추고 성능을 향상시킬 수 있다.
부가적으로, 예를 들어, 백본 네트워크에 입력되는 이미지 벡터의 총 개수 및 각 이미지 벡터의 해상도에 기반하여 컨벌루션 레이어의 개수 및 FC 레이어의 개수를 포함하는 백본 네트워크의 모델 크기가 결정될 수 있다.
예를 들어, 백본 네트워크의 컨벌루션 레이어의 개수 및 FC 레이어의 개수는 수학식 2에 의해 결정될 수 있다.
상기 수학식 2에서, 상기 Nc는 상기 백본 네트워크의 컨벌루션 레이어의 개수이고, 상기 Nfc는 상기 백본 네트워크의 FC 레이어의 개수이고, 상기 Nmax는 컨벌루션 레이어의 최대 개수이고, 상기 navg는 상기 백본 네트워크에 입력되는 이미지 벡터의 총 개수에 대한 평균 값이고, 상기 ni는 상기 백본 네트워크에 입력된 이미지 벡터의 총 개수이고, 상기 pwidth는 이미지 벡터의 가로 픽셀 값이고, 상기 pheight는 이미지 벡터의 세로 픽셀 값이고, 상기 w1은 이미지 벡터의 해상도에 따른 가중치이고, 상기 w2는 이미지 벡터의 총 개수에 따른 가중치일 수 있다.
예를 들어, 컨벌루션 레이어의 최대 개수는 관리 서버가 사용 가능한 컨벌루션 레이어의 최대 개수이며, 서버의 성능에 따라 상이하게 설정될 수 있다. 이때, 이미지 벡터의 총 개수가 많을수록 컨벌루션 레이어의 개수를 감소시킴으로써, 백본 네트워크의 처리 속도가 급격하게 감소하는 것을 방지할 수 있다.
예를 들어, navg는 과거 백본 네트워크에 입력된 이미지 벡터의 총 개수들에 대한 평균 값일 수 있다. 예를 들어, w1은 이미지 벡터의 해상도가 높을수록 큰 값을 가지며, 0.5에서 1 사이의 값일 수 있다. 예를 들어, w2는 이미지 벡터의 총 개수가 많을수록 큰 값을 가지며, 0.5에서 1 사이의 값일 수 있다.
예를 들어, ceil 함수는 괄호 안의 값에 소수점을 올려서 다음 정수 값으로 반환하는 함수이며, 올림 함수로 지칭될 수 있다.
이를 통해, 백본 네트워크의 정확도와 속도를 결정하는 컨벌루션 레이어의 개수와 FC 레이어의 개수를 백본 네트워크에 입력되는 이미지 벡터의 총 개수 및 각 이미지 벡터의 해상도에 따라 효과적으로 결정할 수 있다.
이러한 백본 네트워크는 각각의 이미지 벡터에서 낮은 레벨의 시각적 특징을 추출하고, 시각적 특징을 고수준의 시맨틱 정보로 변환하는 과정을 통해, 객체의 형태, 구조 및 주요 특징을 학습할 수 있다. 또한, 백본 네트워크는 객체의 다양한 크기와 위치를 감지하기 위해 여러 레이어를 통해 다양한 크기와 수준의 특징을 추출할 수 있다. 또한, 백본 네트워크는 CSP 블록을 사용하여 입력 데이터를 두 부분으로 나누어 처리한 후, 중간에 다른 연산을 거친 다음 다시 두 부분을 결합함으로써, 부분적으로 특징을 교환할 수 있다.
YOLO 기반의 탐색 모델(510)은 전역 평균 풀링을 이용하여 특징 맵의 공간 정보를 간단한 평균값으로 변환함으로써, 파라미터를 줄이고 속도를 향상시킬 수 있다.
YOLO 기반의 탐색 모델(510)은 그리드 당 5개의 앵커 박스를 추출하며, 앵커 박스는 여러 개의 크기와 비율로 사전 정의된 형태를 가진 바운딩 박스를 지칭한다. 사전 정의된 앵커 박스의 오프셋(크기, 비율)을 예측하기 때문에 탐색 속도가 향상될 수 있다. 이때, 예를 들어, YOLO 기반의 탐색 모델(510)은 데이터 세트에서 각각의 객체에 대한 위치, 크기 및 클래스 정보를 기반으로 k-means 클러스터링을 통해 객체의 크기를 그룹화하여 가장 유사한 객체들끼리 클러스터를 형성하고, 각 클러스터의 평균 크기를 이용해 앵커 박스를 생성할 수 있다. 데이터 세트에서 각각의 객체에 대한 위치, 크기 및 클래스 정보는 상술한 복수의 감지 대상을 기반으로 사전 설정될 수 있다.
YOLO 기반의 탐색 모델(510)은 중간 특징 맵과 최종 특쟁 맵을 결합하여 이용할 수 있다. 즉, 앞 단의 컨벌루션 레이어의 고해상도 특징 맵(High Resolution Feature Map)을 뒷 단의 컨벌루션 레이어의 저해상도 특징 맵(Low Resolution Feature Map)에 추가할 수 있다.
YOLO 기반의 탐색 모델(510)은 SPP(spatial pyramid pooling), PAN(path aggregation network) 및 밀집 예측(dense prediction) 기술이 사용될 수 있다. 예를 들어, SPP는 컨벌루션 레이어의 마지막 특징 맵을 고정된 크기의 그리드로 분할하여 평균을 구함으로써, 고정된 크기의 표현(representation)을 획득하는 방식일 수 있다. 예를 들어, PAN은 저레벨의 특징 맵에 대한 특징을 고레벨의 특징 맵의 특징으로 바텀-업(bottom-up) 방식으로 전달하여, 객체의 정확한 위치와 경계를 예측하는 방식일 수 있다.
밀집 예측(dense prediction)은 동일한 클래스의 객체가 겹친 상태에 대해 바운딩 박스를 추출하기 위해, 소프트-NMS 알고리즘이 사용될 수 있다.
YOLO 기반의 탐색 모델(510)은 바틀넥 CSP를 사용하여 각 계층의 연산량을 균등하게 분배할 수 있다. 이를 통해, 연산 바틀넥을 없애고 CNN 계층의 연산 활용 능력을 증가시킬 수 있다.
예를 들어, 무단 침입이 감지된 시간 구간에 대한 영상 정보는 데이터 전처리를 통해 시간 구간별 이미지 벡터로 생성될 수 있다.
YOLO 기반의 탐색 모델(510)은 각각의 이미지 벡터에 대해 SXS 개의 그리드로 분할할 수 있다. YOLO 기반의 탐색 모델(510)은 그리드 영역에서 물체가 존재할 영역으로 추측되는 B개의 바운딩 박스(예: 앵커 박스)를 결정할 수 있다. YOLO 기반의 탐색 모델(510)은 B개의 바운딩 박스 각각에 대해 예측 중심점, 너비 및 높이에 대한 정보를 결정할 수 있다. YOLO 기반의 탐색 모델(510)은 B개의 바운딩 박스에 대해 컨피던스 점수와 클래스 확률을 예측할 수 있다. 컨피던스 점수는 바운딩 박스 내 객체가 존재할 확률을 나타내는 점수로 0에서 1사이의 값을 가질 수 있다. 클래스 확률은 바운딩 박스의 물체가 감지 대상(특정 클래스)일 확률을 나타내며, 0에서 1 사이의 값을 가질 수 있다. 예를 들어, YOLO 기반의 탐색 모델(510)은 예측한 바운딩 박스와 실제 객체의 바운딩 박스 두 개의 교집합을 예측한 바운딩 박스와 실제 객체의 바운딩 박스에 대한 총 넓이로 나눈 값인 IOU(intersection over union)를 계산할 수 있다. 이때, 인접한 그리드 셀들에 동일한 객체를 예측하는 바운딩 박스들이 생성되면, 상술한 소프트-NMS 알고리즘을 통해 하나의 바운딩 박스가 결정될 수 있다.
부가적으로, 예를 들어, 하나의 바운딩 박스를 결정하기 위한 컨피던스 점수는 IOU 값 및 가우시안 분포 함수를 이용하는 소프트-NMS 알고리즘 기반으로 하기 수학식 3에 의해 결정될 수 있다.
상기 수학식 3에서, 상기 si는 해당 바운딩 박스에 대한 컨피던스 점수이고, 상기 M은 해당 클래스에서 컨피던스 점수가 가장 높은 바운딩 박스이고, 상기 bi는 동일한 클래스 내의 바운딩 박스이고, 상기 iou는 괄호 안의 두 바운딩 박스에 대한 IOU 값이고, 상기 D는 해당 클래스에 대해 최종적으로 포함시킬 바운딩 박스에 대한 리스트일 수 있다.
즉, 수학식 3을 통해 전체 바운딩 박스에 대해 연속적으로 점수를 결정할 수 있고, M가 겹친 영역이 많을수록 컨피던스 점수가 낮아지고, M가 겹치지 않는다면 컨피던스 점수가 크게 변하지 않을 수 있다.
이와 같은 과정을 통해, YOLO 기반의 탐색 모델(510)은 입력된 시간 구간별 이미지 벡터 각각에 대해 감지 대상을 탐색할 수 있다. 이후, YOLO 기반의 탐색 모델(510)은 입력된 시간 구간별 이미지 벡터 각각에 대해 감지 대상이 포함된 바운딩 박스를 감지 대상 벡터로 출력할 수 있다. 이를 통해, YOLO 기반의 탐색 모델(510)은 입력된 시간 구간별 이미지 벡터를 시간 구간별 감지 대상 벡터로 출력할 수 있다. 감지 대상 벡터는 바운딩 박스에 대한 클래스 값, 바운딩 박스의 예측 중심점에 대한 xy 좌표 값, 바운딩 박스의 너비 및 바운딩 박스의 높이를 포함할 수 있다. 클래스 값은 사람에 대한 값, 동물에 대한 값 및 물체에 대한 값 중 어느 하나를 포함할 수 있다.
예를 들어, 시간 구간별 이미지 벡터 및 시간 구간별 감지 대상 벡터는 CNN 기반의 분류 모델(520)에 입력될 수 있다.
예를 들어, CNN 기반의 분류 모델(520)은 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 복수의 이미지 벡터, 복수의 감지 대상 벡터, 복수의 기준 대상 벡터, 복수의 기준 이동 벡터, 복수의 정답 감지 대상에 대한 값 및 복수의 정답 침입의 종류에 대한 값으로 구성된 각각의 학습 데이터는 CNN 기반의 뉴럴 네트워크의 입력 레이어에 입력되어 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터로 출력되고, 출력 벡터는 출력 레이어에 연결된 손실함수 레이어에 입력되고, 손실함수 레이어는 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실함수를 이용하여 손실 값을 출력하고, CNN 기반의 뉴럴 네트워크의 파라미터는 손실 값이 작아지는 방향으로 학습될 수 있다.
복수의 기준 대상 벡터는 이미지 벡터에 포함된 감지 대상과 비교하여 감지 대상에 대한 값을 결정하기 위한 기준 벡터일 수 있다. 예를 들어, 복수의 기준 대상 벡터는 복수의 감지 대상 각각에 대해 복수의 이미지를 수집하고, 수집된 이미지를 기반으로 생성된 벡터일 수 있다. 예를 들어, 수집된 복수의 이미지에 대해 각 픽셀에 대한 RGB(red, green, blue) 값을 결정하고, 각 픽셀에 대한 RGB 값을 합산하여 평균한 R 좌표의 값, G 좌표의 값 및 B 좌표의 값으로 구성될 수 있다.
복수의 기준 이동 벡터는 이미지 벡터에 포함된 감지 대상의 좌표의 변화와 비교하여 침입의 종류에 대한 값을 결정하기 위한 기준 벡터일 수 있다. 예를 들어, 기준 이동 벡터는 기준 이동 벡터와 매칭된 이미지 벡터 내 중요 영역, 보호 영역 및 경계 영역에 대한 위치 좌표를 포함할 수 있다.
하나의 감지 대상에 대한 복수의 이미지 벡터와 하나의 감지 대상에 대한 복수의 감지 대상 벡터는 복수의 기준 대상 벡터 및 해당 이미지 벡터에 대한 하나의 기준 이동 벡터에 매칭되어 학습 데이터 세트로 구성될 수 있다. 예를 들어, 복수의 학습 데이터 세트가 관리 서버에 사전 저장될 수 있다.
CNN 기반의 분류 모델(520)은 시간 구간별 이미지 벡터에서 감지 대상 벡터에 해당하는 영역에 대해 RGB 값의 분포를 결정하고, RGB 값의 분포를 포함하는 색상 분포 벡터를 시간 구간마다 생성할 수 있다. 색상 분포 벡터는, 대상 이미지 벡터의 각 픽셀에 대해 RGB 값을 합산하여 평균한, R 좌표의 값, G 좌표의 값 및 B 좌표의 값을 포함할 수 있다. 예를 들어, CNN 기반의 분류 모델(520)은 복수의 기준 대상 벡터 중에서 색상 분포 벡터와 가장 유사도가 높은 기준 대상 벡터를 결정하고, 해당 기준 대상 벡터에 매칭된 감지 대상에 대한 값과 정답 감지 대상에 대한 값을 비교할 수 있다. 이를 통해, CNN 기반의 분류 모델(520)은 해당 기준 대상 벡터에 매칭된 감지 대상에 대한 값과 정답 감지 대상에 대한 값의 차이가 작게 나는 방향으로 학습할 수 있다.
CNN 기반의 분류 모델(520)은 시간 구간별 이미지 벡터에서 감지 대상 벡터에 해당하는 영역의 중심점 좌표를 결정하고, 시간 구간별 중심점 좌표를 포함하는 이동 경로 벡터를 생성할 수 있다. 예를 들어, CNN 기반의 분류 모델(520)은 이미지 벡터와 매칭된 기준 이동 벡터에서 이동 경로 벡터가 포함된 영역을 결정하고, 해당 영역에 대한 침입의 종류에 대한 값과 이미지 벡터에 매칭된 정답 침입의 종류에 대한 값을 비교할 수 있다. 매칭된 정답 침입의 종류에 대한 값에 가까운 값으로 결정하도록 학습할 수 있다. 이를 통해, CNN 기반의 분류 모델(520)은 해당 영역에 대한 침입의 종류에 대한 값과 이미지 벡터에 매칭된 정답 침입의 종류에 대한 값의 차이가 작게 나는 방향으로 학습할 수 있다.
도 6은 일 실시예에 따른 뉴럴 네트워크를 기반으로 무단 침입을 사용자 단말에게 자동으로 알리는 방법에 대한 흐름도이다. 도 6의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6을 참조하면, 단계 S610에서, 침입 감지 장치는 센싱 정보 및 복수의 예측 범위 정보를 기반으로 무단 침입을 감지할 수 있다.
예를 들어, 침입 감지 장치는 센싱 정보가 복수의 예측 범위 정보 중에서 어느 하나의 예측 범위 정보에 포함되는 것에 기반하여 무단 침입을 감지한 것으로 결정할 수 있다. 예를 들어, 침입 감지 장치는 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 복수의 범위 세트 중에서 어느 하나의 범위 세트에 포함되는 것에 기반하여 무단 침입을 감지한 것으로 결정할 수 있다. 예를 들어, 센싱 정보가 예측 범위 정보에 포함되는 것은 센싱 정보에 포함된 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 예측 범위 정보에 포함된 각각에 대한 값의 범위에 포함되고, 센싱 정보에 포함된 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값이 각각의 범위에 대한 지속 시간을 만족시키는 것을 지칭할 수 있다. 여기서, 각각의 범위에 대한 지속 시간을 만족시키는 것은 각각의 범위에 센싱 값이 포함된 상태로 유지되는 시간이 최소 시간 이상인 것을 의미할 수 있다.
예를 들어, 침입 감지 장치는 무단 침입이 감지된 것에 기반하여 침입 감지 메시지를 관리 서버 및 관리자 단말에게 전송할 수 있다. 침입 감지 메시지는 사전 설정된 시간 구간에 대한 센싱 정보, 무단 침입이 감지된 시간 구간에 대한 영상 정보 및 예측 정보를 포함할 수 있다.
단계 S620에서, 관리 서버는 사용자 단말과의 통신 상태에 대한 값이 사전 설정된 값 이하인지 여부를 결정할 수 있다.
예를 들어, 관리 서버는 침입 감지 장치로부터 침입 감지 메시지를 수신한 것에 기반하여 사용자 단말과의 통신 상태에 대한 값을 결정할 수 있다. 이때, 관리 서버는 사용자 단말에게 통신 상태를 측정하기 위한 복수의 측정 메시지를 전송하고, 사용자 단말로부터 복수의 측정 메시지 각각에 대한 응답 메시지를 수신할 수 있다. 여기서, 통신 상태에 대한 값은 RSRP(reference signal received power) 값일 수 있다. RSRP는 사용자 단말의 통신 상태를 나타내는 값으로, 음의 데시벨-밀리와트(dBm) 값을 가질 수 있다. 응답 메시지는 사용자 단말의 위치 정보를 포함할 수 있다. 위치 정보는 사용자 단말이 GNSS(global navigation satellite system)으로부터 수신한 위치 정보일 수 있고, 위도, 경도 및 고도에 대한 좌표를 포함할 수 있다. 예를 들어, 사용자 단말과의 통신 상태에 대한 값은 관리 서버가 사용자 단말로부터 수신한 복수의 응답 메시지에 대한 평균 RSRP로 결정될 수 있다. 예를 들어, RSRP 값이 작을수록, 사용자 단말의 통신 상태가 불량한 것으로 결정될 수 있다. 예를 들어, 사전 설정된 값은 -90dBm에서 -100dBm 사이의 값으로 설정될 수 있다.
단계 S630에서, 사용자 단말과의 통신 상태에 대한 값이 사전 설정된 값을 초과하는 경우, 관리 서버는 사용자 단말에게 제1 알림 메시지를 전송할 수 있다.
예를 들어, 제1 알림 메시지는 예측 정보 및 제1 경고 텍스트를 포함할 수 있다. 제1 경고 텍스트는 예상 감지 대상, 예상 침입의 종류 및 예상 위험도에 매칭되는 텍스트로 결정될 수 있다.
단계 S640에서, 사용자 단말과의 통신 상태에 대한 값이 사전 설정된 값 이하인 경우, 관리 서버는 사용자 단말의 마지막 위치로부터 사전 설정된 거리 이내에 사용자 단말과 연동된 장치가 존재하는지 여부를 결정할 수 있다.
예를 들어, 사용자 단말은 적어도 하나의 장치와 사전 연결될 수 있다. 사용자 단말은 사전 연동된 적어도 하나의 장치에 대한 정보를 관리 서버에게 전송할 수 있다. 예를 들어, 사전 연동된 적어도 하나의 장치에 대한 정보는 장치에 대한 설정 정보 및 장치의 위치 정보를 포함할 수 있다. 장치에 대한 설정 정보는 장치가 조명 장치에 대한 설정 정보와 음향 출력 장치에 대한 설정 정보를 포함할 수 있다. 조명 장치에 대한 설정 정보는 빛의 세기의 범위, 색온도의 범위, 소비 전력 대비 생성되는 빛의 양을 나타내는 조명 효율성(루멘 당 와트) 및 조명 장치의 수명을 포함할 수 있다. 음향 출력 장치에 대한 설정 정보는 출력 전력(와트, W), 음압 레벨의 범위, 음향 주파수의 범위, 신호 대 잡음비 및 음향 출력 장치의 크기를 포함할 수 있다. 장치의 위치 정보는 장치가 설치된 위치에 대한 정보이며, 위도, 경도 및 고도를 포함할 수 있다.
예를 들어, 관리 서버는 사용자 단말의 위치 정보를 주기적으로 수신할 수 있다. 이때, 관리 서버가 사용자 단말로부터 수신한 마지막 위치 정보를 기반으로 사용자 단말의 마지막 위치를 결정할 수 있다.
예를 들어, 관리 서버는 사전 연동된 적어도 하나의 장치에 대한 정보를 기반으로 사용자 단말의 마지막 위치로부터 사전 설정된 거리 이내에 사용자 단말과 연동된 장치가 존재하는지 여부를 결정할 수 있다. 즉, 관리 서버는 적어도 하나의 장치마다 장치가 설치된 위치와 사용자 단말의 마지막 위치 사이의 거리를 결정하고, 해당 거리가 사전 설정된 거리 이내인지 여부를 결정할 수 있다.
단계 S650에서, 사용자 단말의 마지막 위치로부터 사전 설정된 거리 이내에 사용자 단말과 연동된 장치가 존재하지 않는 경우, 관리 서버는 기본 지시 메시지를 사용자 단말과 연동된 모든 장치에게 전송할 수 있다.
예를 들어, 기본 지시 메시지는 사용자 단말과 연동된 장치에 대한 기본 동작을 지시하는 메시지일 수 있다. 예를 들어, 기본 지시 메시지는 기본 동작과 관련된 값을 포함할 수 있다. 기본 동작과 관련된 값은 사전 연동된 적어도 하나의 장치에 대한 정보 및 침입 감지 메시지를 기반으로 결정될 수 있다.
예를 들어, 사용자 단말과 연동된 장치가 조명 장치인 경우, 기본 동작과 관련된 값은 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값을 포함할 수 있다. 예를 들어, 관리 서버는, 침입 감지 메시지에 포함된 예측 정보와 사전 연동된 적어도 하나의 장치에 대한 정보에 포함된 조명 장치에 대한 설정 정보에 기반하여, 조명 장치에 대한 기본 동작과 관련된 값을 결정할 수 있다.
예를 들어, 사용자 단말과 연동된 장치가 음향 출력 장치인 경우, 기본 동작과 관련된 값은 음향의 세기에 대한 값, 음향의 높낮이에 대한 값, 출력 속도에 대한 값 및 출력 횟수에 대한 값을 포함할 수 있다. 예를 들어, 관리 서버는, 침입 감지 메시지에 포함된 예측 정보와 사전 연동된 적어도 하나의 장치에 대한 정보에 포함된 음향 출력 장치에 대한 설정 정보에 기반하여, 음향 출력 장치에 대한 기본 동작과 관련된 값을 결정할 수 있다.
예를 들어, 사용자 단말과 연동된 적어도 하나의 장치는 기본 동작과 관련된 값을 기반으로 예상 감지 대상, 예상 침입의 종류 및 예상 위험도에 매칭된 기본 동작을 수행할 수 있다.
단계 S660에서, 사용자 단말의 마지막 위치로부터 사전 설정된 거리 이내에 사용자 단말과 연동된 장치가 존재하는 경우, 관리 서버는 기본 지시 메시지를 사전 설정된 거리 이내에 위치한 사용자 단말과 연동된 적어도 하나의 장치에게 전송할 수 있다.
예를 들어, 기본 지시 메시지는 사용자 단말과 연동된 장치에 대한 기본 동작을 지시하는 메시지일 수 있다. 예를 들어, 기본 지시 메시지는 기본 동작과 관련된 값을 포함할 수 있다. 기본 동작과 관련된 값은 사전 연동된 적어도 하나의 장치에 대한 정보 및 침입 감지 메시지를 기반으로 결정될 수 있다.
예를 들어, 사용자 단말과 연동된 장치가 조명 장치인 경우, 기본 동작과 관련된 값은 조명의 세기에 대한 값, 조명의 색온도에 대한 값 및 조명 시간에 대한 값을 포함할 수 있다. 예를 들어, 관리 서버는, 침입 감지 메시지에 포함된 예측 정보와 조명 장치에 대한 설정 정보에 기반하여, 조명 장치에 대한 기본 동작과 관련된 값을 결정할 수 있다. 여기서, 조명 장치는 사전 연동된 적어도 하나의 장치 중에서 사전 설정된 거리 이내에 위치한 장치일 수 있다.
예를 들어, 사용자 단말과 연동된 장치가 음향 출력 장치인 경우, 기본 동작과 관련된 값은 음향의 세기에 대한 값, 음향의 높낮이에 대한 값, 출력 속도에 대한 값 및 출력 횟수에 대한 값을 포함할 수 있다. 예를 들어, 관리 서버는, 침입 감지 메시지에 포함된 예측 정보와 음향 출력 장치에 대한 설정 정보에 기반하여, 음향 출력 장치에 대한 기본 동작과 관련된 값을 결정할 수 있다. 여기서, 음향 출력 장치는 사전 연동된 적어도 하나의 장치 중에서 사전 설정된 거리 이내에 위치한 장치일 수 있다.
예를 들어, 사용자 단말과 연동된 적어도 하나의 장치는 기본 동작과 관련된 값을 기반으로 예상 감지 대상, 예상 침입의 종류 및 예상 위험도에 매칭된 기본 동작을 수행할 수 있다.
도 7은 일 실시예에 따른 관리 서버의 구성을 나타내는 블록도이다. 도 7의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 7에 도시된 바와 같이, 관리 서버(700)는 프로세서(710), 통신부(720) 및 메모리(730)를 포함할 수 있다. 그러나, 도 7에 도시된 구성 요소 모두가 관리 서버(700)의 필수 구성 요소인 것은 아니다. 도 7에 도시된 구성 요소보다 많은 구성 요소에 의해 관리 서버(700)가 구현될 수도 있고, 도 7에 도시된 구성 요소보다 적은 구성 요소에 의해 관리 서버(700)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 관리 서버(700)는 프로세서(710), 통신부(720) 및 메모리(730) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(710)는, 통상적으로 관리 서버(700)의 전반적인 동작을 제어한다. 프로세서(710)는 하나 이상의 프로세서를 구비하여, 관리 서버(700)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(710)는, 메모리(730)에 저장된 프로그램들을 실행함으로써, 통신부(720) 및 메모리(730) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(710)는 메모리(730)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 6에 기재된 관리 서버(700)의 기능을 수행할 수 있다.
통신부(720)는, 관리 서버(700)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 관리 서버(700)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(720)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(720)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(720)는 프로세서(710)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(720)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(720)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(730)는, 프로세서(710)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(730)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(730)는 프로세서(710)에서 생성된 데이터를 저장할 수 있다. 메모리(730)는 관리 서버(700)로 입력되거나 관리 서버(700)로부터 출력되는 정보를 저장할 수도 있다.
메모리(730)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
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.
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.
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.
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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크(neural network)를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 시스템에 있어서,
    복수의 센싱 모듈 및 복수의 카메라 모듈과 연동되고, 상기 복수의 센싱 모듈로부터 획득된 센싱 정보에 기반하여 무단 침입을 감지하는 침입 감지 장치;
    상기 침입 감지 장치를 제어하는 관리 서버;
    상기 복수의 카메라 모듈로부터 획득된 영상 정보를 실시간으로 수신하는 관리자 단말 및
    상기 무단 침입이 감지된 것에 기반하여 상기 관리 서버로부터 상기 무단 침입과 관련된 메시지를 수신하는 사용자 단말을 포함하되,
    상기 침입 감지 장치는,
    상기 무단 침입이 감지된 것에 기반하여 상기 관리 서버 및 상기 관리자 단말에게 침입 감지 메시지를 전송하고,
    상기 침입 감지 메시지는 사전 설정된 시간 구간에 대한 센싱 정보, 상기 무단 침입이 감지된 시간 구간에 대한 영상 정보 및 예측 정보를 포함하고,
    상기 관리 서버는,
    상기 사용자 단말에게 상기 예측 정보를 포함하는 제1 알림 메시지를 전송하고,
    상기 무단 침입이 감지된 시간 구간에 대한 영상 정보에 기반하여 복수의 뉴럴 네트워크를 이용하는 객체 분석 모델을 통해 상기 무단 침입이 감지된 대상에 대한 정보를 결정하고,
    상기 무단 침입이 감지된 대상에 대한 정보를 포함하는 제2 알림 메시지를 상기 사용자 단말에게 전송하고,
    상기 사용자 단말과 연동된 적어도 하나의 장치가 상기 제1 알림 메시지 및 상기 제2 알림 메시지 각각에 기반하여 동작하고,
    상기 센싱 정보 및 복수의 예측 범위 정보를 기반으로 상기 무단 침입 여부 및 상기 예측 정보가 결정되고,
    상기 예측 정보는 예상 감지 대상, 예상 침입의 종류 및 예상 위험도를 포함하고,
    상기 복수의 예측 범위 정보는 복수의 센싱 정보, 복수의 예측 정보 및 복수의 무단 침입이 감지된 대상에 대한 정보에 기반하여 학습된 뉴럴 네트워크를 이용하는 침입 예측 모델을 통해 결정되고,
    상기 객체 분석 모델은 YOLO(you only look once) 기반의 탐색 모델 및 CNN(convolutional neural network) 기반의 분류 모델을 포함하고,
    상기 YOLO 기반의 탐색 모델은 바틀넥 CSP를 사용하여 각 계층의 연산량을 균등하게 분배하고,
    상기 YOLO 기반의 탐색 모델에서 하나의 바운딩 박스를 결정하기 위한 컨피던스 점수는 IOU (intersection over union) 값 및 가우시안 분포 함수를 기반으로 결정되고,
    상기 무단 침입이 감지된 대상에 대한 정보는 감지 대상, 침입의 종류 및 위험도를 포함하고,
    상기 무단 침입이 감지된 시간 구간에 대한 영상 정보에 대한 데이터 전처리를 통해 시간 구간별 이미지 벡터가 생성되고,
    상기 시간 구간별 이미지 벡터가 상기 YOLO 기반의 탐색 모델에 입력되는 것에 기반하여 시간 구간별 감지 대상 벡터가 출력되고,
    상기 시간 구간별 이미지 벡터 및 상기 시간 구간별 감지 대상 벡터가 상기 CNN 기반의 분류 모델에 입력되는 것에 기반하여 감지 대상에 대한 값 및 침입의 종류에 대한 값이 출력되고,
    위험도가 하기 수학식에 의해 결정되고,

    상기 수학식에서, 상기 Dscore는 상기 위험도이고, 상기 는 상기 침입 감지 메시지를 수신한 시간에 따른 시간 가중치이고, 상기 Iarea는 상기 침입 감지 장치가 배치된 보안 구역에 대한 중요도이고, 상기 Idef는 중요도에 대한 기본 값이고, 상기 Atotal은 상기 보안 구역의 총 면적이고, 상기 Aimp는 상기 보안 구역 내 중요 영역의 총 면적이고, 상기 D1은 상기 감지 대상에 대한 값에 매칭된 제1 위험도이고, 상기 D2는 상기 침입의 종류에 대한 값에 따른 제2 위험도이고,
    상기 복수의 센싱 모듈은 적어도 하나의 진동 센서, 적어도 하나의 음향 센서, 적어도 하나의 무선 주파수 감지 센서 및 적어도 하나의 열 감지 센서를 포함하고,
    상기 센싱 정보는 단위 시간당 진동 주파수, 단위 시간당 감지된 무선 주파수, 단위 시간당 음향 주파수 및 단위 시간당 온도 분포에 대한 값을 포함하고,
    상기 복수의 센싱 정보 각각에 대한 데이터 전처리를 통해 진동 벡터, 무선 주파수 벡터, 음향 벡터 및 온도 벡터로 구성된 센싱 데이터 세트가 하나의 센싱 정보마다 생성되고,
    상기 복수의 예측 정보에 대한 데이터 전처리를 통해 감지 대상에 대한 예상 값, 침입의 종류에 대한 예상 값 및 예상 위험도를 포함하는 예측 벡터가 하나의 침입 감지에 대한 예측 정보마다 생성되고,
    상기 복수의 무단 침입이 감지된 대상에 대한 정보에 대한 데이터 전처리를 통해 감지 대상에 대한 값, 침입의 종류에 대한 값 및 위험도를 포함하는 감지 벡터가 하나의 무단 침입이 감지된 대상에 대한 정보마다 생성되고,
    상기 침입 예측 모델은 복수의 센싱 데이터 세트, 복수의 감지 벡터, 복수의 정답 예측 벡터 및 복수의 정답 예측 범위 정보로 구성된 각각의 학습 데이터를 기반으로 학습되는,
    시스템.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서,
    상기 예측 정보는 예상 감지 대상, 예상 침입의 종류 및 예상 위험도를 포함하고,
    상기 제1 알림 메시지는 제1 경고 텍스트를 더 포함하고,
    상기 제1 경고 텍스트는 상기 예상 감지 대상, 상기 예상 침입의 종류 및 상기 예상 위험도에 매칭되는 텍스트로 결정되고,
    상기 사용자 단말과 연동된 적어도 하나의 장치는 상기 예상 감지 대상, 상기 예상 침입의 종류 및 상기 예상 위험도에 매칭된 제1 동작을 수행하는,
    시스템.
  5. 제 4항에 있어서,
    상기 제2 알림 메시지는 제2 경고 텍스트를 더 포함하고,
    상기 제2 경고 텍스트는 상기 감지 대상, 상기 침입의 종류 및 상기 위험도에 매칭되는 텍스트로 결정되고,
    상기 사용자 단말과 연동된 적어도 하나의 장치는 상기 감지 대상, 상기 침입의 종류 및 상기 위험도에 매칭된 제2 동작을 수행하는,
    시스템.
KR1020230108277A 2023-08-18 2023-08-18 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템 KR102643021B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230108277A KR102643021B1 (ko) 2023-08-18 2023-08-18 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230108277A KR102643021B1 (ko) 2023-08-18 2023-08-18 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102643021B1 true KR102643021B1 (ko) 2024-03-04

Family

ID=90297689

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230108277A KR102643021B1 (ko) 2023-08-18 2023-08-18 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102643021B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160002119A (ko) * 2014-06-30 2016-01-07 김종욱 감시장치 관제시스템 및 이의 관제방법
KR20210027778A (ko) * 2019-09-03 2021-03-11 중앙대학교 산학협력단 객체 검출 및 추적을 통한 이상행동 분석 장치 및 방법
KR102398010B1 (ko) * 2021-10-06 2022-05-12 김기설 인공지능 알고리즘을 이용한 침입 예측 방법과 그 컴퓨터 프로그램

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160002119A (ko) * 2014-06-30 2016-01-07 김종욱 감시장치 관제시스템 및 이의 관제방법
KR20210027778A (ko) * 2019-09-03 2021-03-11 중앙대학교 산학협력단 객체 검출 및 추적을 통한 이상행동 분석 장치 및 방법
KR102398010B1 (ko) * 2021-10-06 2022-05-12 김기설 인공지능 알고리즘을 이용한 침입 예측 방법과 그 컴퓨터 프로그램

Similar Documents

Publication Publication Date Title
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102434342B1 (ko) 뉴럴 네트워크를 이용하여 서버가 추천 상품과 관련된 데이터를 제공하는 방법 및 장치
KR102480969B1 (ko) 뉴럴 네트워크를 이용하여 설정된 값을 기반으로 몰래 카메라를 탐지한 결과에 따라 전력을 공급하는 방법 및 장치
KR102467890B1 (ko) 뉴럴 네트워크를 이용하여 서버가 도면과 관련된 물품에 대한 정보를 제공하는 방법 및 장치
KR102375587B1 (ko) 헤어 이미지 추천 및 합성 방법 및 장치
KR102576380B1 (ko) 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템
KR102643021B1 (ko) 뉴럴 네트워크를 기반으로 사용자 단말에게 무단 침입을 자동으로 알리는 방법 및 시스템
KR102476292B1 (ko) 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템
KR102414167B1 (ko) 뉴럴 네트워크를 이용한 패킷 센딩을 통한 보안 방법 및 장치
KR102433654B1 (ko) 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치
KR102422153B1 (ko) 뉴럴 네트워크를 이용한 상담 가이드 정보 추천 방법 및 장치
KR102575856B1 (ko) 입력 수단의 호환 방법 및 장치
KR102669159B1 (ko) 거시적 공간상황 인식을 위한 연결 공간 토폴로지를 활용한 인공지능 기반의 연속 이벤트를 추론하는 방법 및 장치
KR102636189B1 (ko) 인공지능 영상 분석과 디지털 트윈 정합을 통한 객체 공간성 인지와 발생 이벤트의 공간-시간 맵 가시화 방법 및 장치
KR102585090B1 (ko) 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치
KR102602594B1 (ko) 메타버스 상에서 공간 시멘틱 정보를 기반으로 아바타의 위치를 추적하는 방법 및 장치
KR102604762B1 (ko) 뉴럴 네트워크를 이용하여 예측된 배송량에 기반하여 물류 거점에 대한 배송량을 결정하는 방법 및 장치
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치
KR102390412B1 (ko) 인공지능 기반의 피싱 대응 챗봇 시스템
KR102653940B1 (ko) 사용자의 수면 상태를 기초로 뉴럴 네트워크를 이용하여 가습 장치를 조정하는 방법 및 시스템
KR102653470B1 (ko) Ai 기반 dvr 기기 영상 실시간 스트리밍 시스템
KR102667314B1 (ko) 식물 생장 관리 장치
KR102607631B1 (ko) 인공지능 기반의 농축산물 직거래 플랫폼 서비스 제공 방법 및 시스템
KR102468193B1 (ko) IP-Cam 모니터링 방법 및 장치
KR102651497B1 (ko) 텍스트마이닝 기반의 인력 중개 플랫폼 시스템 및 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant