KR20100010735A - Monitoring system in railway station for determining dangerous situation using neural network and method thereof - Google Patents
Monitoring system in railway station for determining dangerous situation using neural network and method thereof Download PDFInfo
- Publication number
- KR20100010735A KR20100010735A KR1020080071741A KR20080071741A KR20100010735A KR 20100010735 A KR20100010735 A KR 20100010735A KR 1020080071741 A KR1020080071741 A KR 1020080071741A KR 20080071741 A KR20080071741 A KR 20080071741A KR 20100010735 A KR20100010735 A KR 20100010735A
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- platform
- information
- platform monitoring
- error
- Prior art date
Links
Images
Landscapes
- Train Traffic Observation, Control, And Security (AREA)
- Alarm Systems (AREA)
- Image Analysis (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Description
본 발명은, 승강장 모니터링 시스템 및 그 방법에 관한 것으로, 보다 상세하게는, 신경회로망을 이용하여 승강장 내의 위험상황을 판단하는 승강장 모니터링 시스템 및 그 방법에 관한 것이다.The present invention relates to a platform monitoring system and a method thereof, and more particularly, to a platform monitoring system and method for determining a dangerous situation in the platform using a neural network.
철도분야에서 승객의 안전은 무엇보다 중요한 과제로서 철도안전이 집중 관리되고 있음에도 여전히 매년 수십 명의 승객들이 승강장 추락사고 등으로 인해 숨지고 있으며, 이는 철도분야에서 해결해야 할 가장 시급한 문제로 떠오르고 있다.Passenger safety is the most important task in the railroad sector. Even though railroad safety is centrally managed, dozens of passengers are being killed every year due to platform crash accidents, which is emerging as the most urgent problem to be solved in the railroad sector.
그런데, 종래의 승강장 모니터링 시스템은, 단순히 감시하고자 하는 장소에 아날로그 방식의 폐쇄회로 TV 등을 설치하여 화면으로 보이는 상황(CCTV 개수에 따라 여러 분할 화면을 순차적으로 보여줌)을 항시 근무자가 모니터링을 해야만 하기 때문에 인력이 낭비되는 한편, 현실적으로 승객의 선로추락사고, 승객의 문틈끼임사고, 화재사고 등의 승강장 내의 위험상황에 대한 신속한 파악 및 대처가 어렵다는 문제점이 있다.By the way, the conventional platform monitoring system, the worker must always monitor the situation (showing several divided screens sequentially according to the number of CCTVs) by simply installing an analog-type closed-circuit TV in a place to monitor. Therefore, while manpower is wasted, there is a problem in that it is difficult to quickly grasp and cope with a dangerous situation in a platform such as a passenger track crash, a door jamming, or a fire accident.
따라서, 승강장 내의 위험상황에 대한 신속한 파악 및 대처 차원에서 단순히 수동적으로 영상 정보를 기관사나 역무실에 전송하는 승강장 모니터링 시스템에서 벗어나 승강장 내에서 발생한 위험상황의 종류 및 그 위험도를 지능적이고 신속하게 판단할 수 있는 능동적인 승강장 모니터링 시스템이 요구된다.Therefore, it is possible to intelligently and quickly determine the types and the risks of the risk situations occurring in the platform, instead of the platform monitoring system that simply transmits the image information to the engineer or the station office in order to quickly identify and cope with the dangerous situation in the platform. Active platform monitoring system is required.
본 발명의 목적은, 승강장 내의 위험상황에 대한 지능적이고 신속한 판단이 가능하고 그 판단의 신뢰성을 높일 수 있는 승강장 모니터링 시스템 및 그 방법을 제공하는 것이다.SUMMARY OF THE INVENTION An object of the present invention is to provide a platform monitoring system and method capable of making intelligent and rapid determination of a dangerous situation in a platform and increasing the reliability of the decision.
상기 목적은, 본 발명에 따라, 승강장 내의 위험상황에 대한 패턴 인식을 학습하는 신경회로망에 다수의 입력 패턴을 입력하고, 상기 입력 패턴에 대한 상기 신경회로망의 출력값을 미리 설정된 목표값과 비교하여 그 오차가 감소하는 방향으로 상기 신경회로망의 가중치를 조절하는 신경회로망 학습 단계; 및 상기 학습 완료된 신경회로망을 이용하여 승강장 내의 위험상황을 판단하는 단계를 포함하는 승강장 모니터링 방법에 의해 달성된다.The object is, according to the present invention, input a plurality of input patterns to the neural network learning pattern recognition for the dangerous situation in the platform, and compares the output value of the neural network for the input pattern with a predetermined target value Neural network learning step of adjusting the weight of the neural network in the direction of error reduction; And determining a danger situation in a landing area using the learned neural network.
여기서, 상기 다수의 입력 패턴은, 상기 위험상황의 패턴에 따라 예상되는 승강장 모니터링 정보를 분석한 결과에 기초하여 선정될 수 있다.Here, the plurality of input patterns may be selected based on a result of analyzing the platform monitoring information expected according to the pattern of the dangerous situation.
상기 예상되는 승강장 모니터링 정보는, 열상카메라정보, 스테레오카메라정보, 센서정보 및 열차진입진출정보 중 적어도 어느 하나를 포함할 수 있다.The expected platform monitoring information may include at least one of thermal camera information, stereo camera information, sensor information, and train entry and exit information.
상기 신경회로망 학습 단계는, (a) 상기 신경회로망의 가중치를 임의의 값으로 초기화하는 단계; (b) 상기 다수의 입력 패턴 각각에 대하여 하기의 (b1) ~ (b3) 단계를 반복하는 단계; (b1) 상기 입력 패턴에 대한 상기 신경회로망의 출력값을 확인하는 단계; (b2) 상기 확인된 출력값과 미리 설정된 목표값 사이의 오차를 산출하는 단계; 및 (b3) 상기 산출된 오차에 기초하여 상기 가중치를 조절하는 단계를 포함할 수 있다.The neural network learning step may include: (a) initializing a weight of the neural network to an arbitrary value; (b) repeating steps (b1) to (b3) for each of the plurality of input patterns; (b1) checking an output value of the neural network with respect to the input pattern; (b2) calculating an error between the identified output value and a predetermined target value; And (b3) adjusting the weight based on the calculated error.
상기 (b) 단계는, 상기 다수의 입력 패턴 모두에 대하여 상기 오차가 미리 설정된 허용오차범위에 포함될 때까지 반복될 수 있다.Step (b) may be repeated for all of the plurality of input patterns until the error is included in a preset tolerance range.
상기 위험상황 판단 단계는, 미리 설정된 승강장 모니터링 영역에 대한 승강장 모니터링 정보를 수집하는 단계; 상기 수집된 승강장 모니터링 정보를 상기 학습 완료된 신경회로망에 입력하는 단계; 및 상기 신경회로망의 출력 결과에 기초하여 상기 승강장 내의 위험상황을 판단하는 단계를 포함할 수 있다.The risk situation determining step may include collecting platform monitoring information for a preset platform monitoring area; Inputting the collected platform monitoring information into the learned neural network; And determining a dangerous situation in the landing area based on the output result of the neural network.
상기 승강장 모니터링 정보를 수집하는 단계는, 열상카메라정보, 스테레오카메라정보, 센서정보 및 열차진입진출정보 중 적어도 어느 하나를 수집할 수 있다.In the collecting of the platform monitoring information, at least one of thermal camera information, stereo camera information, sensor information, and train entry and exit information may be collected.
상기 승강장 내의 위험상황은, 물체선로추락, 승객문틈끼임, 화재발생, 승객안전선침범 중 적어도 어느 하나를 포함할 수 있다.The dangerous situation in the platform may include at least one of an object track crash, pinch of a passenger door, a fire, and a passenger safety line violation.
상기 목적은, 본 발명에 따라, 승강장 내의 위험상황에 대한 패턴 인식을 학습하는 신경회로망에 다수의 입력 패턴을 입력하고, 상기 입력 패턴에 대한 상기 신경회로망의 출력값을 미리 설정된 목표값과 비교하여 그 오차가 감소되는 방향으로 상기 신경회로망의 가중치를 조절하는 신경망 학습부; 미리 설정된 승강장 모니 터링 영역에 대한 승강장 모니터링 정보를 수집하는 정보 수집부; 및 상기 수집된 승강장 모니터링 정보를 상기 학습 완료된 신경회로망에 입력하고, 상기 신경회로망의 출력 결과에 기초하여 승강장 내의 위험상황을 판단하는 정보 처리부를 포함하는 것을 특징으로 하는 승강장 모니터링 시스템에 의해서도 달성된다.The object is, according to the present invention, input a plurality of input patterns to the neural network learning pattern recognition for the dangerous situation in the platform, and compares the output value of the neural network for the input pattern with a predetermined target value A neural network learner for adjusting a weight of the neural network in a direction in which an error is reduced; An information collector configured to collect platform monitoring information for a preset platform monitoring area; And an information processing unit for inputting the collected platform monitoring information to the learned neural network, and determining a risk situation in the platform based on the output result of the neural network.
여기서, 상기 다수의 입력 패턴은, 상기 위험상황의 패턴에 따라 예상되는 승강장 모니터링 정보를 분석한 결과에 기초하여 선정될 수 있다.Here, the plurality of input patterns may be selected based on a result of analyzing the platform monitoring information expected according to the pattern of the dangerous situation.
상기 예상되는 승강장 모니터링 정보는, 열상카메라정보, 스테레오카메라정보, 센서정보 및 열차진입진출정보 중 적어도 어느 하나를 포함할 수 있다.The expected platform monitoring information may include at least one of thermal camera information, stereo camera information, sensor information, and train entry and exit information.
상기 신경망 학습부는, (a) 상기 신경회로망의 가중치를 임의의 값으로 초기화하고, (b) 상기 다수의 입력 패턴 각각에 대하여 (b1) 상기 입력 패턴에 대한 상기 신경회로망의 출력값을 확인하고, (b2) 상기 확인된 출력값과 미리 설정된 목표값 사이의 오차를 산출하고, (b3) 상기 산출된 오차에 기초하여 상기 가중치를 조절할 수 있다.The neural network learning unit (a) initializes the weight of the neural network to an arbitrary value, (b) for each of the plurality of input patterns (b1) confirms the output value of the neural network for the input pattern, ( b2) calculate an error between the identified output value and a predetermined target value, and (b3) adjust the weight based on the calculated error.
상기 신경망 학습부는, 상기 다수의 입력 패턴 모두에 대하여 상기 오차가 미리 설정된 허용오차범위에 포함될 때까지 상기 가중치를 조절할 수 있다.The neural network learner may adjust the weight until the error is included in a preset tolerance range for all of the plurality of input patterns.
상기 정보 수집부는, 열상카메라모듈, 스테레오카메라모듈, 센서모듈 및 열차검출모듈 중 적어도 어느 하나를 포함할 수 있다.The information collecting unit may include at least one of a thermal camera module, a stereo camera module, a sensor module, and a train detection module.
상기 승강장 내의 위험상황은, 물체선로추락, 승객문틈끼임, 화재발생, 승객안전선침범 중 적어도 어느 하나를 포함할 수 있다.The dangerous situation in the platform may include at least one of an object track crash, pinch of a passenger door, a fire, and a passenger safety line violation.
본 발명은, 승강장 내의 위험상황에 대한 패턴 인식이 학습된 신경회로망을 이용하여 승강장 내의 위험상황을 판단함으로써, 승강장 내의 위험상황에 대한 지능적이고 신속한 판단이 가능하고, 그 판단의 신뢰성을 높일 수 있다.The present invention, by using the neural network learned pattern recognition for the risk situation in the platform to determine the risk situation in the platform, it is possible to intelligently and quickly determine the risk situation in the platform, it is possible to increase the reliability of the determination .
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.In order to fully understand the present invention, the operational advantages of the present invention, and the objects achieved by the practice of the present invention, reference should be made to the accompanying drawings which illustrate preferred embodiments of the present invention and the contents described in the accompanying drawings.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 다만, 본 발명을 설명함에 있어서 이미 공지된 기능 혹은 구성에 대한 설명은, 본 발명의 요지를 명료하게 하기 위하여 생략하기로 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. However, in describing the present invention, descriptions of functions or configurations already known will be omitted to clarify the gist of the present invention.
도 1은 본 발명의 일 실시예에 따른 승강장 모니터링 시스템의 개략적인 구성도이고, 도 2는 도 1의 신경회로망의 개념도이며, 도 3은 도 1의 신경망 학습부를 설명하기 위한 도면이다.1 is a schematic diagram of a platform monitoring system according to an embodiment of the present invention, Figure 2 is a conceptual diagram of the neural network of Figure 1, Figure 3 is a diagram for explaining the neural network learning unit of FIG.
도 1을 참조하면, 본 실시예에 따른 승강장 모니터링 시스템은, 미리 설정된 승강장 모니터링 영역에 대한 승강장 모니터링 정보를 수집하는 정보 수집부(110)와, 정보 수집부(110)에 의해 수집된 승강장 모니터링 정보를 학습이 완료된 신경회로망(130)에 적용하여 승강장 내의 위험상황을 판단하는 정보 처리부(120)와, 신경회로망(130)에 대해 승강장 내의 위험상황에 대한 패턴 인식을 학습시키는 신경망 학습부(140)를 구비한다.Referring to FIG. 1, the boarding point monitoring system according to the present embodiment includes an
여기서, 승강장 모니터링 영역은, 열차 선로를 포함한 열차가 진입하는 열차 영역, 승객의 안전을 위해 마련된 안전선 주변 영역 등으로 설정될 수 있다. 다만, 본 발명에서 승강장 모니터링 영역은 하나의 특정 영역에 한정되는 것이 아니라, 수집하고자 하는 승강장 모니터링 정보의 종류 및 내용에 따라 개별적으로 설정될 수 있음은 물론이다.Here, the platform monitoring area may be set to a train area into which a train including a train track enters, an area around a safety line provided for the safety of passengers, and the like. However, in the present invention, the platform monitoring area is not limited to one specific area, but may be individually set according to the type and content of the platform monitoring information to be collected.
정보 수집부(110)는, 도 1에 도시된 바와 같이, 열차 선로에 추락한 물체, 열차의 문틈에 끼인 승객, 승강장 내의 화재발생, 안전선을 침범한 승객 등에 관한 승강장 모니터링 정보를 수집하기 위하여, 열상카메라모듈(111), 스테레오카메라모듈(112), 센서모듈(113) 및 열차검출모듈(114)를 구비한다. 즉, 승강장 모니터링 정보는 열상카메라정보, 스테레오카메라정보, 센서정보 및 열차진입진출정보를 포함한다. 다만, 본 발명에서 정보 수집부(110)는 반드시 전술한 4개의 모듈로 구성되어야 하는 것은 아니며, 4개의 모듈 중 일부가 생략되거나 다른 모듈이 추가되어 구성될 수도 있음은 물론이다. 한편, 정보 수집부(110)를 구성하는 모듈이 달라지는 경우 승강장 모니터링 정보의 종류 및 내용 또한 달라진다.As shown in FIG. 1, the
열상카메라모듈(111)은, 전체 승강장 상황을 촬영할 수 있도록 승강장 맨 앞쪽과 맨 뒤쪽에 2개가 설치되는 것이 바람직하다. 열상카메라모듈(111)은 통상적인 비디오카메라모듈처럼 작동하지만 촬영되는 영상이 일반적인 빛(light)이 아닌 적외선 에너지(infrared energy)를 검출한다는 점에서 차이가 있다. 즉, 열상카메라모듈(111)은 적외선카메라모듈의 한 종류로서 흔히 무인경비시스템에서 침입자 감시 및 화재 상황 판단 등을 위한 목적으로 사용되는 카메라모듈이다. 이러한 열상 카메라모듈(111)은 촬영되는 물체에서 나오는 적외선 에너지를 아날로그 파장의 형태로 검출하여 이를 온도분포 영상으로 재현한다.Thermal imaging camera module 111, it is preferable that two are installed in the front and rear of the landing so that the entire landing situation can be photographed. The thermal camera module 111 operates like a normal video camera module, but there is a difference in that the captured image detects infrared energy rather than general light. That is, the thermal camera module 111 is a type of infrared camera module is a camera module commonly used for the purpose of intruder monitoring and fire situation determination in the unmanned security system. The thermal camera module 111 detects infrared energy from an object to be photographed in the form of an analog wavelength and reproduces it as a temperature distribution image.
스테레오카메라모듈(112)은, 승강장에 진입하는 열차와 전체 승강장 상황을 촬영할 수 있도록, 열차의 선로를 따라 소정 간격을 두고 대략 10개 정도가 설치되는 것이 바람직하다. 스테레오카메라모듈(112)은 일반적인 모노카메라모듈과는 달리 획득된 영상의 픽셀마다 3차원 좌표 데이터를 얻을 수 있기 때문에, 승강장 모니터링 영역을 임의의 3차원 공간으로 정의할 수 있으며, 이에 따라 승강장 모니터링 영역 내의 물체에 대한 3차원 좌표 데이터를 얻을 수 있다.About 10
센서모듈(113)은, 열차 선로 주변 영역, 특히 선로 높이보다 낮은 영역에 대한 모니터링을 담당하며, 전체 열차 선로를 검지할 수 있도록 승강장 하단부에 열차 선로를 따라 소정 간격을 두고 복수 개가 설치된다. 이때, 센서모듈(113)은, 적외선센서, 레이저센서, 초음파센서 등으로 구현될 수 있지만, 본 실시예에서는 설치단가가 저렴하고 설치공사가 용이하면서도 지하철 환경에서 동작하는데 문제가 없는 적외선센서로 구현된다.The
열차검출모듈(114)은, 승강장 내에서 열차의 진입 및/또는 진출에 관한 정보(이하, '열차진입진출정보'라 함)를 수집하는 수단으로서, 본 실시예에서는 열차와 승강장에 각각 설치되어 상호 송수신 가능한 무선네트워크 기기로 구현된다. 다만, 본 발명에서 열차검출모듈(114)은 일반적인 센싱 방식으로도 구현될 수 있다. 한편, 스테레오카메라모듈(112)에 의한 영상 차이 분석을 통해서도 열차진입진출정보를 확보할 수도 있으나, 이 경우 전체 시스템의 부하가 증가하는 문제점이 있으 므로, 본 실시예와 같이 열차진입진출정보를 수집하기 위한 열차검출모듈(114)이 별도로 구비되는 것이 바람직하다.The train detection module 114 is a means for collecting information regarding the entry and / or departure of the train (hereinafter, referred to as 'train entry and exit information') in the platform. It is implemented as a wireless network device capable of transmitting and receiving to each other. However, in the present invention, the train detection module 114 may be implemented in a general sensing method. Meanwhile, train entry and exit information may also be obtained through image difference analysis by the
도 1을 참조하면, 정보 처리부(120)는, 정보 수집부(110)에 의해 수집된 열상카메라정보, 스테레오카메라정보, 센서정보, 열차진입진출정보 등의 승강장 모니터링 정보를 학습 완료되는 신경회로망(130)에 입력하고, 신경회로망(130)의 출력 결과에 기초하여 승강장 내의 위험상황을 판단한다. 이러한 정보 처리부(120)는 해당 승강장의 역무실 또는 종합관제실에 설치된 서버(server)에서 구현된다.Referring to FIG. 1, the
본 실시예에서, 승강장 내의 위험상황은, 열차 운행에 지장을 주는 물체가 열차 선로에 추락한 상황(이하 '물체선로추락'이라 함), 승객이 열차의 문틈에 끼인 상황(이하 '승객문틈끼임'이라 함), 승강장 내의 화재가 발생한 상황(이하 '화재발생'이라 함), 승객이 안전선을 침범한 상황(이하 '승객안전선침범'이라 함)을 포함한다. 다만, 본 발명에서, 승강장 내의 위험상황은 전술한 바에 한정되지 아니하고 변경되거나 추가될 수 있다. 한편, '물체'는 승객과 사물을 포함한다.In the present embodiment, the dangerous situation in the platform is a situation in which an object that impedes the operation of the train falls on the train track (hereinafter referred to as 'object track crash'), or a situation where a passenger is caught in the door gap (hereinafter referred to as 'passenger door gap'). This includes the situation of fires in the platform (hereinafter referred to as 'fire occurrence') and the situation where passengers have violated the safety line (hereinafter referred to as 'passenger safety line violation'). However, in the present invention, the dangerous situation in the landing can be changed or added without being limited to the above. Meanwhile, an object includes a passenger and an object.
여기서, 「승강장 내의 위험상황 판단」이라 함은, 승강장 내에서 발생한 위험상황의 종류 및 그 위험도 등을 판단하는 것을 의미하며, 이때, 「위험도」는 발생한 위험상황의 심각성, 대응조치의 시급성 등을 고려하여 레벨화된 수치로 표현될 수 있다.Here, the determination of the risk situation in the platform means to determine the type of risk situation and the degree of danger, etc. occurring in the platform, where the risk refers to the severity of the risk situation and the urgency of countermeasures. It can be expressed as a level value in consideration.
일반적으로, 신경회로망(130)은 입력 계층, 은닉 계층 및 출력 계층으로 이루어지며, 각 계층은 복수개의 뉴런을 포함한다. 이때, 입력 계층의 뉴런들과 은닉 계층의 뉴런들 상호 연결되며, 은닉 계층의 뉴런들과 출력 계층의 뉴런들은 상호 연결되어 있어, 각 계층의 출력이 다음 계층의 입력으로 전달되는 구조이다. 한편, 은닉 계층은 하나 또는 복수의 층으로 구성될 수 있다.In general,
본 실시예에서, 신경회로망(130)은, 도 2에 도시된 바와 같이, 4개의 뉴런으로 구성되는 입력 계층, 5개의 뉴런으로 구성되는 1개의 은닉 계층, 4개의 뉴런으로 구성되는 출력 계층을 포함한다. 여기서, 입력 계층은 열상카메라정보, 스테레오카메라정보, 센서정보, 열차진입진출정보 등의 승강장 모니터링 정보가 입력되며, 출력 계층은 물체선로추락, 승객문틈끼임, 화재발생, 승객안전선침범 등의 승강장 내의 위험상황을 출력하고, 은닉 계층은 입력 계층과 출력 계층 사이에 위치하여 입력 계층의 출력을 입력받아 출력 계층의 입력으로 전달한다. 다만, 본 발명에서 각 계층을 구성하는 뉴런의 개수와 은닉 계층의 개수는 승강장 모니터링 시스템이 사용되는 환경, 요구되는 신뢰성, 입력되는 정보의 특성 등에 따라 적절히 변경될 수 있다.In the present embodiment, the
한편, 신경회로망(130)의 계층들은 가중치에 따라 상호 연관되며, 가중치에 의하여 입력 계층의 입력과 출력 계층의 출력 사이에 소정의 상관 관계가 형성된다. 즉, 입력 계층의 입력과 출력 계층의 출력 사이의 상관 관계는 가중치를 수정함으로써 조절된다. 이러한 가중치는 초기에 임의의 값으로 설정되며, 반복적인 학습 과정을 통해 신경회로망(130)의 출력값과 미리 설정된 목표값 사이의 오차가 감소하는 방향으로 수정된다. 즉, 「신경회로망(130)의 학습 과정」은 신경회로망(130)이 적용되는 시스템에 최적화된 가중치를 찾아내어 과정을 말한다. 한편, 신경회로망(130)의 최종적인 학습 결과는 정보 처리부(120)가 구현되는 서버에 메 모리 형태로 탑재된다. 한편, 가중치는 은닉 계층과 출력 계층 사이의 상관 관계를 결정하는 제1 가중치와, 입력 계층과 은닉 계층 사이의 상관 관계를 결정하는 제2 가중치를 포함한다.On the other hand, the layers of the
본 실시예에 따른 승강장 모니터링 시스템은, 신경망 학습부(140)에 으해 신경회로망(130)이 학습 완료된 상태에서 실제 승강장에서 운용된다.The platform monitoring system according to the present embodiment is operated in the actual platform in a state where the
도 1 및 도 3을 참조하면, 신경망 학습부(140)는, 본 실시예에 따른 승강장 모니터링 시스템을 실제 운용하기에 앞서, 신경망회로를 최적을 조건으로 학습 또는 구축하는 수단이다. 이러한 신경망 학습부(140)는, 신경회로망(130)의 학습 과정이 현장 테스트 형태로 수행되는 경우에는 전술한 정보 처리부(120)와 마찬가지로 해당 승강장의 역무실 또는 종합관제실에 설치된 서버(server)에서 구현되며, 신경회로망(130)의 학습 과정이 시뮬레이션 테스트 형태로 수행되는 경우에는 해당 실험실에 설치된 서버에서 구현된다.1 and 3, the neural
신경망 학습부(140)는, 승강장 내의 위험상황에 대한 패턴 인식을 학습하는 신경회로망(130)에 다수의 입력 패턴을 입력하고, 각 입력 패턴에 대한 신경회로망(130)의 출력값을 미리 설정된 목표값과 비교하여 그 오차가 감소되는 방향을 신경회로망(130)의 가중치를 조절함으로써, 신경회로망(130)을 학습시킨다.The neural
여기서, 신경회로망(130)에 입력되는 다수의 입력 패턴은, 위험상황에 따라 예상되는 열상카메라정보, 스테레오카메라정보, 센서정보, 열차진입진출정보 등의 승강장 모니터링 정보를 분석한 결과에 기초하여 선정된다. 이때, 위험상황에 따라 예상되는 승강장 모니터링 정보는, 승강장 모니터링 시스템에 대한 시뮬레이션 테 스트 또는 현장 테스트에서 얻어진 데이터의 분류 작업을 통해서 얻을 수 있다.Here, the plurality of input patterns input to the
아래의 [표 1]은 본 실시예에 따른 승강장 모니터링 시스템에서 신경회로망(130)의 학습에 사용되는 다수의 입력 패턴의 일 예를 나타낸다.Table 1 below shows an example of a plurality of input patterns used for learning of the
[표 1]TABLE 1
다수의 입력 패턴은, 위의 [표 1]에 예시된 바와 같이, 각각의 승강장 모니터링 정보에 대하여 '0' 이상의 정수로 할당되어 신경회로망(130)에 입력된다. 여기서, 각각의 승강장 모니터링 정보에 대해 할당된 정수에 대한 의미는 아래의 [표 2]와 같다. 한편, 위의 [표 1]에서 목표값은 위험상황의 종류로 표현되었지만, 실질적으로는 위험상황의 종류 및 그 위험도에 따라 할당된 값으로 설정된다.As illustrated in Table 1, the plurality of input patterns are allocated to the
[표 2]TABLE 2
위의 [표 1] 및 [표 2]에 예시된 바와 같은 다수의 입력 패턴이 선정되면, 신경망 회로부는, 도 3에 도시된 바와 같이, 먼저 신경회로망(130)의 가중치를 임의의 값으로 초기화한다. 다음으로 신경망 학습부(140)는 다수의 입력 패턴 각각에 대하여 각 입력 패턴에 대한 신경회로망(130)의 출력값을 확인하고, 확인된 출력값과 미리 설정된 목표값 사이의 오차를 산출하고, 산출된 오차에 기초하여 가중치를 조절한다. 여기서, 신경망 학습부(140)는, 다수의 입력 패턴 모두에 대하여 오차가 미리 설정된 허용오차범위에 포함될 때까지 가중치를 조절하는 학습 과정을 반복한다. 이때, 다수의 입력 패턴 모두에 대한 오차가 허용오차범위에 포함되면, 신경회로망(130)은 학습이 완료된 것으로 인정된다. 한편, 신경회로망(130)의 학습 완료 조건은 요구되는 신뢰도 등에 따라 변경될 수 있는데, 허용오차범위를 기준으로 하는 본 실시예와 달리, 예를 들어 각 입력 패턴에 대해 산출된 오차들의 합이 기준값 이하가 될 때까지 학습 과정을 반복하도록 구성될 수 있을 것이다.When a plurality of input patterns as exemplified in [Table 1] and [Table 2] are selected, the neural network unit, as shown in FIG. 3, first initializes the weight of the
이와 같이, 본 실시예에 따른 승강장 모니터링 시스템은, 위험상황에 따라 예상되는 열상카메라정보, 스테레오카메라정보, 센서정보, 열차진입진출정보 등의 승강장 모니터링 정보를 분석하고, 이를 기초로 신경회로망(130)을 일정기간 동안 학습 훈련시킴으로써, 승강장 내의 위험상황을 판단하는데 최적화된 가중치를 갖는 신경회로망(130)을 구축할 수 있다.As described above, the platform monitoring system according to the present embodiment analyzes platform monitoring information such as thermal camera information, stereo camera information, sensor information, and train entry and exit information expected according to a dangerous situation, and based on the
한편, 신경회로망(130)의 학습 과정에서 오차의 산출하는 방법 및 가중치를 수정하는 방법에 관하여는, 이하에서 설명하는 본 실시예에 따른 승강장 모니터링 시스템에 의한 승강장 모니터링 방법과 병행하여 설명하기로 한다.Meanwhile, a method for calculating an error and a method for correcting a weight in the learning process of the
도 4는 도 1의 승강장 모니터링 시스템에 의한 승강장 모니터링 방법을 설명하기 위한 흐름도이고, 도 5는 도 4의 신경회로망(130) 학습 단계를 설명하기 위한 흐름도이다.4 is a flowchart illustrating a platform monitoring method by the platform monitoring system of FIG. 1, and FIG. 5 is a flowchart illustrating a
도 4를 참조하면, 본 실시예에 따른 승강장 모니터링 방법은, 신경회로망(130)에 대해 승강장 내의 위험상황에 대한 패턴 인식을 학습시키는 단계(S100)와, 학습 완료된 신경회로망(130)을 이용하여 승강장 내의 위험상황을 판단하는 단계(S200)를 포함한다.Referring to FIG. 4, the platform monitoring method according to the present exemplary embodiment may include learning a pattern recognition for a dangerous situation in a platform with respect to the neural network 130 (S100), and using the learned
도 5를 참조하여 신경회로망(130) 학습 단계(S100)를 순차적으로 설명하면 다음과 같다.The
먼저, 승강장 내의 위험상황의 패턴에 따라 예상되는 승강장 모니터링 정보를 분석한 결과에 기초하여 다수의 입력 패턴을 선정하는 단계가 수행된다(S110). 본 실시예에서 승강장 모니터링 정보는 미리 설정된 승강장 모니터링 영역에 대한 열상카메라정보, 스테레오카메라정보, 센서정보 및 열차진입진출정보를 포함한다.First, a step of selecting a plurality of input patterns based on the result of analyzing the expected platform monitoring information according to the pattern of the dangerous situation in the platform (S110). In the present embodiment, the platform monitoring information includes thermal camera information, stereo camera information, sensor information, and train entry and exit information for a predetermined platform monitoring area.
다음으로, 신경회로망(130)의 가중치를 임의의 값으로 초기화하는 단계가 수행된다(S120). 예를 들면, 신경회로망(130)의 가중치는 -1 과 1 상의 임의의 값으로 초기화된다.Next, the step of initializing the weight of the
다음으로, 선정된 다수의 입력 패턴 각각에 대하여, 입력 패턴에 대한 신경회로망(130)의 출력값을 확인하고(S131), 확인된 출력값을 미리 설정된 목표값과 비교하여 그 오차를 산출하고(S132), 산출된 오차에 기초하여 가중치를 조절하는(S133) 단계가 수행된다(S130).Next, for each of the selected plurality of input patterns, the output value of the
여기서, 출력 계층의 뉴런 k에 대한 오차는 아래의 [수학식 1]에 의해 산출되고, 은닉 계층과 출력 계층 사이의 상관 관계를 결정하는 제1 가중치는 아래의 [수학식 2]에 의해 수정된다.Here, the error for the neuron k of the output layer is calculated by
[수학식 1][Equation 1]
Ek = (tk - ok) × ok(1 - ok)E k = (t k -o k ) × o k (1-o k )
[수학식 2][Equation 2]
wjk + = L × Ek × oj w jk + = L × E k × o j
Ek : 출력 계층의 뉴런 k에 대한 오차E k : error for neuron k in the output layer
ok : 출력 계층의 뉴런 k의 출력o k : Output of neuron k in the output layer
tk : 목표값t k : target value
wjk : 은닉 계층의 뉴런 j와 출력 계층의 뉴런 k 사이의 제1 가중치w jk : first weight between neuron j of hidden layer and neuron k of output layer
L : 학습 정도를 나타내는 작은 양수L: A small positive number representing the degree of learning
oj : 은닉 계층의 뉴런 j의 출력o j : Output of neuron j in hidden layer
또한, 은닉 계층의 뉴런 j에 대한 오차는 아래의 [수학식 3]에 의해 산출되고, 입력 계층과 은닉 계층 사이의 상관 관계를 결정하는 제2 가중치는 아래의 [수 학식 4]에 의해 수정된다.In addition, the error for the neuron j of the hidden layer is calculated by Equation 3 below, and the second weight for determining the correlation between the input layer and the hidden layer is corrected by Equation 4 below. .
[수학식 3][Equation 3]
Ej = oj(1 - oj) Ek wjk E j = o j (1-o j ) E k w jk
[수학식 4][Equation 4]
wij + = L × Ej × oi w ij + = L × E j × o i
Ej : 은닉 계층의 뉴런 j에 대한 오차E j : error for neuron j in the hidden layer
oj : 은닉 계층의 뉴런 j의 출력o j : Output of neuron j in hidden layer
n : 출력 계층의 뉴런 개수n: number of neurons in the output layer
wij : 입력 계층의 뉴런 i와 은닉 계층의 뉴런 j 사이의 제2 가중치w ij : second weight between neuron i of input layer and neuron j of hidden layer
L : 학습 정도를 나타내는 작은 양수L: A small positive number representing the degree of learning
oi : 입력 계층의 뉴런 i의 출력o i : Output of neuron i in input layer
다음으로, 모든 입력 패턴에 대하여 전술한 S130 단계가 수행되었다고 판단되면, 모든 입력 패턴에 대하여 산출된 오차가 미리 설정된 허용오차범위에 포함되는지 판단하는 단계가 수행된다(S140). 판단 결과, 허용오차범위를 벗어나는 경우에는 선정된 다수의 입력 패턴에 대하여 S130 단계가 다시 수행되고, 허용오차범위 에 포함되는 경우에는 신경회로망(130)의 학습이 완료된 것으로 정의한다. 즉, 신경회로망(130)의 가중치를 조절하는 S130 단계는 모든 입력 패턴에 대한 오차가 허용오차범위에 포함될 때까지 반복된다.Next, if it is determined that the above-described step S130 is performed for all input patterns, a step of determining whether an error calculated for all input patterns is included in a preset tolerance range is performed (S140). As a result of the determination, when it is out of the tolerance range, step S130 is performed again on the selected plurality of input patterns, and when it is included in the tolerance range, it is defined that the learning of the
위와 같은 신경회로망(130) 학습 단계(S100)가 완료되면, 도 4에 도시된 바와 같이, 학습 완료된 신경회로망(130)을 이용하여 승강장 내의 위험상황을 판단하는 단계가 수행된다(S200).When the
위험상황 판단 단계(S200)는, 열상카메라정보, 스테레오카메라정보, 센서정보, 열차진입진출정보 등의 승강장 모니터링 정보를 수집하는 단계(S210)와, 수집된 승강장 모니터링 정보를 학습 완료된 신경회로망(130)에 입력하는 단계(S220)와, 신경회로망(130)의 출력 결과에 기초하여 물체선로추락, 승객문틈끼임, 화재발생, 승객안전선침범 등의 승강장 내의 위험상황을 판단하는 단계(S230)가 순차적으로 수행됨으로써 완료된다.The risk situation determination step (S200), the step of collecting platform monitoring information such as thermal camera information, stereo camera information, sensor information, train entry and exit information (S210), and the completed network monitoring information learning
이상 설명한 바와 같이, 본 실시예에 따른 승강장 모니터링 시스템 및 그 방법은, 승강장 내의 위험상황에 대한 패턴 인식이 학습된 신경회로망(130)을 이용하여 승강장 내의 위험상황을 판단함으로써, 승강장 내의 위험상황에 대한 지능적이고 신속한 판단이 가능하고, 그 판단의 신뢰성을 높일 수 있다.As described above, the platform monitoring system and method according to the present embodiment, by using the
본 발명은 전술한 실시예들에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형할 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정예 또는 변형예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이다.It is apparent to those skilled in the art that the present invention is not limited to the above-described embodiments, and that various modifications and changes can be made without departing from the spirit and scope of the present invention. Therefore, such modifications or variations will have to be belong to the claims of the present invention.
도 1은 본 발명의 일 실시예에 따른 승강장 모니터링 시스템의 개략적인 구성도이다.1 is a schematic diagram of a platform monitoring system according to an embodiment of the present invention.
도 2는 도 1의 신경회로망의 개념도이다.FIG. 2 is a conceptual diagram of the neural network of FIG. 1.
도 3은 도 1의 신경망 학습부를 설명하기 위한 도면이다.FIG. 3 is a diagram for describing a neural network learner of FIG. 1.
도 4는 도 1의 승강장 모니터링 시스템에 의한 승강장 모니터링 방법을 설명하기 위한 흐름도이다.4 is a flowchart illustrating a boarding point monitoring method by the boarding point monitoring system of FIG. 1.
도 5는 도 4의 신경회로망 학습 단계를 설명하기 위한 흐름도이다.5 is a flowchart illustrating a neural network learning step of FIG. 4.
<도면의 주요 부분에 대한 부호의 설명><Explanation of symbols for the main parts of the drawings>
110 : 정보 수집부110: information collector
120 : 정보 처리부120: information processing unit
130 : 신경회로망130: neural network
140 : 신경망 학습부140: neural network learning unit
Claims (15)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020080071741A KR100973586B1 (en) | 2008-07-23 | 2008-07-23 | Monitoring system in railway station for determining dangerous situation using neural network and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020080071741A KR100973586B1 (en) | 2008-07-23 | 2008-07-23 | Monitoring system in railway station for determining dangerous situation using neural network and method thereof |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20100010735A true KR20100010735A (en) | 2010-02-02 |
KR100973586B1 KR100973586B1 (en) | 2010-08-02 |
Family
ID=42085334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020080071741A KR100973586B1 (en) | 2008-07-23 | 2008-07-23 | Monitoring system in railway station for determining dangerous situation using neural network and method thereof |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR100973586B1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614873A (en) * | 2018-11-15 | 2019-04-12 | 中兴飞流信息科技有限公司 | Train safety sign detection method, server and storage medium neural network based |
KR102310925B1 (en) * | 2020-08-20 | 2021-10-13 | 한국철도공사 | Train entry warning system by artificial intelligence |
KR102496344B1 (en) * | 2021-08-26 | 2023-02-06 | 한국철도기술연구원 | Apparatus and method for protecting multicopter during facility inspection from train entry |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100348295B1 (en) * | 1995-06-21 | 2002-10-25 | 주식회사 하이닉스반도체 | Method for modifying error using artificial neural network |
JP4668684B2 (en) * | 2005-05-20 | 2011-04-13 | 住友大阪セメント株式会社 | Monitoring device and software program |
KR100661263B1 (en) * | 2005-12-09 | 2006-12-26 | (주)다보소 | Automatical detecting system for accidental faller at platform using thermal image camera |
KR100750347B1 (en) | 2005-12-20 | 2007-08-17 | 한국철도기술연구원 | A Monitoring System for Subway Platform using Stereoscopic Video Camera |
-
2008
- 2008-07-23 KR KR1020080071741A patent/KR100973586B1/en not_active IP Right Cessation
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614873A (en) * | 2018-11-15 | 2019-04-12 | 中兴飞流信息科技有限公司 | Train safety sign detection method, server and storage medium neural network based |
KR102310925B1 (en) * | 2020-08-20 | 2021-10-13 | 한국철도공사 | Train entry warning system by artificial intelligence |
KR102496344B1 (en) * | 2021-08-26 | 2023-02-06 | 한국철도기술연구원 | Apparatus and method for protecting multicopter during facility inspection from train entry |
Also Published As
Publication number | Publication date |
---|---|
KR100973586B1 (en) | 2010-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6867153B2 (en) | Abnormality monitoring system | |
KR101850286B1 (en) | A deep learning based image recognition method for CCTV | |
KR101607224B1 (en) | Dynamic object classification | |
JP6862144B2 (en) | Monitoring system | |
EP1866883B1 (en) | Nuisance alarm filter | |
EP1943612B1 (en) | Video image track supervision system | |
CN104935879A (en) | Multi-View Human Detection Using Semi-Exhaustive Search | |
KR102470131B1 (en) | Deep learning based building management system with rail robot device | |
KR100973586B1 (en) | Monitoring system in railway station for determining dangerous situation using neural network and method thereof | |
CN104933436A (en) | Vision-based multi-camera factory monitoring including dynamic integrity grading | |
KR20210072285A (en) | System for analyzing cctv image information for occupancy realtime monitoring, and method for the same | |
KR102226183B1 (en) | Monitoring system for building occupant density using cctv, and method for the same | |
CN110288823A (en) | A kind of break in traffic rules and regulations erroneous judgement recognition methods based on naive Bayesian network | |
KR20070065480A (en) | A monitoring system for subway platform using stereoscopic video camera | |
CN112132048A (en) | Community patrol analysis method and system based on computer vision | |
CN110544312A (en) | Video display method and device in virtual scene, electronic equipment and storage device | |
CN115550609A (en) | Building Internet of things monitoring system capable of realizing automatic adaptation | |
CN112633262B (en) | Channel monitoring method and device, electronic equipment and medium | |
KR20200098195A (en) | Apparatus and method for detecting human behavior in escalator area | |
CN114565886A (en) | Method for detecting dangerous behavior of personnel crossing station tracks in railway industry | |
KR20190136515A (en) | Vehicle recognition device | |
KR102481215B1 (en) | Object detection system in a specific space for statistical population control | |
JP2020021111A (en) | Type determination program, type determination apparatus and type determination method | |
KR100897914B1 (en) | Stereo vision based monitoring system in railway station and method thereof | |
CN117746338B (en) | Property park safety management method and system based on artificial intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
LAPS | Lapse due to unpaid annual fee |