KR102643507B1 - 촬영 데이터 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템 - Google Patents

촬영 데이터 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템 Download PDF

Info

Publication number
KR102643507B1
KR102643507B1 KR1020230054581A KR20230054581A KR102643507B1 KR 102643507 B1 KR102643507 B1 KR 102643507B1 KR 1020230054581 A KR1020230054581 A KR 1020230054581A KR 20230054581 A KR20230054581 A KR 20230054581A KR 102643507 B1 KR102643507 B1 KR 102643507B1
Authority
KR
South Korea
Prior art keywords
data
receiver
fire
firefighting
fighting
Prior art date
Application number
KR1020230054581A
Other languages
English (en)
Inventor
이봉호
Original Assignee
이엠시티 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 이엠시티 주식회사 filed Critical 이엠시티 주식회사
Application granted granted Critical
Publication of KR102643507B1 publication Critical patent/KR102643507B1/ko

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/02—Monitoring continuously signalling or alarm systems
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/20—Calibration, including self-calibrating arrangements

Abstract

본 발명에 따른 소방 수신기용 데이터 수집 장치는, 소방 수신기의 판넬에 관한 촬영 데이터를 취득하는 데이터 취득부; 상기 데이터 취득부에서 취득된 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하며, 상기 기계 학습의 결과를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 데이터 생성부; 및 상기 데이터 생성부에서 생성된 상태 데이터를 외부로 출력하는 데이터 출력부를 포함한다. 이와 같이 본 발명은 소방 수신기의 판넬에 관한 촬영 데이터를 취득한 뒤, 상기 촬영 데이터를 이용하여 소방 수신기의 상태 데이터를 생성하고, 생성된 상태 데이터를 외부로 출력하도록 구성되어 있기 때문에, 소방 수신기를 원격으로 관제함에 있어서, 소방 수신기의 종류를 불문하고 범용적으로 활용될 수 있다.

Description

촬영 데이터 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템{DATA COLLECTION APPARATUS FOR FIRE RECEIVER BASED ON PHOTOGRAPHING DATA AND REMOTE FIRE PROTECTION SYSTEM COMPRISING THE SAME}
본 발명은 소방 수신기에 설치되어 소방 수신기의 데이터를 수집 제어하는 장치와, 상기 장치를 포함하는 원격 소방 관제 시스템에 관한 것이다.
잘 알려진 바와 같이, 건물의 방재실에는 화재 감지기에 의해 감지된 화재 발생 신호를 통해 화재 발생 여부를 모니터링하고, 건물에서 화재가 발생한 경우 경보 발생기를 동작시키는 등의 역할을 하는 소방 수신기가 설치되어 있다. 이러한 소방 수신기가 정상적으로 동작하기 위해서는, 소방 수신기가 설치되어 있는 방재실에 사람이 상주하여 소방 수신기를 지속적으로 모니터링해야 한다. 하지만, 사람이 소방 수신기를 24시간 내내 지속적으로 모니터링한다는 것은 현실적으로 무척 어려운 일이다.
소방 수신기에 대한 모니터링이 지속적으로 이루어지지 않을 경우에는, 화재와 같은 위험 상황 발생 시 인명 및 재산 피해가 커지게 된다. 그리고 소방 수신기가 오동작할 경우에는, 소방차나 구급차의 불필요한 동원, 건물 내 사람이나 인근 주민의 불필요한 대피 등 매우 큰 인력 손실을 초래하게 된다. 이에 따라, 소방 수신기의 관리자에게 소방 수신기의 상태를 즉각적으로 알려주고, 소방 수신기의 관리자가 소방 수신기를 원격에서 관제할 수 있는 원격 소방 관제 시스템이 구축될 필요가 있다.
소방 수신기의 제조사는 다양하며, 일반적으로 한 곳의 제조사라 하더라도 그 제조사가 생산하는 소방 수신기의 모델은 다양하다. 이에 따라, 원격 소방 관제 시스템을 구축하기 위해서는, 다양한 종류의 소방 수신기에 범용적으로 활용될 수 있는 소방 수신기용 데이터 수집 장치가 마련될 필요가 있다. 나아가, 소방 수신기가 화재를 감지하였다거나, 소방 수신기가 오동작을 하였을 때, 소방 수신기의 관리자가 이에 즉각적으로 대처할 수 있는 방안 또한 마련될 필요가 있다.
한편, 하기 특허문헌에는 각 센서와 소방기기들의 연결상태를 확인할 수 있으며, 화재발생 시에는 즉각적으로 이를 확인할 수 있도록 하여 화재에 즉각적인 대처를 할 수 있는 소방 방재 모니터링 시스템 및 방법이 개시되어 있다.
1. 한국공개특허 제10-2019-0091757호(2019.08.07.공개) 2. 미국공개특허공보 제2012-0072053호(2012.03.22.공개)
본 발명은 다양한 종류의 소방 수신기에 범용적으로 활용될 수 있는 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템을 제공하는 것에 그 목적이 있다.
또한, 본 발명은 소방 수신기에 화재나 오동작과 같은 이상 상황 발생 시, 소방 수신기의 관리자가 이와 같은 이상 상황에 즉각 대처할 수 있도록 하는 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템을 제공하는 것에 그 목적이 있다.
다만, 본 발명이 해결하고자 하는 기술적 과제는 상술한 과제만으로 한정되는 것은 아니며, 언급되지 않은 또 다른 과제들은 아래에 기재된 발명의 설명으로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위하여, 본 발명에 따른 소방 수신기용 데이터 수집 장치는, 소방 수신기의 판넬에 관한 촬영 데이터를 취득하는 데이터 취득부; 상기 데이터 취득부에서 취득된 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하며, 상기 기계 학습의 결과를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 데이터 생성부; 및 상기 데이터 생성부에서 생성된 상태 데이터를 외부로 출력하는 데이터 출력부를 포함할 수 있다.
본 발명에 따른 소방 수신기용 데이터 수집 장치는, 상기 데이터 취득부에서 취득된 촬영 데이터에 라벨링 작업을 수행하는 데이터 전처리부를 더 포함할 수 있으며, 상기 데이터 생성부는 상기 데이터 전처리부에 의해 라벨링 작업이 이루어진 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기서, 상기 데이터 전처리부는, 상기 데이터 취득부에서 취득된 촬영 데이터 중 알람 버튼의 배치, 상기 알람 버튼의 형태, 상기 알람 버튼의 색상 변화 및 상기 알람 버튼의 기능을 설명하는 글자 중 적어도 하나를 인식하여 상기 촬영 데이터에 라벨링 작업을 수행할 수 있다.
여기서, 상기 데이터 전처리부는, 상기 소방 수신기가 화재를 감지한 경우의 촬영 데이터 및 상기 소방 수신기가 화재를 감지하지 않은 경우의 촬영 데이터에, 각각 서로 다른 라벨링 작업을 수행할 수 있다.
여기서, 상기 데이터 취득부는, 상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 더 취득할 수 있고, 상기 데이터 생성부는, 상기 데이터 취득부에서 취득된 촬영 데이터와 함께, 상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기서, 상기 데이터 생성부는, GAN 학습 모델을 활용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
본 발명에 따른 소방 수신기용 데이터 수집 장치는, 상기 데이터 출력부에 의해 외부로 출력되는 상태 데이터에 대응하여 외부로부터 전달되는 복구 신호를 입력받을 경우, 상기 복구 신호에 따라 상기 소방 수신기의 동작을 초기화하는 복구 신호 수신부를 더 포함할 수 있다.
한편, 상기와 같은 목적을 달성하기 위하여, 본 발명에 따른 원격 소방 관제 시스템은, 화재 발생 여부를 모니터링하는 소방 수신기; 상기 소방 수신기의 판넬을 촬영하여 촬영 데이터를 생성하는 카메라; 상기 카메라에서 생성된 촬영 데이터를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 소방 수신기용 데이터 수집 장치; 상기 소방 수신기용 데이터 수집 장치에서 생성되는 상태 데이터를 저장하는 서버; 및 상기 서버로부터 상태 데이터를 전달받으며, 상기 소방 수신기의 관리자가 상기 소방 수신기를 모니터링할 수 있도록 상기 상태 데이터를 화면에 표시하는 관리자 단말을 포함할 수 있다.
여기서, 상기 소방 수신기용 데이터 수집 장치는, 상기 소방 수신기의 판넬에 관한 촬영 데이터를 취득하는 데이터 취득부; 상기 데이터 취득부에서 취득된 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하며, 상기 기계 학습의 결과를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 데이터 생성부; 및 상기 데이터 생성부에서 생성된 상태 데이터를 외부로 출력하는 데이터 출력부를 포함할 수 있다.
여기서, 상기 소방 수신기용 데이터 수집 장치는, 상기 데이터 취득부에서 취득된 촬영 데이터에 라벨링 작업을 수행하는 데이터 전처리부를 더 포함할 수 있으며, 상기 데이터 생성부는 상기 데이터 전처리부에 의해 라벨링 작업이 이루어진 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기서, 상기 데이터 전처리부는, 상기 데이터 취득부에서 취득된 촬영 데이터 중 알람 버튼의 배치, 상기 알람 버튼의 형태, 상기 알람 버튼의 색상 변화 및 상기 알람 버튼의 기능을 설명하는 글자 중 적어도 하나를 인식하여 상기 촬영 데이터에 라벨링 작업을 수행할 수 있다.
여기서, 상기 데이터 전처리부는, 상기 소방 수신기가 화재를 감지한 경우의 촬영 데이터 및 상기 소방 수신기가 화재를 감지하지 않은 경우의 촬영 데이터에, 각각 서로 다른 라벨링 작업을 수행할 수 있다.
여기서, 상기 데이터 취득부는, 상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 더 취득할 수 있고, 상기 데이터 생성부는, 상기 데이터 취득부에서 취득된 촬영 데이터와 함께, 상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기서, 상기 데이터 생성부는, GAN 학습 모델을 활용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기서, 상기 소방 수신기용 데이터 수집 장치는, 상기 데이터 출력부에 의해 외부로 출력되는 상태 데이터에 대응하여 상기 관리자 단말로부터 전달되는 복구 신호를 입력받을 경우, 상기 복구 신호에 따라 상기 소방 수신기의 동작을 초기화하는 복구 신호 수신부를 더 포함할 수 있다.
본 발명에 따른 원격 소방 관제 시스템은, 상기 관리자 단말이 통신 접속할 경우, 상기 소방 수신기가 모니터링하는 대상의 영상을 상기 관리자 단말에 제공하는 CCTV를 더 포함할 수 있다.
본 발명은 소방 수신기의 판넬에 관한 촬영 데이터를 취득한 뒤, 상기 촬영 데이터를 이용하여 소방 수신기의 상태 데이터를 생성하고, 생성된 상태 데이터를 외부로 출력하도록 구성되어 있기 때문에, 소방 수신기를 원격으로 관제함에 있어서, 소방 수신기의 종류를 불문하고 범용적으로 활용될 수 있다. 특히, 본 발명은 통신 기능이 전혀 지원되지 않는 소방 수신기라 하더라도 소방 수신기의 상태 데이터 생성 및 원격 제어가 가능하다. 게다가, 본 발명은 소방 수신기의 동작에 아무런 영향을 미치지 않기 때문에 소방 수신기의 설계 변경을 요구하지 않으며, 따라서 실용성 및 활용폭이 매우 크다고 할 수 있다.
또한, 본 발명은 소방 수신기용 데이터 수집 장치에서 생성되는 상태 데이터가 서버에 저장될 뿐만 아니라, 서버를 거쳐 관리자 단말에 전달되도록 구성되어 있기 때문에, 소방 수신기의 관리자가 소방 수신기를 지속적으로 모니터링할 필요가 없다. 게다가, 본 발명에 의하면 소방 수신기의 관리자는 관리자 단말을 통해 CCTV에 통신 접속하여, 소방 수신기가 모니터링하는 대상의 영상을 실시간으로 확인할 수 있도록 구성되어 있기 때문에, 소방 수신기가 화재를 감지하였다거나, 소방 수신기가 오동작을 하였을 때, 소방 수신기의 관리자는 화재나 오동작에 즉각적으로 대처할 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않며, 언급하지 않은 또 다른 효과들은 명세서의 다른 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 원격 소방 관제 시스템을 개략적으로 도시한 도면이다.
도 2는 도 1에 도시한 소방 수신기용 데이터 수집 장치의 블록도이다.
도 3은 소방 수신기가 화재를 감지하였음을 나타내는 상태 데이터가 관리자 단말의 화면에 표시된 예시도이다.
도 4는 관리자 단말을 통해 전달되는 CCTV 연동 화면의 예시도이다.
도 5는 관리자 단말의 화면에 소방 수신기의 동작을 초기화할 수 있는 복구 버튼이 마련된 모습의 예시도이다.
이하, 첨부한 도면들을 참조하여 본 발명에 따른 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템에 대해 상세히 설명한다. 첨부한 도면들은 통상의 기술자에게 본 발명의 기술적 사상이 충분히 전달될 수 있도록 하기 위하여 어디까지나 예시적으로 제공되는 것이며, 본 발명은 이하 제시되는 도면들로 한정되지 않고 다른 형태로 얼마든지 구체화될 수 있다.
도 1은 본 발명의 일 실시예에 따른 원격 소방 관제 시스템(1000)을 개략적으로 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 원격 소방 관제 시스템(1000)은 소방 수신기(100), 카메라(200), 소방 수신기용 데이터 수집 장치(300), 서버(400) 및 관리자 단말(500)을 포함할 수 있다.
소방 수신기(100)는 아파트, 마트, 공장, 오피스텔과 같은 건물의 방재실에 설치된 것일 수 있으며, 화재 감지기에 의해 감지된 화재 발생 신호를 통해 건물 내 화재 발생 여부를 모니터링하고, 화재 발생 시 경보 발생기를 동작시키는 등의 역할을 한다. 소방 수신기(100)는 그 종류에 따라 전기적 신호로 화재 발생 여부를 모니터링하거나, 통신 신호로 화재 발생 여부를 모니터링한다. 본 발명에서는 소방 수신기(100)의 모니터링 방식과 관계 없이 범용적인 소방 수신기(100)에 활용될 수 있는 소방 수신기용 데이터 수집 장치(300) 및 이를 포함하는 원격 소방 관제 시스템(1000)을 제안한다.
소방 수신기(100)의 상태 데이터를 생성하기 위하여, 소방 수신기(100)의 전방에 카메라(200)가 위치할 수 있다. 카메라(200)는 소방 수신기(100)의 판넬(110)을 촬영하여 촬영 데이터를 생성하며, 카메라(200)에서 생성된 촬영 데이터는 소방 수신기용 데이터 수집 장치(300)에 전기적 신호 또는 통신 신호로 전달된다.
소방 수신기용 데이터 수집 장치(300)는 소방 수신기(100)의 외부 또는 내부에 설치될 수 있으며, 그 개수는 하나 이상일 수 있다. 이하에서 설명하는 바와 같이, 소방 수신기용 데이터 수집 장치(300)는 카메라(200)에서 생성된 촬영 데이터를 이용하여 소방 수신기(100)의 상태 데이터를 생성하고, 생성된 상태 데이터를 외부(예를 들어, 서버)로 출력한다.
도 2는 도 1에 도시한 소방 수신기용 데이터 수집 장치(300)의 블록도로서, 소방 수신기용 데이터 수집 장치(300)는 기본적으로 데이터 취득부(310), 데이터 생성부(330) 및 데이터 출력부(340)를 포함한다.
데이터 취득부(310)는 카메라(200)와 전기적 또는 통신 연결되어 있으며, 이에 따라 소방 수신기(100)의 판넬(110)에 관한 촬영 데이터를 카메라(200)로부터 취득할 수 있다. 추가적으로, 데이터 취득부(310)는 소방 수신기(100)가 모니터링하는 대상(예를 들어, 건물의 객실 등)의 위치 정보를 소방 수신기(100)로부터 취득할 수도 있다. 여기서, 소방 수신기(100)가 모니터링하는 대상의 위치 정보는 소방 수신기(100)에 미리 저장된 것일 수 있다.
데이터 생성부(330)에는 기계 학습 모델이 저장되어 있을 수 있다. 이에 따라, 데이터 생성부(330)는 상기 기계 학습 모델과 상기 데이터 취득부(310)에서 취득된 촬영 데이터를 이용하여, 소방 수신기(100)의 상태를 예측하기 위한 기계 학습을 수행할 수 있다. 또한, 데이터 생성부(330)는 상기 기계 학습이 수행된 이후, 데이터 취득부(310)에 또 다른 촬영 데이터가 취득될 경우, 상기 기계 학습의 결과를 이용하여 소방 수신기(100)의 상태 데이터를 생성할 수 있다. 여기서, 데이터 생성부(330)가 생성하는 상태 데이터는 소방 수신기(100)가 화재를 감지하였는지 여부에 관한 데이터를 포함할 수 있다.
데이터 생성부(330)가 생성하는 상태 데이터의 정확도를 향상시키기 위하여, 소방 수신기용 데이터 수집 장치(300)는 데이터 전처리부(320)를 더 포함할 수 있다. 데이터 전처리부(320)는 데이터 취득부(310)에서 취득된 촬영 데이터에 라벨링 작업을 수행하며, 이 경우 데이터 생성부(330)는 데이터 전처리부(320)에 의해 라벨링 작업이 이루어진 촬영 데이터를 이용하여 소방 수신기(100)의 상태를 예측하기 위한 기계 학습을 수행한다.
상술한 바와 같이, 소방 수신기(100)의 제조사는 다양하며, 일반적으로 한 곳의 제조사라 하더라도 그 제조사가 생산하는 소방 수신기(100)의 모델은 다양하다. 이와 같이 소방 수신기(100)의 제조사 및 모델이 다양함으로 인해, 알람 버튼(예를 들어, 화재 알람 버튼, 고장 알람 버튼, 전원 알람 버튼, 주의 알람 버튼 등)의 배치, 알람 버튼의 형태, 알람 버튼의 색상 변화(예를 들어, 정상 동작일 때는 초록색, 화재와 같은 이벤트가 발생했을 때는 빨간색 등), 알람 버튼의 기능을 설명하는 글자(예를 들어, 화재, 고장, 전원, 주의 등) 등은 각양각색일 수 있다.
이에 따라, 데이터 전처리부(320)는 데이터 취득부(310)에서 취득된 촬영 데이터 중 알람 버튼의 배치, 알람 버튼의 형태, 알람 버튼의 색상 변화 및 알람 버튼의 기능을 설명하는 글자 중 적어도 하나를 인식할 수 있도록 설계될 것이 요구되며, 상기 인식 결과를 바탕으로 촬영 데이터에 라벨링 작업을 수행하는 것이 바람직하다. 데이터 전처리부(320)가 이와 같이 구성됨에 따라, 촬영 데이터에 대해 이루어진 라벨링 작업이 정확도 높게 이루어질 수 있으며, 그 결과 소방 수신기(100)의 상태 데이터 또한 정확도 높게 생성될 수 있게 된다.
데이터 취득부(310)가 촬영 데이터를 취득하면, 데이터 전처리부(320)는 상기 촬영 데이터에 포함된 알람 버튼의 배치, 알람 버튼의 형태, 알람 버튼의 색상 변화 및 알람 버튼의 기능을 설명하는 글자 중 적어도 하나를 인식한다.
이후 데이터 전처리부(320)는 상기 인식 결과를 바탕으로 소방 수신기(100)가 화재를 감지한 경우의 촬영 데이터 및 소방 수신기(100)가 화재를 감지하지 않은 경우의 촬영 데이터에, 각각 서로 다른 라벨링 작업을 수행할 수 있다. 예를 들어, 데이터 전처리부(320)는 소방 수신기(100)가 화재를 감지한 경우의 촬영 데이터를 0으로 라벨링할 수 있고, 소방 수신기(100)가 화재를 감지하지 않은 경우의 촬영 데이터를 1로 라벨링할 수 있다. 다만, 데이터 전처리부(320)는 이외에도 더 다양한 소방 수신기(100)의 상태에 대해 라벨링 작업을 수행할 수 있으며, 0과 1 이외의 방법으로 라벨링 작업을 수행할 수도 있다.
이와 같이 데이터 전처리부(320)가 소방 수신기(100)의 화재 감지 여부에 따라 서로 다른 라벨링 작업을 수행하게 되면, 데이터 생성부(330)는 소방 수신기(100)의 상태를 예측하기 위한 기계 학습, 특히 소방 수신기(100)가 화재를 감지하였는지 여부에 대한 기계 학습을 훨씬 더 높은 정확도로 수행할 수 있게 된다.
한편, 데이터 취득부(310)는 소방 수신기(100) 주변의 조도 데이터, 소방 수신기(100) 주변의 연기량 데이터, 소방 수신기(100) 주변의 먼지량 데이터 및 소방 수신기(100)의 판넬(110)에 기름때 부착 유무 데이터 중 적어도 하나를 더 취득할 수 있다. 여기서, 조도 데이터, 연기량 데이터, 먼지량 데이터는 각각 소방 수신기(100)에 또는 그 근방에 설치된 조도 센서, 연기 센서, 먼지 센서로부터 취득될 수 있다. 그리고 소방 수신기(100)의 판넬(110)에 기름때 부착 유무 데이터는 소방 수신기(100)의 관리자 등에 의해 입력되는 데이터를 통해 취득될 수 있다.
이 경우 데이터 생성부(330)는 데이터 취득부(310)에서 취득된 촬영 데이터와 함께, '소방 수신기(100) 주변의 조도 데이터, 소방 수신기(100) 주변의 연기량 데이터, 소방 수신기(100) 주변의 먼지량 데이터 및 소방 수신기(100)의 판넬에 기름때 부착 유무 데이터 중 적어도 하나'(이하, '소방 수신기(100) 주변의 조도 데이터 등'이라고 함)를 이용하여 소방 수신기(100)의 상태를 예측하기 위한 기계 학습을 수행할 수 있다. 데이터 생성부(330)가 소방 수신기(100) 주변의 조도 데이터 등을 기계 학습을 위한 학습 데이터로 활용하는 이유는, 소방 수신기(100)가 다양한 환경에 놓이는 상태를 감안한 것으로서, 소방 수신기(100)의 상태 데이터를 최대한 정확하게 생성해내기 위함이다.
이러한 데이터 생성부(330)는 YOLO 학습 모델이 미리 저장될 수 있는데, 데이터 취득부(310)가 취득한 촬영 데이터(또는, 데이터 전처리부(320)에 의해 라벨링된 촬영 데이터), 및 소방 수신기(100) 주변의 조도 데이터 등이 데이터 생성부(330)에 학습 데이터로 입력될 경우, 학습 데이터를 GAN 학습 모델의 입력 레이어에 적용하여 소방 수신기(100)의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기에서, YOLO 학습 모델은, 예를 들어 YOLOv5s를 이용하여 학습할 수 있는데, YOLOv4 알고리즘은 높은 FPS(Frames Per Second) 성능을 기반으로 실시간성에 적합한 딥 러닝 알고리즘으로, 본 실시예에서는 데이터 취득부(310)가 취득한 촬영 데이터(또는, 데이터 전처리부(320)에 의해 라벨링된 촬영 데이터), 및 소방 수신기(100) 주변의 조도 데이터 등이 데이터 생성부(330)에 학습 데이터로 입력될 경우, 입력된 학습 데이터에서 중요한 특징을 추출하는 역할인 모델 백본(Backbone)을 BottleNeck과 CSPNet을 결합하고 활성화 함수로 SiLU를 사용한 C3 모델을 활용함으로써, FasterR-CNN, Cascade R-CNN, RetinaNet 등의 알고리즘 대비 그 학습 능력이 향상될 수 있다.
데이터 생성부(330)에는 YOLO 학습 모델과 함께 GAN(Generative Adversarial Network) 학습 모델이 미리 저장되어 있을 수 있다. 데이터 취득부(310)가 취득한 촬영 데이터(또는, 데이터 전처리부(320)에 의해 라벨링된 촬영 데이터), 및 소방 수신기(100) 주변의 조도 데이터 등이 데이터 생성부(330)에 학습 데이터로 입력될 경우, 데이터 생성부(330)는 상기 학습 데이터를 GAN 학습 모델의 입력 레이어에 적용하여 소방 수신기(100)의 상태를 예측하기 위한 기계 학습을 수행할 수 있다.
여기서, GAN 학습 모델은 확률 분포를 학습하는 생성자와, 서로 다른 집합을 구분하는 판별자가 서로 경쟁하면서 실제 소방 수신기(100)와 매우 비슷한 특성을 갖는 학습 모델을 생성한다. 보다 구체적으로, 데이터 취득부(310)가 취득한 촬영 데이터(또는, 데이터 전처리부(320)에 의해 라벨링된 촬영 데이터), 및 소방 수신기(100) 주변의 조도 데이터 등이 GAN 학습 모델의 입력 레이어에 적용될 경우, GAN 학습 모델의 생성자는 실제 소방 수신기(100)의 특성에 대한 가짜 예제를 만들어 판별자를 최대한 속일 수 있도록 훈련하고, 판별자는 생성자가 제시하는 가짜 예제를 실제 소방 수신기(100)의 특성과 최대한 정확하게 구분할 수 있도록 훈련한다. 이와 같은 생성자와 판별자의 훈련 과정을 통해, GAN 학습 모델은 실제 소방 수신기(100)와 매우 비슷한 특성을 갖는 학습 모델을 생성하게 된다.
데이터 생성부(330)가 GAN 학습 모델을 활용하여 기계 학습을 수행할 경우에는 다양하게 변형된 학습 데이터로 기계 학습이 이루어지기 때문에, 후속해서 생성되는 소방 수신기(100)의 상태 데이터가 높은 정확도를 가질 수 있게 된다.
데이터 생성부(330)가 소방 수신기(100)의 상태를 예측하기 위한 기계 학습을 수행한 이후에는, 상기 기계 학습의 결과(즉, 학습 모델)를 저장해둘 수 있다. 이후 데이터 생성부(330)에 촬영 데이터(또는, 데이터 전처리부(320)에 의해 라벨링된 촬영 데이터), 및 소방 수신기(100) 주변의 조도 데이터 등이 입력될 경우, 데이터 생성부(330)는 저장되어 있는 기계 학습의 결과를 이용하여 소방 수신기(100)의 상태 데이터를 생성한다. 이때 데이터 생성부(330)는 소방 수신기(100)가 화재를 감지하였는지 여부에 따라, 서로 다른 형식의 데이터(즉, 소방 수신기(100)가 화재를 감지하였음을 나타내는 데이터와, 소방 수신기(100)가 화재를 감지하지 않았음을 나타내는 데이터는 상이한 형식을 가짐)를 포함하는 상태 데이터를 생성할 수 있다.
상술한 바와 같은 데이터 생성부(330)는 데이터 입력 레이어와, 복수의 가중치 부가 레이어와, 추론값 출력 레이어를 포함하는 학습모듈을 포함할 수 있는데, 이러한 학습모듈은 데이터 입력 레이어에 데이터 취득부(310)를 통해 수집되는 신호데이터가 입력되고, 가중치 부가 레이어를 통해 각 신호데이터에 가중치가 부가되며, 추론값 출력 레이어를 통해 가중치가 부가되어 연산된 값이 출력될 수 있다.
여기에서, 학습모듈은 데이터 입력 레이어에 입력되는 데이터값을 입력값으로 하고, 출력된 값을 결과값으로 하며, 신호데이터를 수집하는 중에 소방 수신기(100)의 작동상태를 타겟값으로 하여 학습을 수행함으로써, 소방 수신기(100)에 대한 작동상태 데이터 생성 알고리즘을 생성할 수 있다.
그리고, 데이터 생성부(330)는 데이터 취득부(310)에서 수집되는 실시간 신호를 작동상태 데이터 생성 알고리즘에 입력하여 소방 수신기(100)의 실시간 작동상태 데이터를 생성할 수 있다.
또한, 데이터 생성부(330)는 추론값 출력 레이어에 출력된 출력값과 목적값(target value)을 비교하여 손실점수를 산출하되, 손실점수가 기 설정된 기준점수 이하인 경우 학습모듈의 학습을 완료할 수 있고, 손실점수가 기 설정된 기준점수를 초과한 경우 손실점수가 기 설정된 기준점수 이하가 될 때까지 가중치 부가 레이어의 가중치값을 반복적으로 수정할 수 있다.
여기에서, 데이터 생성부(330)는 가중치 부가 레이어의 가중치값을 수정하는데 있어서, 손실점수를 기초로 추론값 출력 레이어에서 데이터 입력 레이어 방향으로 기 설정된 가중치 보정함수에 따라 가중치 부가 레이어의 가중치값을 보정한 후 다시 데이터 입력 레이어에서 추론값 출력 레이어 방향으로 가중치 연산을 수행하여 손실점수를 재산출할 수 있다.
이러한 데이터 생성부(330)는 학습모듈을 통해 생성되는 알고리즘을 다시 범용추론엔진에 입력시켜 추론 정확성을 향상시킬 수 있도록 학습시킬 수 있는데, 학습모듈의 학습을 통해 생성되는 알고리즘을 독립적인 상위레벨언어의 실행코드로 변환할 수 있고, 그 실행코드를 가속 연산 필요 여부에 따라 범용언어(GPL : general purpose language)코드와 도메인특정언어(DSL : dmmain specific language)코드로 분리하며, 분리된 범용언어코드 및 도메인특정언어코드를 소방 수신기에 최적화된 타겟코드로 생성할 수 있다.
이러한 범용추론엔진은 타겟코드를 생성할 경우 범용언어코드를 분석한 결과 또는 소방 수신기(100)의 연산가속기 구성상태를 기반으로 소방 수신기(100)의 중앙처리유닛(CPU) 또는 연산가속기에서 실행되는 타겟코드로 생성할 수 있다.
데이터 출력부(340)는 데이터 생성부(330)에서 생성된 상태 데이터를 외부로 출력한다. 일 예로서, 데이터 출력부(340)는 상기 상태 데이터를 소방 수신기용 데이터 수집 장치(300)의 외부에 위치하는 서버(400)로 출력할 수 있다. 이를 위해 소방 수신기용 데이터 수집 장치(300)와 서버(400)는 통신 연결되어 있는 것이 바람직하다.
상술한 바와 같은 데이터 출력부(340)는 공개키암호방식의 양자내성암호화를 수행하여 데이터의 송수신을 수행할 수 있는데, 데이터 생성부(330)에서 생성된 데이터를 관리자 단말(500)로 전송하고, 관리자 단말(500)로부터 전송되는 제어신호를 수신하는 경우 매켈리스(McEliece), 모던매켈리스(Modern McElice), 니더레이터(Niederreiter), MCPC-매켈리스, 와일드매켈리스, McBits, NTRU, SS-NTRU, BLISS, 뉴홉, W-OTS+, SPHINCS, HORS 중에서 선택된 적어도 어느 하나의 알고리즘을 적용한 데이터패킷을 전송 또는 수신할 수 있다.
이러한 양자내성암호화는 다변수기반, 코드기반, 격자기반, 아이소제니기반, 해시기반 등으로 분류할 수 있는데, 다변수기반 암호화는 유한체 위에서 계산하는 다변수함수 문제의 어려움에 기반하는 암호화로서, 안전성과 연산 효율성을 향상시키기 위해 주로 이차함수를 사용할 수 있고, 암호화 및 복호화가 다항식의 계산이기 때문에, 전력 분석의 부채널 공격에 강하여 안전하다는 장점이 있으며, 예를 들어 HFE, ZHFE, UOV 등을 포함할 수 있다.
그리고, 코드기반 암호화는 일반적인 선형코드를 디코딩하는 어려움에 기반하는 암호화로서, 행렬 연산을 통해 연산속도를 향상시킬 수 있으며, 의도적으로 오류를 주입하여 오류를 알고 잇는 사용자만 메시지를 복원할 수 있도록 하는 것으로, 예를 들어 매켈리스, 모던매켈리스, 니더레이터, MCPC-매킬리스, 와일드매킬리스, McBits 등을 포함할 수 있다.
또한, 격자기반 암호화는 격자 위에서 계산하는 어려움에 기반하는 암호화로서, LWE 등의 문제를 계산하는 어려움을 기반으로 설계되었고, NP-hard라는 수학 문제에 안전성 기반을 두고 있기 때문에 안정성에 강점이 있을 뿐만 아니라 C언어나 C++언어와 같은 프로그로밍언어로 구현할 경우 모든 연산이 행렬끼리의 곱셈과 덧셈이기 때문에 계산 효율성이 높은 장점이 있고, 예를 들어 NTRU, SS-NTRU, BLISS, 뉴 홉, NTRU-프라임, LWE-Prodo 등을 포함할 수 있다.
한편, 아이소제니기반 암호화는 순서가 같은 두 타원곡선 사이에 존재하는 아이소제니를 구하는 문제의 어려움에 기반하는 암호화로서, 예를 들어 디피-헬만같은 프로토콜, SIDH 등을 포함할 수 있다.
또한, 해시기반 암호화는 해시 함수의 안전성을 기반으로 한 전자 서명 시스템으로, 암호학적 해시함수를 이용하여 전자서명 스킴을 구성하고, 사용되는 해시함수의 충돌 저항성에 의해 안전성을 보장할 수 있으며, 예를 들어 W-OTS, W-OTS+, HORS, SPHINCS 등을 포함할 수 있다.
서버(400)는 소방 수신기용 데이터 수집 장치(300)에서 생성되는 상태 데이터이자, 상기 데이터 출력부(340)로부터 출력되는 상태 데이터를 입력받아 이를 저장할 수 있다. 또한, 서버(400)는 관리자 단말(500)로부터의 영상 요청이 있을 경우, 저장된 상태 데이터를 관리자 단말(500)에 전달할 수도 있다. 이를 위해 서버(400)와 관리자 단말(500) 또한 통신 연결되어 있는 것이 바람직하다.
관리자 단말(500)은 서버(400)에 접속하여, 서버(400)로부터 상태 데이터를 전달받을 수 있다. 이 경우 관리자 단말(500)은 소방 수신기(100)의 관리자가 소방 수신기(100)를 원격에서 모니터링할 수 있도록 상태 데이터를 관리자 단말(500)의 화면(510)에 표시할 수 있다.
또한, 데이터 수집 장치(300), 서버(400), 관리자 단말(500)의 상태 데이터의 송수신이 이루어지는 경우, 상태 데이터는 특정 위치의 소방 수신기의 상태나 그 제어에 관련되어 민감한 데이터를 포함하고 있으며, 만약 외부의 해킹 등에 의해, 이러한 상태 데이터가 노출되거나 조작되는 경우, 큰 사회적 비용을 발생할 수 있다. 이러한 문제를 해결하기 위해, 상기 상태 데이터의 송수신시, 적절한 암호화 스킴(scheme)을 적용하는 것이 바람직하다. 보다 구체적으로, 이러한 암호화 스킴은 해시(hash) 함수와 같이, 단방향성 함수(on way fuction)를 사용하는 것이 바람직하다.
해시 함수의 경우, 보통 다양한 데이터의 입력을 고정된 길이의 누메릭 스트링(숫자 형태의 문자열)으로 변환하는 기능을 수행하며, 서로 다른 입력에 대해서 같은 출력이 나오지 않는 특성을 지녀, 데이터의 위변조를 쉽게 인지할 수 있는 효과를 제공한다.
그러므로, 상기 데이터 수집 장치(300), 서버(400), 관리자 단말(500)의 상태 데이터의 송수신시에 해시 함수를 사용할 수 있으며, 일 실시예로는 MD5(Messge Digest algorithm 5) 또는 SHA-1(Secure Hash Algorithm) 알고리즘을 사용할 수 있다.
다른 실시예로는 상기 MD5나 SHA-1 알고리즘의 무결성에 대한 해킹 시도가 빈번한 점에 착안하여, ANN(Aritificial Neural Network) 해시 알고리즘을 적용하는 것도 고려할 수 있다. 즉, ANN의 다층 레이어중, 입력 레이어에 상기 상태 데이터의 입력 값(숫자, 문자의 형태)과 더불어, 해시함수의 출력값을 같이 학습시켜, 히든 레이어의 연산시 해시함수의 출력값이 반영되도록 하고, 이를 출력 레이어의 결과값(메시지 다이제스트)으로 반영하게 함으로써, 각 ANN의 고유한 특성(각 뉴론/레이어의 활성화 함수의 차이)이 결과값에 반영되게 하고, 외부에서의 해킹 등이 종래 해시 함수보다 한층 더 어려워지는 효과를 제공할 수 있다.
도 3은 소방 수신기(100)가 화재를 감지하였음을 나타내는 상태 데이터가 관리자 단말(500)의 화면(510)에 표시된 예시도이다. 도 3에 도시된 바와 같이, 관리자 단말(500)의 화면(510)에 화재 감지와 관련된 상태 데이터가 표시됨에 따라, 관리자는 원격에서 화재 발생 여부를 즉각적으로 확인할 수 있다.
데이터 생성부(330)가 소방 수신기(100)의 상태 데이터를 생성할 때에는, 소방 수신기(100)가 모니터링하는 대상의 위치 정보를 데이터 취득부(310)로부터 전달받아 상태 데이터에 포함시킬 수 있다. 예를 들어, 도 3에 도시된 바와 같이, '비디아파트 101동 1317호'에서 화재가 발생한 경우, 데이터 생성부(330)는 화재 감지와 관련된 상태 데이터에, 소방 수신기(100)가 모니터링한 대상인 '비디아파트 101동 1317호'라고 하는 위치 정보를 데이터 취득부(310)로부터 전달받아 상태 데이터에 포함시킬 수 있으며, 이에 따라 관리자 단말(500)의 화면(510)에는 화재 감지에 관한 상태 및 화재가 발생한 위치 정보가 함께 표시될 수 있다.
한편, 소방 수신기(100)가 오동작함에 따라, 화재가 발생하지 않았음에도 불구하고 화재 감지와 관련된 상태 데이터가 관리자 단말(500)에 표시되는 경우가 생길 수 있다. 이에 따라, 원격 소방 관제 시스템(1000)은 CCTV(closed-circuit television, 600)를 더 포함할 수 있다.
CCTV(600)는 소방 수신기(100)가 모니터링하는 대상(예를 들어, 건물의 객실 등)에 설치된 것일 수 있으며, 관리자 단말(500)과는 통신 연결되어 있는 것이 바람직하다. 관리자가 관리자 단말(500)의 화면(510)을 통해 화재가 발생하였음을 확인한 이후에는, 관리자 단말(500)을 통해 CCTV(600)에 통신 접속할 수 있으며, 이때 CCTV(600)는 소방 수신기(100)가 모니터링하는 대상의 영상을 관리자 단말(500)에 전달할 수 있다.
도 4는 관리자 단말(500)을 통해 전달되는 CCTV(600) 연동 화면의 예시도이다. 도 4에 도시된 바와 같이, 관리자는 관리자 단말(500)을 통해 CCTV(600) 연동 화면을 원격에서 확인할 수 있으며, 확인 결과 소방 수신기(100)가 모니터링하는 대상에서 진정으로 화재가 발생하였는지 여부를 실시간으로 확인할 수 있다.
관리자가 CCTV(600) 연동 화면을 확인한 결과, 소방 수신기(100)가 모니터링하는 대상에서 진정으로 화재가 발생한 경우, 관리자는 소방서에 신고 전화를 걸고, 화재 현장에 즉시 이동하는 등 필요한 조치를 신속하게 취할 수 있다.
이에 반해, 관리자가 CCTV(600) 연동 화면을 확인한 결과, 소방 수신기(100)가 모니터링하는 대상에서 화재가 발생하지 않은 경우에는, 관리자 단말(500)에 화재 감지와 관련된 상태 데이터가 표시된 것이 소방 수신기(100)의 오동작으로 기인한 것이기 때문에, 관리자는 소방 수신기(100)가 다시 정상적으로 동작될 수 있도록 소방 수신기(100)의 동작을 초기화하는 것이 바람직하다.
도 5는 관리자 단말(500)의 화면에 소방 수신기(100)의 동작을 초기화할 수 있는 복구 버튼이 마련된 모습의 예시도이다. 소방 수신기(100)가 모니터링하는 대상에서 화재가 발생하지 않았음을 CCTV(600) 연동 화면을 확인한 관리자는 도 5에 도시된 "복구" 버튼을 클릭할 수 있으며, 이 경우 관리자 단말(500)은 상기 클릭에 대한 응답으로 복구 신호를 생성하게 된다.
관리자 단말(500)이 생성한 복구 신호는 서버(400)를 거쳐 소방 수신기용 데이터 수집 장치(300)로 전달될 수 있다. 여기서, 복구 신호는 데이터 출력부(340)에 의해 외부(예를 들어, 서버(400) 및 관리자 단말(500))로 출력되는 상태 데이터에 대응하여 외부(예를 들어, 관리자 단말(500) 및 서버(400))로부터 전달되는 신호에 해당한다. 소방 수신기용 데이터 수집 장치(300)는 복구 신호 수신부(350)를 더 포함할 수 있으며, 복구 신호 수신부(350)는 외부(예를 들어, 관리자 단말(500) 및 서버(400))로부터 전달되는 복구 신호를 입력받을 경우, 상기 복구 신호에 따라 소방 수신기(100)의 동작을 초기화하여 소방 수신기(100)가 다시 정상적으로 동작될 수 있도록 한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 위에서는 GAN 학습 모델을 활용하여 소방 수신기(100)의 상태를 예측하기 위한 기계 학습만을 설명하였으나, CNN(Convolution Neural Network), DCNN(Deep Convolution Neural Network), DNN(Deep Neural Network), RNN(Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (SingleShot Detector), YOLO (You Only Look Once) 등 GAN 이외의 기계 학습 모델도 얼마든지 활용 가능하다. 따라서, 본 발명의 기술적 사상은 청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명의 기술적 사상의 범주 안에 속한다고 할 것이다.
100: 소방 수신기
110: (소방 수신기의) 판넬
200: 카메라
300: 소방 수신기용 데이터 수집 장치
310: 데이터 취득부
320: 데이터 전처리부
330: 데이터 생성부
340: 데이터 출력부
350: 복구 신호 수신부
400: 서버
500: 관리자 단말
510: (관리자 단말의) 화면
600: CCTV
1000: 원격 소방 관제 시스템

Claims (16)

  1. 소방 수신기의 판넬에 관한 촬영 데이터를 취득하는 데이터 취득부;
    상기 데이터 취득부에서 취득된 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하며, 상기 기계 학습의 결과를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 데이터 생성부; 및
    상기 데이터 생성부에서 생성된 상태 데이터를 외부로 출력하는 데이터 출력부를 포함하며,
    상기 데이터 생성부는,
    데이터 입력 레이어와, 복수의 가중치 부가 레이어와, 추론값 출력 레이어를 포함하는 학습모듈을 포함하되, 상기 데이터 입력 레이어에 상기 데이터 취득부를 통해 수집되는 신호데이터가 입력되고, 상기 가중치 부가 레이어를 통해 각 신호데이터에 가중치가 부가되며, 상기 추론값 출력 레이어를 통해 가중치가 부가되어 연산된 값이 출력되는 방식으로 학습을 수행하여 상기 소방 수신기에 대한 작동상태 데이터 생성 알고리즘을 생성하고,
    상기 학습모듈을 통해 생성되는 상기 작동상태 데이터 생성 알고리즘을 다시 범용추론엔진에 입력시켜 추론 정확성을 향상시킬 수 있도록 학습시키되, 상기 학습모듈의 학습을 통해 생성되는 상기 작동상태 데이터 생성 알고리즘을 독립적인 상위레벨언어의 실행코드로 변환하고, 상기 실행코드를 가속 연산 필요 여부에 따라 범용언어(GPL : general purpose language)코드와 도메인특정언어(DSL : dmmain specific language)코드로 분리하며, 분리된 상기 범용언어코드 및 도메인특정언어코드를 상기 소방 수신기에 대응하는 타겟코드로 생성하고,
    상기 데이터 출력부는,
    공개키암호방식의 양자내성암호화를 수행하여 데이터의 송수신을 수행하되, 매켈리스(McEliece), 모던매켈리스(Modern McElice), 니더레이터(Niederreiter), MCPC-매켈리스, 와일드매켈리스, McBits, NTRU, SS-NTRU, BLISS, 뉴홉, W-OTS+, SPHINCS 및 HORS 중에서 선택된 적어도 어느 하나의 알고리즘을 적용한 데이터패킷을 전송 또는 수신하는
    소방 수신기용 데이터 수집 장치.
  2. 제1항에 있어서,
    상기 데이터 취득부에서 취득된 촬영 데이터에 라벨링 작업을 수행하는 데이터 전처리부를 더 포함하며,
    상기 데이터 생성부는 상기 데이터 전처리부에 의해 라벨링 작업이 이루어진 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하는 것을 특징으로 하는, 소방 수신기용 데이터 수집 장치.
  3. 제2항에 있어서,
    상기 데이터 전처리부는,
    상기 데이터 취득부에서 취득된 촬영 데이터 중 알람 버튼의 배치, 상기 알람 버튼의 형태, 상기 알람 버튼의 색상 변화 및 상기 알람 버튼의 기능을 설명하는 글자 중 적어도 하나를 인식하여 상기 촬영 데이터에 라벨링 작업을 수행하는 것을 특징으로 하는, 소방 수신기용 데이터 수집 장치.
  4. 제2항에 있어서,
    상기 데이터 전처리부는,
    상기 소방 수신기가 화재를 감지한 경우의 촬영 데이터 및 상기 소방 수신기가 화재를 감지하지 않은 경우의 촬영 데이터에, 각각 서로 다른 라벨링 작업을 수행하는 것을 특징으로 하는, 소방 수신기용 데이터 수집 장치.
  5. 제1항에 있어서,
    상기 데이터 취득부는,
    상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 더 취득하고,
    상기 데이터 생성부는,
    상기 데이터 취득부에서 취득된 촬영 데이터와 함께, 상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하는 것을 특징으로 하는, 소방 수신기용 데이터 수집 장치.
  6. 제1항에 있어서,
    상기 데이터 생성부는,
    GAN 학습 모델을 활용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하는 것을 특징으로 하는, 소방 수신기용 데이터 수집 장치.
  7. 제1항에 있어서,
    상기 데이터 출력부에 의해 외부로 출력되는 상태 데이터에 대응하여 외부로부터 전달되는 복구 신호를 입력받을 경우, 상기 복구 신호에 따라 상기 소방 수신기의 동작을 초기화하는 복구 신호 수신부를 더 포함하는, 소방 수신기용 데이터 수집 장치.
  8. 화재 발생 여부를 모니터링하는 소방 수신기;
    상기 소방 수신기의 판넬을 촬영하여 촬영 데이터를 생성하는 카메라;
    상기 카메라에서 생성된 촬영 데이터를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 소방 수신기용 데이터 수집 장치;
    상기 소방 수신기용 데이터 수집 장치에서 생성되는 상태 데이터를 저장하는 서버; 및
    상기 서버로부터 상태 데이터를 전달받으며, 상기 소방 수신기의 관리자가 상기 소방 수신기를 모니터링할 수 있도록 상기 상태 데이터를 화면에 표시하는 관리자 단말을 포함하며,
    상기 소방 수신기용 데이터 수집 장치는,
    상기 소방 수신기의 판넬에 관한 촬영 데이터를 취득하는 데이터 취득부;
    상기 데이터 취득부에서 취득된 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하며, 상기 기계 학습의 결과를 이용하여 상기 소방 수신기의 상태 데이터를 생성하는 데이터 생성부; 및
    상기 데이터 생성부에서 생성된 상태 데이터를 외부로 출력하는 데이터 출력부를 포함하고,
    상기 데이터 생성부는,
    데이터 입력 레이어와, 복수의 가중치 부가 레이어와, 추론값 출력 레이어를 포함하는 학습모듈을 포함하되, 상기 데이터 입력 레이어에 상기 데이터 취득부를 통해 수집되는 신호데이터가 입력되고, 상기 가중치 부가 레이어를 통해 각 신호데이터에 가중치가 부가되며, 상기 추론값 출력 레이어를 통해 가중치가 부가되어 연산된 값이 출력되는 방식으로 학습을 수행하여 상기 소방 수신기에 대한 작동상태 데이터 생성 알고리즘을 생성하고,
    상기 학습모듈을 통해 생성되는 상기 작동상태 데이터 생성 알고리즘을 다시 범용추론엔진에 입력시켜 추론 정확성을 향상시킬 수 있도록 학습시키되, 상기 학습모듈의 학습을 통해 생성되는 상기 작동상태 데이터 생성 알고리즘을 독립적인 상위레벨언어의 실행코드로 변환하고, 상기 실행코드를 가속 연산 필요 여부에 따라 범용언어(GPL : general purpose language)코드와 도메인특정언어(DSL : dmmain specific language)코드로 분리하며, 분리된 상기 범용언어코드 및 도메인특정언어코드를 상기 소방 수신기에 대응하는 타겟코드로 생성하고,
    상기 데이터 출력부는,
    공개키암호방식의 양자내성암호화를 수행하여 데이터의 송수신을 수행하되, 매켈리스(McEliece), 모던매켈리스(Modern McElice), 니더레이터(Niederreiter), MCPC-매켈리스, 와일드매켈리스, McBits, NTRU, SS-NTRU, BLISS, 뉴홉, W-OTS+, SPHINCS 및 HORS 중에서 선택된 적어도 어느 하나의 알고리즘을 적용한 데이터패킷을 전송 또는 수신하는
    원격 소방 관제 시스템.
  9. 삭제
  10. 제8항에 있어서,
    상기 소방 수신기용 데이터 수집 장치는,
    상기 데이터 취득부에서 취득된 촬영 데이터에 라벨링 작업을 수행하는 데이터 전처리부를 더 포함하며,
    상기 데이터 생성부는 상기 데이터 전처리부에 의해 라벨링 작업이 이루어진 촬영 데이터를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하는 것을 특징으로 하는, 원격 소방 관제 시스템.
  11. 제10항에 있어서,
    상기 데이터 전처리부는,
    상기 데이터 취득부에서 취득된 촬영 데이터 중 알람 버튼의 배치, 상기 알람 버튼의 형태, 상기 알람 버튼의 색상 변화 및 상기 알람 버튼의 기능을 설명하는 글자 중 적어도 하나를 인식하여 상기 촬영 데이터에 라벨링 작업을 수행하는 것을 특징으로 하는, 원격 소방 관제 시스템.
  12. 제10항에 있어서,
    상기 데이터 전처리부는,
    상기 소방 수신기가 화재를 감지한 경우의 촬영 데이터 및 상기 소방 수신기가 화재를 감지하지 않은 경우의 촬영 데이터에, 각각 서로 다른 라벨링 작업을 수행하는 것을 특징으로 하는, 원격 소방 관제 시스템.
  13. 제8항에 있어서,
    상기 데이터 취득부는,
    상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 더 취득하고,
    상기 데이터 생성부는,
    상기 데이터 취득부에서 취득된 촬영 데이터와 함께, 상기 소방 수신기 주변의 조도 데이터, 상기 소방 수신기 주변의 연기량 데이터, 상기 소방 수신기 주변의 먼지량 데이터 및 상기 소방 수신기의 판넬에 기름때 부착 유무 데이터 중 적어도 하나를 이용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하는 것을 특징으로 하는, 원격 소방 관제 시스템.
  14. 제8항에 있어서,
    상기 데이터 생성부는,
    GAN 학습 모델을 활용하여 상기 소방 수신기의 상태를 예측하기 위한 기계 학습을 수행하는 것을 특징으로 하는, 원격 소방 관제 시스템.
  15. 제8항에 있어서,
    상기 소방 수신기용 데이터 수집 장치는,
    상기 데이터 출력부에 의해 외부로 출력되는 상태 데이터에 대응하여 상기 관리자 단말로부터 전달되는 복구 신호를 입력받을 경우, 상기 복구 신호에 따라 상기 소방 수신기의 동작을 초기화하는 복구 신호 수신부를 더 포함하는, 원격 소방 관제 시스템.
  16. 제8항에 있어서,
    상기 원격 소방 관제 시스템은,
    상기 관리자 단말이 통신 접속할 경우, 상기 소방 수신기가 모니터링하는 대상의 영상을 상기 관리자 단말에 제공하는 CCTV를 더 포함하는, 원격 소방 관제 시스템.
KR1020230054581A 2022-10-25 2023-04-26 촬영 데이터 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템 KR102643507B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220138596 2022-10-25
KR20220138596 2022-10-25

Publications (1)

Publication Number Publication Date
KR102643507B1 true KR102643507B1 (ko) 2024-03-05

Family

ID=90298143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230054581A KR102643507B1 (ko) 2022-10-25 2023-04-26 촬영 데이터 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템

Country Status (1)

Country Link
KR (1) KR102643507B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072053A (ko) 2010-12-23 2012-07-03 한국전자통신연구원 다중보호그룹의 보호절체를 수행하는 보호절체 장치 및 방법
KR101444242B1 (ko) * 2014-04-08 2014-09-30 (주)동국일렉콘스 자가진단 기능을 갖는 원격제어반 및 원격제어반의 자가진단 방법
KR20190057877A (ko) * 2017-11-21 2019-05-29 (주)도요테크놀러지 화재감지 및 화재상황 모니터링 시스템
KR20190091757A (ko) 2018-01-29 2019-08-07 주식회사 하나안전소방 소방 방재 모니터링 시스템 및 방법
JP2020140277A (ja) * 2019-02-27 2020-09-03 ホーチキ株式会社 火災検知器及び火災検知方法
KR102191349B1 (ko) * 2020-05-07 2020-12-15 (주)웨이버스 화재 수신반 이미지에 기초하여 화재 감지를 위한 디지털 지도를 제공하는 화재 감지 시스템
KR20210064096A (ko) * 2019-11-25 2021-06-02 주식회사 모니터링식스 서버 및 이를 포함하는 화재 감시 시스템 및 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120072053A (ko) 2010-12-23 2012-07-03 한국전자통신연구원 다중보호그룹의 보호절체를 수행하는 보호절체 장치 및 방법
KR101444242B1 (ko) * 2014-04-08 2014-09-30 (주)동국일렉콘스 자가진단 기능을 갖는 원격제어반 및 원격제어반의 자가진단 방법
KR20190057877A (ko) * 2017-11-21 2019-05-29 (주)도요테크놀러지 화재감지 및 화재상황 모니터링 시스템
KR20190091757A (ko) 2018-01-29 2019-08-07 주식회사 하나안전소방 소방 방재 모니터링 시스템 및 방법
JP2020140277A (ja) * 2019-02-27 2020-09-03 ホーチキ株式会社 火災検知器及び火災検知方法
KR20210064096A (ko) * 2019-11-25 2021-06-02 주식회사 모니터링식스 서버 및 이를 포함하는 화재 감시 시스템 및 방법, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램
KR102191349B1 (ko) * 2020-05-07 2020-12-15 (주)웨이버스 화재 수신반 이미지에 기초하여 화재 감지를 위한 디지털 지도를 제공하는 화재 감지 시스템

Similar Documents

Publication Publication Date Title
KR101133924B1 (ko) 행동패턴 데이터베이스를 이용한 능동형 영상감시 시스템 및 그 방법
US20180018861A1 (en) Holographic Technology Implemented Security Solution
US9779614B2 (en) System and method of alerting CMS and registered users about a potential duress situation using a mobile application
JP2018101317A (ja) 異常監視システム
US8577082B2 (en) Security device and system
KR102058452B1 (ko) IoT 융합 지능형 영상분석 플랫폼 시스템
KR102407327B1 (ko) 화재감지장치 및 이를 포함하는 화재감지시스템
KR101485022B1 (ko) 행동 패턴 분석이 가능한 객체 추적 시스템 및 이를 이용한 방법
CN104599427A (zh) 一种用于公路隧道的智能图像型火灾报警系统
KR102149832B1 (ko) 딥러닝 기반의 자동 폭력 감지 시스템
JP3960983B2 (ja) 監視センターサーバ
CN112785809B (zh) 一种基于ai图像识别火情复燃预测方法及系统
CN109544870A (zh) 用于智能监控系统的报警判断方法与智能监控系统
CN111553305B (zh) 一种违章视频识别系统和方法
KR102233679B1 (ko) Ess 침입자 및 화재 감지 장치 및 방법
KR102299704B1 (ko) 재난환경 메타데이터 연계를 통한 스마트 딥러닝 영상감시 시스템
KR102643507B1 (ko) 촬영 데이터 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템
CN101461239B (zh) 用于进行中心站警报监控的视频验证系统和方法
KR102643500B1 (ko) 통신 신호 기반의 소방 수신기용 데이터 수집 장치 및 이를 포함하는 원격 소방 관제 시스템
Bushra et al. Predicting Anomalous and Consigning Apprise During Heists
CN111908288A (zh) 一种基于TensorFlow的电梯安全系统及方法
KR102081577B1 (ko) Cctv를 활용한 지능형 화재 감지 시스템
KR20210013865A (ko) 생성적 대립 네트워크를 이용한 사람의 비정상 행동 탐지 시스템 및 방법
JP4533394B2 (ja) 監視センターサーバ
CN114821428A (zh) 一种智能火灾识别方法、装置、计算机设备及存储介质

Legal Events

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