KR102647140B1 - IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 - Google Patents
IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 Download PDFInfo
- Publication number
- KR102647140B1 KR102647140B1 KR1020230157083A KR20230157083A KR102647140B1 KR 102647140 B1 KR102647140 B1 KR 102647140B1 KR 1020230157083 A KR1020230157083 A KR 1020230157083A KR 20230157083 A KR20230157083 A KR 20230157083A KR 102647140 B1 KR102647140 B1 KR 102647140B1
- Authority
- KR
- South Korea
- Prior art keywords
- led
- illuminance value
- led lighting
- illuminance
- leds
- Prior art date
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 7
- 238000003745 diagnosis Methods 0.000 title claims abstract description 7
- 238000012544 monitoring process Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 29
- 230000008439 repair process Effects 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 description 32
- 238000005516 engineering process Methods 0.000 description 22
- 238000010801 machine learning Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 16
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/20—Responsive to malfunctions or to light source life; for protection
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/10—Controlling the intensity of the light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/50—Circuit arrangements for operating light-emitting diodes [LED] responsive to malfunctions or undesirable behaviour of LEDs; responsive to LED life; Protective circuits
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/175—Controlling the light source by remote control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
본 개시의 일 실시예에 따른, IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 제어 시스템은, 직렬 또는 병렬로 연결된 복수의 LED를 포함하고, 주변의 조도에 따라 미리 설정된 광량으로 출력되도록 자동 제어되는 LED 등기구, 상기 LED 등기구에 설치되고, 상기 복수의 LED의 조도를 감지하는 조도 센서, 상기 LED 등기구에 설치되고, 디밍 컨트롤러(dimming controller)를 포함하며 원격 제어 신호를 수신하여 상기 LED 등기구의 조도를 제어하고, 상기 LED의 상태를 확인하여 상기 LED 등기구의 고장 여부를 확인하는 등기구 제어 장치 및 LTE-M 통신 방식, NB-IoT 통신 방식, LTE 통신 방식, Ethernet 통신 방식 및 직비(zigbee) 통신 방식 중 적어도 어느 하나의 통신 방식을 이용하여 상기 등기구 제어 장치와 통신적으로 연결되어 상기 LED 등기구의 고장 정보를 관리하고, 상기 등기구 제어 장치를 원격 모니터링 및 제어하는 관리 서버를 포함하고, 상기 등기구 제어 장치는, 상기 조도 센서로부터 상기 LED 등기구의 전체 조도 값을 수신하고, 상기 LED 등기구의 상기 전체 조도 값이 기 설정된 기준 조도 값보다 낮음에 기초하여 상기 조도 센서로부터 복수의 상기 LED에서 각각 측정된 조도 값을 수신하고, 복수의 상기 LED 중 특정 LED의 조도 값이 상기 LED 등기구가 기 설정된 기준 조도 값을 출력하기 위해 필요한 상기 LED의 기준 조도 값보다 낮음에 기초하여 상기 특정 LED의 정보를 상기 관리 서버에 전송하고, 상기 LED 등기구의 전체 조도 값이 기 설정된 기준 조도 값을 출력하기 위한 상기 특정 LED 주변의 다른 LED의 조도 값이, 상기 관리 서버로부터 전송됨에 따라 상기 다른 LED의 조도 값을 조절하고, 상기 관리 서버는, 상기 특정 LED의 상태를 고장 상태로 분류하여 수리 대상으로 설정할 수 있다.
Description
본 문서에 개시된 다양한 실시예들은, IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템에 관한 것이다.
사물 인터넷은 사물에 센서를 부착해 실시간으로 데이터를 인터넷으로 주고받는 기술이나 환경을 말한다. 인터넷에 연결된 기기는 사람의 도움 없이 직접 정보를 주고받을 수 있으며 기존에는 블루투스(Bluetooth), 근거리 무선통신(NFC) 등의 기술을 사용하였다. 그러나 블루투스, 근거리무선통신(NFC) 등은 근거리에서만 통신이 가능했으며, 별도의 유/무선 인터넷과 연동되어야 했다.
구체적으로, 사물 인터넷을 구현하기 위해서는 주위 환경에서 정보를 얻는 센서, 네트워크에 연결되도록 지원하는 통신 네트워크망, 서비스 분야와 형태에 맞게 정보를 가공하고 처리하고 처리하는 서비스 인터페이스 기술이 필요하다. 또한, 수집된 데이터 유출과 기기의 통제권을 지키기 위한 보안 기술도 중요하다.
최근, 다양한 장소에 배치되는 LED 등기구와 사물 인터넷을 결합하여 LED 등기구 주변 환경을 인식하여 다양한 정보를 얻는 기술들이 개발되고 있다.
LED 등기구는 LED 소자를 통해 정해진 조도 값에 맞추어 빛을 발산할 수 있다. 도로에 설치되는 LED 등기구의 경우, 주로 일몰 후 작동이 되는데, 심야 시간과 같이 사람의 유동이 없는 곳에 항시 LED 등기구가 켜져 있으면, 불필요한 에너지 소비가 이루어질 수 있다.
한편, LED 등기구의 고장 여부는 일반적으로 LED 등기구가 설치된 주변을 통행하는 사람들을 통해 확인이될 수 있다. 예를 들어, LED 등기구의 조도가 기존보다 낮아진 경우, 이를 자체적으로 확인할 수 있는 것이 아닌 주로 통행자들을 통해 확인될 수 있다.
본 개시의 일 실시예에 따르면 LED 등기구의 상태 정보를 감지하여 관리 서버에 전달하고 LED 등기구의 고장 여부를 즉각적으로 확인할 수 있는 시스템을 제안할 수 있다.
또한, 객체의 유동이 없는 시간대를 자체적으로 출력하여 해당 시간대에는 LED 등기구의 조도 값을 낮추는 방법을 제안할 수 있다.
본 개시의 일 실시예에 따른, IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 제어 시스템은, 직렬 또는 병렬로 연결된 복수의 LED를 포함하고, 주변의 조도에 따라 미리 설정된 광량으로 출력되도록 자동 제어되는 LED 등기구, 상기 LED 등기구에 설치되고, 상기 복수의 LED의 조도를 감지하는 조도 센서, 상기 LED 등기구에 설치되고, 디밍 컨트롤러(dimming controller)를 포함하며 원격 제어 신호를 수신하여 상기 LED 등기구의 조도를 제어하고, 상기 LED의 상태를 확인하여 상기 LED 등기구의 고장 여부를 확인하는 등기구 제어 장치 및 LTE-M 통신 방식, NB-IoT 통신 방식, LTE 통신 방식, Ethernet 통신 방식 및 직비(zigbee) 통신 방식 중 적어도 어느 하나의 통신 방식을 이용하여 상기 등기구 제어 장치와 통신적으로 연결되어 상기 LED 등기구의 고장 정보를 관리하고, 상기 등기구 제어 장치를 원격 모니터링 및 제어하는 관리 서버를 포함하고, 상기 등기구 제어 장치는, 상기 조도 센서로부터 상기 LED 등기구의 전체 조도 값을 수신하고, 상기 LED 등기구의 상기 전체 조도 값이 기 설정된 기준 조도 값보다 낮음에 기초하여 상기 조도 센서로부터 복수의 상기 LED에서 각각 측정된 조도 값을 수신하고, 복수의 상기 LED 중 특정 LED의 조도 값이 상기 LED 등기구가 기 설정된 기준 조도 값을 출력하기 위해 필요한 상기 LED의 기준 조도 값보다 낮음에 기초하여 상기 특정 LED의 정보를 상기 관리 서버에 전송하고, 상기 LED 등기구의 전체 조도 값이 기 설정된 기준 조도 값을 출력하기 위한 상기 특정 LED 주변의 다른 LED의 조도 값이, 상기 관리 서버로부터 전송됨에 따라 상기 다른 LED의 조도 값을 조절하고, 상기 관리 서버는, 상기 특정 LED의 상태를 고장 상태로 분류하여 수리 대상으로 설정할 수 있다.
본 개시의 일 실시예에 따르면 LED 등기구의 상태 정보를 감지하여 관리 서버에 전달하고 LED 등기구의 고장 여부를 즉각적으로 확인할 수 있는 시스템을 제안할 수 있다.
또한, 객체의 유동이 없는 시간대를 자체적으로 출력하여 해당 시간대에는 LED 등기구의 조도 값을 낮추는 방법을 제안할 수 있다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른, LED 등기구 제어 시스템의 구성을 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 등기구 제어 장치와 관리 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른, LED 등기구의 고장 여부를 판단하는 일련의 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 객체 탐지부에서 촬영된 영상을 분석하여 객체의 유무에 따라 LED 등기구의 조도를 설정하는 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른, 객체 탐지부에서 객체의 움직임이 감지되지 않는 시간대를 머신 러닝하여 해당 시간대에는 LED 등기구의 조도 값을 최저 조도 값으로 설정하는 과정을 설명하는 도면이다.
도 1은 본 개시의 일 실시예에 따른, LED 등기구 제어 시스템의 구성을 설명하는 도면이다.
도 2는 본 개시의 일 실시예에 따른, 등기구 제어 장치와 관리 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
도 3은 본 개시의 일 실시예에 따른, LED 등기구의 고장 여부를 판단하는 일련의 과정을 설명하는 도면이다.
도 4는 본 개시의 일 실시예에 따른, 객체 탐지부에서 촬영된 영상을 분석하여 객체의 유무에 따라 LED 등기구의 조도를 설정하는 과정을 설명하는 도면이다.
도 5는 본 개시의 일 실시예에 따른, 객체 탐지부에서 객체의 움직임이 감지되지 않는 시간대를 머신 러닝하여 해당 시간대에는 LED 등기구의 조도 값을 최저 조도 값으로 설정하는 과정을 설명하는 도면이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
실시예에서 인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템 은 사용할수록 인식률이 향상되고 판매자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제 어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술 로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험 정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
도 1은 본 개시의 일 실시예에 따른, LED 등기구 제어 시스템의 구성을 설명하는 도면이다. 도 2는 본 개시의 일 실시예에 따른, 등기구 제어 장치와 관리 서버가 네트워크를 통해 통신적으로 연결된 상태를 설명하는 도면이다.
일 실시예에 따르면, 도 1에 도시된 것과 같이, LED 등기구 제어 시스템(100)은 LED 등기구(110), 조도 센서(120), 디밍 컨트롤러(130), 등기구 제어 장치(140) 및/또는 객체 탐지부(150)를 포함할 수 있다. 상술한 구성은 예시일 수 있으며, 적어도 하나의 구성이 추가 또는 생략될 수 있다.
일 실시예에서, LED 등기구(110)는 복수의 LED(Light Emitting Diode) 소자(이하, 'LED')를 포함할 수 있다. 일 실시예에서, LED 등기구(110)는 LED 등기구 제어 시스템(100)에서 빛을 발산하는 본체일 수 있다. 예를 들어, LED 등기구(110)는 도로에 설치된 가로등의 일종일 수 있다. 일 실시예에서, LED 등기구(110)는 복수의 LED에서 출력되는 광을 통해 전체 조도 값을 설정할 수 있다. 일 실시예에서, 조도 값(LUX)은 단위 면적이 받는 빛의 세기일 수 있다. 일 실시예에서, LED 등기구(110)의 LED는 직렬 또는 병렬로 연결될 수 있다. LED 등기구(110)는 주변의 조도에 따라 미리 설정된 광량으로 출력되도록 자동 제어될 수 있다. 예를 들어, LED 등기구(110)는 등기구 제어 장치(140)을 통해 미리 설정된 광량을 출력하도록 제어될 수 있다.
일 실시예에서, 조도 센서(120)는 LED 등기구(110) 또는 LED 등기구(110)와 인접한 위치에 설치되어 LED 등기구(110)의 조도 값을 확인할 수 있다. 일 실시예에서, 조도 센서(120)는 LED 등기구(110)에 설치된 복수의 LED 각각에 대한 조도 값을 측정할 수 있다. 일 실시예에서, 등기구 제어 장치(140)는 LED 각각에 대해 on/off를 통해 조도 센서(120)를 통해 LED 각각에 대한 조도 값을 측정할 수 있다. 일 실시예에서, 조도 센서(120)는 LED가 기준 조도 값을 출력할 때 사용되는 LED의 전류, 전압, 저항에 기초하여 LED가 기준 조도 값에 해당하는 값을 출력하는 확인할 수 있다.
일 실시예에서, 디밍(dimming) 컨트롤러(130)는 LED 등기구(110) 또는 LED 등기구(110)와 인접한 위치에 설치되어 LED 등기구(110)의 조도를 조절하는 장치일 수 있다. 일 실시예에서, 디밍(dimming)은 광원의 밝기나 강도를 조정하는 과정일 수 있다. 일 실시예에서, LED 등기구(110)는 디밍 컨트롤러(130)를 통한 조도(또는 밝기) 조절을 통해 에너지 절약 및 다양한 세기의 빛을 출력을 할 수 있다.
일 실시예에서, 등기구 제어 장치(140)는 LED 등기구 또는 LED 등기구와 인접한 위치에 설치되어 LED 등기구(110)의 조도를 제어하는 장치일 수 있다. 일 실시예에서, 등기구 제어 장치(140)는 LED 등기구(110)의 고장 여부를 확인하는데 사용될 수 있다. 후술할 바와 같이, 등기구 제어 장치(140)는 조도 센서(120)로부터 LED 등기구(110)의 조도 값을 수신한 결과, LED 등기구(110)의 조도 값이 기 설정된 기준 조도 값보다 낮은 경우, 조도 센서(120)을 통해 LED 등기구(110)의 LED 각각의 조도 값을 확인할 수 있다. 등기구 제어 장치(140)는 복수의 LED 중 특정 LED의 조도 값이 LED 등기구(110)가 기 설정된 기준 조도 값을 출력하는데 필요한 LED의 기준 조도 값보다 낮은 경우, 특정 LED의 정보를 관리 서버(200)에 전송할 수 있다. 일 실시예에서, 관리 서버(200)의 데이터베이스에는 LED 등기구(110)에 사용된 LED의 일련 번호를 '열'로 하여 LED 별 위치 및 고장 상태 여부가 저장될 수 있다. 관리 서버(200)는 데이터베이스에 특정 LED의 일련 번호와 고장 여부를 매칭하여 저장할 수 있다. 관리 서버(200)는 고장 상태로 분류된 LED는 수명이 종료된 것으로 판단하여 교체 대상으로 설정할 수 있다. 관리 서버(200)는 데이터 베이스에 저장된 관리자 번호에 고장 상태로 분류된 LED의 교체 알림을 제공할 수 있다.
일 실시예에서, 객체 탐지부는 LED 등기구(110) 또는 LED 등기구와 인접한 장소에 설치되어 LED 등기구를 기준으로 기 설정된 구역 내에서 객체(예: '사람')의 움직임을 감지할 수 있다. 일 실시예에서, 객체 탐지부(150)는 객체의 움직임을 촬영하는 카메라, 카메라를 통해 촬영된 영상에서 객체의 움직임을 감지하는 객체 확인부 및 영상을 출력하거나 저장하는 수신기를 포함할 수 있다.
일 실시예에 따르면, 도 2에 도시된 것과 같이, 등기구 제어 장치(140)는 관리 서버(200)와 네트워크(10)를 통해 통신적으로 연결될 수 있다. 일 실시예에서, 관리 서버(200)는 LTE-M 통신 방식, NB-IoT 통신 방식, LTE 통신 방식, Ethernet 통신 방식 및 직비(zigbee) 통신 방식 중 적어도 어느 하나의 통신 방식을 이용하여 등기구 제어 장치(140)과 통신적으로 연결되고, 등기구 제어 장치(140)를 원격 모니터링 및 제어할 수 있다.
일 실시예에서, 네트워크(10)는 유선 및 무선 등과 같이 그 통신 양태를 가리지 않고 구성될 수 있으며, 서버와 서버 간의 통신과 서버와 단말 간의 통신이 수행되도록 다양한 형태로 구현될 수 있다. 일 실시예에서, 네트워크(10)는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망일 수 있으며, 인터넷(internet) 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선 망일 수 있다. 예를 들어, 네트워크(10)는 RF, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5GPP(5rd Generation Partnership Project) 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, NFC 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
도 3은 본 개시의 일 실시예에 따른, LED 등기구의 고장 여부를 판단하는 일련의 과정을 설명하는 도면이다.
이하에서는 LED 등기구 제어 시스템(100)을 통해 LED 등기구(110)의 고장 여부를 확인하는 일련의 과정을 설명하도록 한다.
일 실시예에 따르면, 도 3에 도시된 것과 같이, 등기구 제어 장치(140)는 조도 센서(120)로부터 LED 등기구(110)의 전체 조도 값을 수신할 수 있다. LED 등기구(110)의 전체 조도 값은 복수의 LED들로부터 일정 거리 이격된 위치에서 단위 면적당 감지되는 전체 LED의 빛의 세기일 수 있다(S201). 일 실시예에서, 등기구 제어 장치(140)는 LED 등기구(110)의 전체 조도 값과 기 설정된 기준 조도 값을 비교할 수 있다(S202). 일 실시예에서, 등기구 제어 장치(140)는 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값보다 낮음에 기초하여 조도 센서(120)로부터 복수의 LED에서 각각 측정된 조도 값을 수신할 수 있다(S206). 일 실시예에서, LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값보다 낮은 경우, 등기구 제어 장치(140)는 조도 센서(120)을 통해 복수의 LED 각각에 대해 조도 값을 측정할 수 있다. 일 실시예에서, 복수의 LED에서 각각 측정된 조도 값은 조도 센서(120)와 복수의 LED가 각각 물리적으로 연결됨에 따라, 조도 센서(120)에서 감지된 수치일 수 있다. 예를 들어, 조도 센서(120)는 LED가 기준 조도 값을 출력할 때 사용되는 LED의 전류, 전압, 저항에 기초하여 LED가 기준 조도 값에 해당하는 값을 출력하는 확인할 수 있다.
일 실시예에서, LED 등기구(110)가 정상 상태일 때, 복수의 LED의 조도 값은 LED 등기구(110)가 기 설정된 기준 조도 값을 출력하는데 필요한 조도 값으로 설정될 수 있다. 일 실시예에서, 등기구 제어 장치(140)는 복수의 LED 중 특정 LED의 조도 값과 LED 등기구(110)가 기 설정된 기준 조도 값을 출력하기 위해 필요한 LED의 기준 조도 값을 비교할 수 있다(S207). 일 실시예에서, 등기구 제어 장치(140)는 LED의 기준 조도 값과 LED의 측정 조도 값이 동일한지 확인할 수 있다(S208). 등기구 제어 장치(140)는 LED의 기준 조도 값과 LED의 측정 조도 값이 동일한 경우, LED 등기구(110)의 상태가 정상 상태임을 알리는 신호를 관리 서버(200)에 전송할 수 있다. 관리 서버(200)는 등기구 제어 장치(140)에서 전송된 신호에 기초하여 LED 등기구(110)의 상태가 정상 상태인 것으로 분류하고, 데이터베이스에 저장할 수 있다(S209). 일 실시예에서, 등기구 제어 장치(140)는 복수의 LED 중 특정 LED의 조도 값이 LED 등기구(110)가 기 설정된 기준 조도 값을 출력하기 위해 필요한 LED의 기준 조도 값보다 낮음에 기초하여 관리 서버(200)에 특정 LED의 정보를 전송할 수 있다. 관리 서버(200)는 특정 LED의 상태를 고장 상태/비정상 상태로 분류하여 수리/교체 대상으로 데이터베이스에 저장할 수 있다(S210). 이후, 관리 서버(200)는 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값을 출력하기 위한 특정 LED를 제외한 주변의 다른 LED가 출력해야 할 조도 값을 연산할 수 있다(S211). 등기구 제어 장치(140)는 관리 서버(200)에서 연산된 다른 LED가 출력해야 할 조도 값을 수신하여 LED 등기구(110)의 조도 값을 제어할 수 있다.
일 실시예에서, 등기구 제어 장치(140)는 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값과 동일하지 확인할 수 있다(S203). 일 실시예에서, 등기구 제어 장치(140)는 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값과 동일함에 기초하여 관리 서버(200)에 LED 등기구(110)의 상태가 정상 상태임을 나타내는 신호를 전송할 수 있다. 관리 서버(200)는 등기구 제어 장치(140)에서 전송된 신호에 기초하여 LED 등기구(110)의 LED 상태를 정상 상태로 분류하여 데이터 베이스에 저장할 수 있다(S204). 일 실시예에서, 등기구 제어 장치(140)는 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값보다 높음에 기초하여 LED 등기구(110)의 상태가 비정상 상태임을 나타내는 신호를 관리 서버(200)에 전송할 수 있다. 관리 서버(200)는 등기구 제어 장치(140)에서 전송된 신호에 기초하여 LED 등기구(110)의 LED 상태를 비정상 상태로 분류하여 수리 대상으로 설정할 수 있다(S205).
일 실시예에 따르면, 관리 서버는 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값으로 출력되는데 필요한 LED 각각의 조도 값을 출력하도록 학습된 제1 인공 신경망과, 객체 탐지부에서 감지된 영상을 분석하여 영상에서 객체의 움직임이 감지되지 않는 시간대를 출력하도록 학습된 제2 인공 신경망을 포함할 수 있다.
일 실시예에서, 인공지능(Artificial Intelligence, AI)(예: 제1 인공 신경망 및 제2 인공 신경망)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시 각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신 경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델(예: 제1 인공 신경망 및 제2 인공 신경망)은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스 트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성 곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드 포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능 한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고 리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이 터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신 경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.
일 실시예에 따르면, 관리 서버(200)는 제1 인공 신경망을 통해 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값으로 출력되는 필요한 LED 각각의 조도 값을 출력할 수 있다. 일 실시예에서, 제1 인공 신경망은 고장 상태로 분류된 특정 LED 정보가 입력됨에 기초하여 특정 LED를 제외한 나머지 LED를 통해 LED 등기구(110)의 전체 조도 값이 기 설정된 기준 조도 값을 출력하는데 필요한 LED의 조도 값을 수학식 1을 통해 연산할 수 있다.
수학식 1 =
일 실시예에서, 보정 값은 고장 상태로 분류된 LED의 개수에 기초하여 1내지 5의 범위에서 선택된 자연수일 수 있다. 일 실시예에서, 보정 값은 LED 등기구를 구성하는 LED의 숫자를 5등분하여 고장 상태로 분류된 LED의 개수가 어느 구간에 속하는지 확인하여 결정될 수 있다. 예를 들어, LED 등기구(110)를 구성하는 LED의 개수가 1000개인 경우, 고장 상태로 분류된 LED의 개수가 1개 이상 200개 미만인 경우 보정 값은 1이고, 고장 상태로 분류된 LED의 개수가 200개 이상 400개 미만인 경우 보정 값은 2이고, 고장 상태로 분류된 LED의 개수가 400개 이상 600개 미만인 경우 보정 값은 3이고, 고장 상태로 분류된 LED의 개수가 600개 이상 800개 미만인 경우 보정 값은 4이고, 고장 상태로 분류된 LED의 개수가 800개 이상 1000개 미만인 경우 보정 값은 5일 수 있다.
도 4는 본 개시의 일 실시예에 따른, 객체 탐지부에서 촬영된 영상을 분석하여 객체의 유무에 따라 LED 등기구의 조도를 설정하는 과정을 설명하는 도면이다. 도 5는 본 개시의 일 실시예에 따른, 객체 탐지부에서 객체의 움직임이 감지되지 않는 시간대를 머신 러닝하여 해당 시간대에는 LED 등기구의 조도 값을 최저 조도 값으로 설정하는 과정을 설명하는 도면이다.
일 실시예에 따르면, 객체 탐지부(150)는 LED 등기구(110)를 기준으로 기 설정된 구역 내에서 객체의 움직임을 감지할 수 있다. 일 실시예에서, 등기구 제어 장치(140)는 객체 탐지부(150)를 통해 일정 시간동안 LED 등기구(110)를 기준으로 하여 설정된 일정 구역 내에 객체의 이동이 감지되지 않음에 기초하여 디밍 컨트롤러(130)를 통해 LED 등기구의 조도 값을 기 설정된 기준 조도 값 이하로 낮출 수 있다. 일 실시예에서, 등기구 제어 장치(140)는 객체의 이동이 감지되지 않는 시간이 증가할수록 LED 등기구의 조도 값을 순차적으로 낮게 설정할 수 있다. 예를 들어, LED 등기구(110)의 조도 값을 나타내는 단계를 1 내지 10의 자연수로 설정할 때, 10 상태가 LED 등기구(110)의 기준 조도 값일 수 있다. 이러한 경우, 등기구 제어 장치(140)는 객체의 이동이 감지되지 않는 시간이 길어질수록 9에서 1로 순차적으로 LED 등기구(110)의 조도 값을 변경할 수 있다.
일 실시예에 따르면, 객체 탐지부(150)는 전방을 향하여 화각이 30도 내지 70도 사이로 설정되고 복수의 렌즈를 포함하는 카메라, 카메라를 통해 촬영된 영상에서 객체의 움직임을 감지하는 객체 확인부 및 영상을 출력하거나 저장하는 수신기를 포함할 수 있다. 일 실시예에서, 도 4를 참조하면, 객체 확인부는 카메라를 통해 촬영된 영상에서 객체가 확인됨에 따라 제1 신호를 출력할 수 있다(S301). 등기구 제어 장치(140)는 제1 신호에 기초하여 디밍 컨트롤러(130)를 통해 LED 등기구(110)의 조도 값을 기 설정된 기준 조도 값으로 설정할 수 있다(S302). 일 실시예에서, 객체 확인부는 카메라를 통해 촬영된 영상에서 일정 시간 동안 객체가 확인되지 않음에 기초하여 제2 신호를 출력할 수 있다(S303). 일 실시예에서, 등기구 제어 장치(140)는 제2 신호에 기초하여 디밍 컨트롤러(130)를 통해 LED 등기구(110)의 조도 값을 최저 조도 값으로 설정할 수 있다(S304).
일 실시예에 따르면, 도 5에 도시된 것과 같이, 등기구 제어 장치(140)는 객체 탐지부(150)를 통해 촬영된 영상을 관리 서버(200)로 전송할 수 있다. 일 실시예에서, 관리 서버의 제2 인공 신경망은 등기구 제어 장치(140)에서 전송된 영상이 입력됨에 기초하여 영상에서 객체의 움직임이 감지되지 않는 시간대를 출력할 수 있다(S401). 일 실시예에서, 제2 인공 신경망은 복수의 영상을 통해 객체의 움직임이 감지되지 않는 시간대를 학습할 수 있다. 예를 들어, 제2 인공 신경망은 다양한 날짜에 찍힌 영상을 분석하며, 서로 다른 날짜 별로 객체의 움직임이 감지되지 않는 시간대를 분석하여 교집합 시간대를 출력할 수 있다(S402). 관리 서버(200)는 제2 인공 신경망의 출력을 기초로 객체의 움직임이 감지되지 않는 교집합 시간대에는 LED 등기구(110)의 조도 값이 최저 조도 값으로 출력되도록 등기구 제어 장치(140)에 인스트럭션할 수 있다(S403).
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.
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.
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.
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 청구범위의 범위에 속한다.
100: LED 등기구 제어 시스템
110: LED 등기구
120: 조도 센서
130: 디밍 컨트롤러
140: 등기구 제어 장치
150: 객체 탐지부
200: 관리 서버
110: LED 등기구
120: 조도 센서
130: 디밍 컨트롤러
140: 등기구 제어 장치
150: 객체 탐지부
200: 관리 서버
Claims (3)
- IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 제어 시스템에 있어서,
직렬 또는 병렬로 연결된 복수의 LED를 포함하고, 주변의 조도에 따라 미리 설정된 광량으로 출력되도록 자동 제어되는 LED 등기구;
상기 LED 등기구에 설치되고, 상기 복수의 LED의 조도를 감지하는 조도 센서;
상기 LED 등기구에 설치되고, 디밍 컨트롤러(dimming controller)를 포함하며 원격 제어 신호를 수신하여 상기 LED 등기구의 조도를 제어하고, 상기 LED의 상태를 확인하여 상기 LED 등기구의 고장 여부를 확인하는 등기구 제어 장치;
LTE-M 통신 방식, NB-IoT 통신 방식, LTE 통신 방식, Ethernet 통신 방식 및 직비(zigbee) 통신 방식 중 적어도 어느 하나의 통신 방식을 이용하여 상기 등기구 제어 장치와 통신적으로 연결되어 상기 LED 등기구의 고장 정보를 관리하고, 상기 등기구 제어 장치를 원격 모니터링 및 제어하는 관리 서버; 및
상기 LED 등기구에 설치되며, 카메라, 상기 카메라를 통해 촬영된 영상에서 객체의 움직임을 감지하는 객체 확인부 및 상기 영상을 출력하거나 저장하는 수신기를 포함하고, 기 설정된 구역 내에 객체의 움직임을 감지하는 객체 탐지부;를 포함하고,
상기 등기구 제어 장치는,
상기 조도 센서로부터 상기 LED 등기구의 전체 조도 값을 수신하고,
상기 LED 등기구의 상기 전체 조도 값이 기 설정된 기준 조도 값보다 낮음에 기초하여 상기 조도 센서로부터 복수의 상기 LED에서 각각 측정된 조도 값을 수신하고,
복수의 상기 LED 중 특정 LED의 조도 값이 상기 LED 등기구가 기 설정된 기준 조도 값을 출력하기 위해 필요한 상기 LED의 기준 조도 값보다 낮음에 기초하여 상기 특정 LED의 정보를 상기 관리 서버에 전송하고,
상기 LED 등기구의 전체 조도 값이 기 설정된 기준 조도 값을 출력하기 위한 상기 특정 LED 주변의 다른 LED의 조도 값이, 상기 관리 서버로부터 전송됨에 따라 상기 다른 LED의 조도 값을 조절하고,
상기 관리 서버는,
상기 특정 LED의 상태를 고장 상태로 분류하여 수리 대상으로 설정하고,
상기 LED 등기구의 전체 조도 값이 기 설정된 기준 조도 값으로 출력되는데 필요한 상기 LED 각각의 조도 값을 출력하도록 학습된 제1 인공 신경망을 포함하고,
상기 제1 인공 신경망은,
고장 상태로 분류된 상기 특정 LED의 정보가 입력됨에 기초하여 상기 특정 LED를 제외한 나머지 LED를 통해 상기 LED 등기구의 전체 조도 값이 기 설정된 기준 조도 값을 출력하는데 필요한 상기 LED의 조도 값을 아래의 수학식 1을 통해 연산하고,
수학식 1 =
상기 보정 값은 고장 상태로 분류된 상기 특정 LED의 개수에 기초하여 1 내지 5의 범위에서 선택된 자연수이고,
상기 보정 값은 상기 LED 등기구를 구성하는 전체 LED의 숫자를 5등분하여 고장 상태로 분류된 상기 특정 LED의 개수가 어느 구간에 속하는지 확인되어 결정되고,
상기 객체 탐지부에서 촬영된 영상이 상기 관리 서버에 전송됨에 따라 상기 영상이 상기 관리 서버의 제2 인공 신경망에 입력되어 상기 제2 인공 신경망을 통해 상기 영상에서 객체의 움직임이 감지되지 않는 시간대가 출력되고,
상기 시간대에는 상기 LED 등기구의 조도 값이 최저 조도 값으로 출력되도록 상기 등기구 제어 장치에 인스트럭션하는
IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 제어 시스템.
- 삭제
- 제1항에 있어서,
상기 객체 탐지부는,
상기 LED 등기구의 주변 환경을 감지하고, 일정 시간동안 상기 LED 등기구를기준으로 하여 설정된 일정 구역 내에 객체의 이동이 감지되지 않음에 기초하여 상기 디밍 컨트롤러를 통해 상기 LED 등기구의 조도 값을 기 설정된 기준 조도 값 이하로 낮추는 IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 제어 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230157083A KR102647140B1 (ko) | 2023-11-14 | 2023-11-14 | IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230157083A KR102647140B1 (ko) | 2023-11-14 | 2023-11-14 | IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102647140B1 true KR102647140B1 (ko) | 2024-03-13 |
Family
ID=90299059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230157083A KR102647140B1 (ko) | 2023-11-14 | 2023-11-14 | IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102647140B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150006166A (ko) * | 2013-07-08 | 2015-01-16 | 주식회사 극광 | 실내조명 시스템 |
| KR20150041208A (ko) * | 2013-10-04 | 2015-04-16 | 주식회사 유티솔 | 복합 센서 기반의 지능형 통합 디밍 제어 시스템 |
| KR20190063554A (ko) * | 2017-11-30 | 2019-06-10 | 김상조 | IoT 기반 LED 가로등 및 보안등 디밍 제어시스템 |
| KR20190116967A (ko) | 2018-04-03 | 2019-10-15 | 어플라이드 머티어리얼스, 인코포레이티드 | 진공 챔버 내에서의 캐리어 정렬을 위한 장치 및 진공 시스템, 및 캐리어를 정렬하는 방법 |
| KR20200136142A (ko) | 2019-05-27 | 2020-12-07 | 고려대학교 산학협력단 | 소프트웨어 보안을 위한 메모리 데이터의 암호화 및 복호화 방법, 이를 수행하기 위한 기록매체 및 장치 |
-
2023
- 2023-11-14 KR KR1020230157083A patent/KR102647140B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150006166A (ko) * | 2013-07-08 | 2015-01-16 | 주식회사 극광 | 실내조명 시스템 |
| KR20150041208A (ko) * | 2013-10-04 | 2015-04-16 | 주식회사 유티솔 | 복합 센서 기반의 지능형 통합 디밍 제어 시스템 |
| KR20190063554A (ko) * | 2017-11-30 | 2019-06-10 | 김상조 | IoT 기반 LED 가로등 및 보안등 디밍 제어시스템 |
| KR20190116967A (ko) | 2018-04-03 | 2019-10-15 | 어플라이드 머티어리얼스, 인코포레이티드 | 진공 챔버 내에서의 캐리어 정렬을 위한 장치 및 진공 시스템, 및 캐리어를 정렬하는 방법 |
| KR20200136142A (ko) | 2019-05-27 | 2020-12-07 | 고려대학교 산학협력단 | 소프트웨어 보안을 위한 메모리 데이터의 암호화 및 복호화 방법, 이를 수행하기 위한 기록매체 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10254760B1 (en) | Self-correcting controller systems and methods of limiting the operation of neural networks to be within one or more conditions | |
| BR112021011377A2 (pt) | Métodos e sistemas de segurança | |
| US10672389B1 (en) | Controller systems and methods of limiting the operation of neural networks to be within one or more conditions | |
| US10795364B1 (en) | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips | |
| KR20190098106A (ko) | 배치 정규화 레이어 트레이닝 방법 | |
| US10802488B1 (en) | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips | |
| KR20210053052A (ko) | 컬러 복원방법 및 장치 | |
| US11815893B1 (en) | Apparatus and method for monitoring and controlling of a neural network using another neural network implemented on one or more solid-state chips | |
| US10620631B1 (en) | Self-correcting controller systems and methods of limiting the operation of neural networks to be within one or more conditions | |
| TW202020748A (zh) | 遞迴多保真度行為預測 | |
| Begum et al. | Deep learning models for gesture-controlled drone operation | |
| KR102647140B1 (ko) | IoT 기반 실시간 이상 모니터링 및 진단이 가능한 LED 등기구 장치 및 시스템 | |
| KR102502922B1 (ko) | 비상 상황 알람 및 모니터링 방법, 장치 시스템 | |
| KR102559307B1 (ko) | 재난 현장에서 생성한 이미지 및 영상 데이터 처리 및 활용 방법, 장치 및 시스템 | |
| Leontaris et al. | An autonomous illumination system for vehicle documentation based on deep reinforcement learning | |
| KR102256714B1 (ko) | 횡단보도 보조 신호 시스템 | |
| KR102463875B1 (ko) | 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템 | |
| KR102615445B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| Li et al. | A Red‐Light Running Prevention System Based on Artificial Neural Network and Vehicle Trajectory Data | |
| KR102426803B1 (ko) | 인공지능 기반 제품의 해외 판매 페이지 자동 업로드 방법, 장치 및 시스템 | |
| KR102665778B1 (ko) | Led 모듈의 상태 원격 모니터링 및 유지 보수 제공 방법, 장치 및 시스템 | |
| KR102653905B1 (ko) | 인공지능 모델 기반 it 인프라 장비의 상태 모니터링 및 유지 보수 정보 알람 서비스 제공 방법, 장치 및 시스템 | |
| KR102635526B1 (ko) | 횡단보도 신호등 연계 기반 바닥 신호등 제어 시스템 | |
| KR102508648B1 (ko) | 전기 및 소방 설비의 오동작 판단을 기반으로 한 비상상황 모니터링 방법, 장치 및 시스템 | |
| KR20210115250A (ko) | 하이브리드 심층 학습 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |