KR20220055512A - Artificial Intelligence CCTV for Variable Operation of Deep Learning Models - Google Patents

Artificial Intelligence CCTV for Variable Operation of Deep Learning Models Download PDF

Info

Publication number
KR20220055512A
KR20220055512A KR1020200138876A KR20200138876A KR20220055512A KR 20220055512 A KR20220055512 A KR 20220055512A KR 1020200138876 A KR1020200138876 A KR 1020200138876A KR 20200138876 A KR20200138876 A KR 20200138876A KR 20220055512 A KR20220055512 A KR 20220055512A
Authority
KR
South Korea
Prior art keywords
artificial intelligence
cctv
deep learning
image
models
Prior art date
Application number
KR1020200138876A
Other languages
Korean (ko)
Inventor
송혁
고민수
최인규
Original Assignee
한국전자기술연구원
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 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020200138876A priority Critical patent/KR20220055512A/en
Publication of KR20220055512A publication Critical patent/KR20220055512A/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N3/08—Learning methods

Abstract

An artificial intelligence CCTV for variable operation of deep learning models is provided. An artificial intelligence CCTV according to an embodiment of the present invention includes: a photographing part for photographing a surveillance area to generate an image; a storage part for storing a plurality of artificial intelligence models for analyzing the photographed image; and a control part for selecting one of the stored artificial intelligence models and analyzing the image. Accordingly, in image analysis using artificial intelligence CCTV, adaptive operation according to a situation can be performed, and optimization can be achieved by changing a deep learning model when performing a function different from the currently operated function.

Description

딥러닝 모델의 가변적 운용이 가능한 인공지능 CCTV{Artificial Intelligence CCTV for Variable Operation of Deep Learning Models}Artificial Intelligence CCTV for Variable Operation of Deep Learning Models

본 발명은 CCTV(Closed Circuit Television)에 관한 것으로, 더욱 상세하게는 딥러닝 기술을 적용된 인공지능 CCTV에서 영상 분석의 성능을 높여 주기 위한 방법에 관한 것이다.The present invention relates to CCTV (Closed Circuit Television), and more particularly, to a method for increasing the performance of image analysis in artificial intelligence CCTV to which deep learning technology is applied.

보안 요구의 증대와 딥러닝 기술의 발달로 인해, CCTV 내에 딥러닝 모델을 탑재하는 것이 가능해졌다. 이로 인해, CCTV 영상을 영상 분석 서버에 전송하지 않고서도 분석을 할 수 있게 되었다.Due to the increase in security requirements and the development of deep learning technology, it has become possible to mount a deep learning model in CCTV. Due to this, it is possible to analyze the CCTV image without transmitting it to the image analysis server.

이와 같은 인공지능 CCTV는 빠른 영상 분석에 따른 신속한 대처가 가능하고, 영상을 서버에 저장하지 않아도 되어 보다 개인 정보 보호를 보다 강화할 수 있게 된다.Such artificial intelligence CCTV can respond quickly according to rapid video analysis, and it is not necessary to store the video on the server, so the protection of personal information can be further strengthened.

하지만, 단점도 존재하는데, 인공지능 CCTV에 탑재된 딥러닝 모델을 변경하기 위해서는, 작업자가 인공지능 CCTV가 설치된 장소를 찾아 수작업을 해야하는 것이다. 이는, 번거로울 뿐만 아니라, 상황 변화에 따른 빠르고 능동적인 대처를 어렵게 하는 요인으로 작용한다.However, there are also disadvantages. In order to change the deep learning model mounted on the AI CCTV, the operator must find a place where the AI CCTV is installed and do manual work. This is not only cumbersome, but also acts as a factor that makes it difficult to quickly and actively cope with a change in situation.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 인공지능 CCTV를 운용함에 있어 딥러닝 모델 운용의 제한으로 제한된 기능만을 수행하는 방식을 개선하기 위한 방안으로, 딥러닝 모델의 가변적 운용이 가능한 인공지능 CCTV를 제공함에 있다.The present invention has been devised to solve the above problems, and an object of the present invention is to improve a method of performing only a limited function due to the limitation of deep learning model operation in operating an artificial intelligence CCTV, deep learning It is to provide an artificial intelligence CCTV capable of variable operation of the model.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 인공지능 CCTV는, 감시 구역을 촬영하여 영상을 생성하는 촬영부; 촬영부에서 촬영된 영상을 분석하는 다수의 인공지능 모델들을 저장하는 저장부; 저장부에 저장된 인공지능 모델들 중 하나를 선택하여 영상을 분석하는 제어부;를 포함한다.According to an embodiment of the present invention for achieving the above object, the artificial intelligence CCTV includes: a photographing unit for generating an image by photographing a monitoring area; a storage unit for storing a plurality of artificial intelligence models for analyzing images captured by the photographing unit; and a control unit that analyzes an image by selecting one of the artificial intelligence models stored in the storage unit.

제어부는, 선택한 인공지능 모델을 다른 인공지능 모델로 변경할 수 있다.The controller may change the selected AI model to another AI model.

그리고, 제어부는, 정해진 시간이 도래하면 인공지능 모델을 변경할 수 있다.In addition, the control unit may change the artificial intelligence model when a predetermined time arrives.

제어부는, 영상 분석 결과를 기초로, 변경할 인공지능 모델을 결정할 수 있다.The controller may determine an artificial intelligence model to change based on the image analysis result.

또한, 관리 서버와 통신하는 통신부;를 더 포함하고, 제어부는, 통신부를 통해 관리 서버로부터 수시한 업데이트 정보에 따라, 인공지능 모델들을 업데이트할 수 있다.In addition, it further includes a communication unit that communicates with the management server, the control unit may update the artificial intelligence models according to the update information received from the management server through the communication unit at any time.

통신부는, 사용자 단말과 더 통신하고, 제어부는, 통신부를 통해 사용자 단말로부터 수신한 지시에 따라, 변경할 인공지능 모델을 결정할 수 있다.The communication unit may further communicate with the user terminal, and the control unit may determine an artificial intelligence model to change according to an instruction received from the user terminal through the communication unit.

인공지능 모델들은, 객체를 검출하기 위한 인공지능 모델, 객체의 행동을 인식하기 위한 인공지능 모델 및 문자와 숫자를 인식하기 위한 인공지능 모델을 포함할 수 있다.The artificial intelligence models may include an artificial intelligence model for detecting an object, an artificial intelligence model for recognizing an action of an object, and an artificial intelligence model for recognizing letters and numbers.

한편, 본 발명의 다른 실시예에 따른, 인공지능 CCTV 운용 방법은, 감시 구역을 촬영하여 영상을 생성하는 단계; 촬영된 영상을 분석하는 다수의 인공지능 모델들 중 하나를 선택하는 단계; 선택된 인공지능 모델을 이용하여, 영상을 분석하는 단계;를 포함한다.On the other hand, according to another embodiment of the present invention, the artificial intelligence CCTV operating method, generating an image by shooting a monitoring area; selecting one of a plurality of artificial intelligence models to analyze the captured image; and analyzing the image by using the selected artificial intelligence model.

이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 인공지능 CCTV를 활용한 영상분석에 있어, 상황에 맞는 적응적 운용이 가능해지고, 현재 운용중인 기능과 다른 기능을 수행하고자 할 때 딥러닝 모델의 변경을 통한 최적화가 가능해진다.As described above, according to the embodiments of the present invention, in image analysis using artificial intelligence CCTV, adaptive operation according to the situation is possible, and a deep learning model is performed when a function different from the currently operated function is performed. Optimization is possible by changing

또한, 본 발명의 실시예들에 따르면, 신규 우수한 모델의 개발시 딥러닝 성능 개선을 위한 딥러닝 모델 변경을 신속하고 용이하게 수행할 수 있다는 장점이 있다.In addition, according to the embodiments of the present invention, there is an advantage that it is possible to quickly and easily change the deep learning model for improving the deep learning performance when developing a new excellent model.

도 1은 본 발명의 일 실시예에 따른 인공지능 CCTV의 블럭도,
도 2는 저장부의 저장 공간을 도식적으로 나타낸 도면,
도 3은 인공지능 CCTV와 관리 서버 및 사용자 단말의 연결 관계를 나타낸 도면,
도 4는 본 발명의 다른 실시예에 따른 인공지능 CCTV의 가변적 딥러닝 모델 운용 방법의 설명에 제공되는 흐름도, 그리고,
도 5는 본 발명의 또 다른 실시예에 따른 인공지능 CCTV의 가변적 딥러닝 모델 운용 방법의 설명에 제공되는 흐름도이다.1 is a block diagram of an artificial intelligence CCTV according to an embodiment of the present invention;
2 is a diagram schematically showing the storage space of the storage unit;
Figure 3 is a view showing the connection relationship between the artificial intelligence CCTV, management server and user terminal;
4 is a flowchart provided for explaining a method of operating a variable deep learning model of artificial intelligence CCTV according to another embodiment of the present invention, and,
5 is a flowchart provided for explaining a method for operating a variable deep learning model of artificial intelligence CCTV according to another embodiment of the present invention.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.

본 발명의 실시예에서는 딥러닝 모델의 가변적 운용이 가능한 인공지능 CCTV(Closed Circuit Television)를 제시한다. 도 1은 본 발명의 일 실시예에 따른 인공지능 CCTV의 블럭도이다.In an embodiment of the present invention, an artificial intelligence CCTV (Closed Circuit Television) capable of variable operation of a deep learning model is presented. 1 is a block diagram of an artificial intelligence CCTV according to an embodiment of the present invention.

본 발명의 실시예에 따른 인공지능 CCTV는 촬영된 영상에 대해 딥러닝 모델을 이용한 분석을 수행함에 있어, 운용/구동하는 딥러닝 모델의 종류를 필요 상황에 맞춰 적응적으로 변경할 수 있다.The artificial intelligence CCTV according to an embodiment of the present invention can adaptively change the type of deep learning model to be operated/driven according to a necessary situation in performing an analysis using a deep learning model on a photographed image.

아울러, 보유하고 있는 딥러닝 모델에 대한 업데이트를 신속하고 간편하게 진행할 수 있다.In addition, you can quickly and easily update your deep learning models.

이와 같은 기능을 수행하는 본 발명의 실시예에 따른 인공지능 CCTV는, 도 1에 도시된 바와 같이, 촬영부(110), 제어부(120), 저장부(130) 및 통신부(140)를 포함하여 구성된다.Artificial intelligence CCTV according to an embodiment of the present invention that performs such a function, as shown in FIG. 1 , includes a photographing unit 110 , a control unit 120 , a storage unit 130 , and a communication unit 140 . is composed

촬영부(110)는 인공지능 CCTV에게 할당된 감시 구역을 실시간으로 촬영하여 영상을 생성한다. 촬영부(110)에 의해 생성된 영상은 제어부(120)로 전달되어 분석된다.The photographing unit 110 creates an image by photographing the monitoring area allocated to the artificial intelligence CCTV in real time. The image generated by the photographing unit 110 is transmitted to the control unit 120 and analyzed.

제어부(120)는 딥러닝 모델을 이용하여 촬영부(110)에 의해 생성된 영상을 분석하기 위한 하드웨어인 FPGA(Field Programmable Gate Array)와 이를 제어하기 위한 CPU(Centgral Processing Unit)를 포함한다.The control unit 120 includes a field programmable gate array (FPGA), which is hardware for analyzing the image generated by the photographing unit 110 using the deep learning model, and a central processing unit (CPU) for controlling the same.

저장부(130)는 촬영부(110)에 의해 생성된 영상이 저장되는 저장매체이다. 또한, 저장부(130)에는 제어부(120)에서 영상 분석을 위해 구동하는 딥러닝 모델들이 저장된다.The storage unit 130 is a storage medium in which the image generated by the photographing unit 110 is stored. In addition, deep learning models driven by the controller 120 for image analysis are stored in the storage unit 130 .

도 2에는 저장부(130)의 저장 공간을 도식적으로 나타내었다. 도시된 바와 같이, 저장부(130)에는 촬영 영상(131) 외에 다수의 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)이 저장된다.2 schematically shows the storage space of the storage unit 130 . As shown, the storage unit 130 stores a plurality of deep learning models 132-1, 132-2, 132-3, ... 132-n in addition to the captured image 131 .

촬영 영상(131)이 저장되는 저장 공간과 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)이 저장되는 저장 공간을 물리적으로 구분된 별개의 저장부로 구현하는 것도 가능하다.A storage space in which the captured image 131 is stored and a storage space in which the deep learning models 132-1, 132-2, 132-3, ... 132-n are stored are implemented as physically separate storage units. It is also possible to

딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)은 딥러닝 모델의 구조와 환경 설정에 대한 정보 및 웨이트 정보를 의미한다.The deep learning models 132-1, 132-2, 132-3, ... 132-n mean information and weight information about the structure and environment settings of the deep learning model.

딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)은 촬영부(110)에 의해 생성된 영상을 입력받으면, 영상 분석 결과를 출력하도록 학습되어 있는 인공지능 모델들이다.The deep learning models 132-1, 132-2, 132-3, ... 132-n receive an image generated by the photographing unit 110, and are trained to output an image analysis result. they are models

딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)에 의해 출력되는 영상 분석 결과들은 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n) 마다 다르다.The image analysis results output by the deep learning models 132-1, 132-2, 132-3, ... 132-n are the deep learning models 132-1, 132-2, 132-3, . .. 132-n) is different.

이를 테면, 딥러닝 모델-1(132-1)은 촬영 영상을 입력받아 영상에 존재하는 객체들, 이를 테면, 사람과 차량을 검출하여, 검출 결과를 출력하도록 학습된 딥러닝 모델일 수 있다.For example, the deep learning model-1 132-1 may be a deep learning model trained to receive a captured image, detect objects present in the image, such as a person and a vehicle, and output a detection result.

또한, 딥러닝 모델-2(132-2)은 촬영 영상을 입력받아 영상에서 검출된 객체의 행동, 이를 테면, 무단횡단, 월담, 도주 등을 인식하여, 인식 결과를 출력하도록 학습된 딥러닝 모델이고, 딥러닝 모델-3(132-2)은 촬영 영상을 입력받아 영상에서 문자와 숫자, 이를 테면, 차량 번호를 인식하여, 인식 결과를 출력하도록 학습된 딥러닝 모델일 수 있는 것이다.In addition, the deep learning model-2 (132-2) is a deep learning model trained to receive a captured image, recognize the behavior of an object detected in the image, such as jaywalking, moondam, and escape, and output the recognition result. , and the deep learning model-3 (132-2) may be a deep learning model trained to receive a captured image, recognize letters and numbers in the image, such as a vehicle number, and output a recognition result.

다시, 도 1을 참조하여 설명한다.Again, it will be described with reference to FIG. 1 .

제어부(120)는 저장부(130)에 저장된 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n) 중 하나를 선택하여 구동시킨다. 구체적으로는, 제어부(120)의 CPU가 선택한 딥러닝 모델을 저장부(130)에서 호출하여 FPGA에 업로드하게 된다.The control unit 120 selects and drives one of the deep learning models 132-1, 132-2, 132-3, ... 132-n stored in the storage unit 130 . Specifically, the deep learning model selected by the CPU of the control unit 120 is called from the storage unit 130 and uploaded to the FPGA.

FPGA에 업로드된 딥러닝 모델은 촬영부(110)로부터 전달되는 영상을 분석하고, 분석 결과를 출력하게 된다.The deep learning model uploaded to the FPGA analyzes the image transmitted from the photographing unit 110 and outputs the analysis result.

한편, 제어부(120)는 선택한 딥러닝 모델을 변경할 수 있다. 구체적으로, FPGA에 업로드된 딥러닝 모델을 삭제하고, 저장부(130)에 저장된 다른 딥러닝 모델을 호출하여 FPGA에 업로드할 수 있다.Meanwhile, the controller 120 may change the selected deep learning model. Specifically, the deep learning model uploaded to the FPGA may be deleted, and another deep learning model stored in the storage unit 130 may be called and uploaded to the FPGA.

통신부(140)는 외부 기기와 연결하고 외부 네트워크에 접속하기 위한 통신 수단이다.The communication unit 140 is a communication means for connecting to an external device and accessing an external network.

도 3에 도시된 바와 같이, 인공지능 CCTV(100)는 자신을 관리/제어하기 위한 관리 서버(210) 및 사용자 단말(220)과 네트워크를 통해 연결되어 있다. 인공지능 CCTV(100)의 통신부(140)는 이들로부터 관리 정보와 제어 명령을 수신하여 제어부(120)로 전달하여 준다.As shown in FIG. 3 , the artificial intelligence CCTV 100 is connected to the management server 210 and the user terminal 220 for managing/controlling itself through a network. The communication unit 140 of the artificial intelligence CCTV 100 receives management information and control commands from them and delivers them to the control unit 120 .

구체적으로, 제어부(120)는 관리 서버(210)로부터 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)의 업데이트 정보를 수신하여, 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n)을 업데이트한다.Specifically, the control unit 120 receives the update information of the deep learning models (132-1, 132-2, 132-3, ... 132-n) from the management server 210, the deep learning models ( 132-1, 132-2, 132-3, ... 132-n).

또한, 제어부(120)는 사용자 단말(220)과 딥러닝 모델 변경 명령을 수신하여, 수신함 명령에 따란 딥러닝 모델을 변경할 수 있다.In addition, the controller 120 may receive the user terminal 220 and the deep learning model change command, and change the deep learning model according to the inbox command.

이하에서는, 제어부(120)에 의해 딥러닝 모델이 선택/변경되는 과정에 대해, 도 4와 도 5를 참조하여 상세히 설명한다.Hereinafter, a process in which the deep learning model is selected/changed by the controller 120 will be described in detail with reference to FIGS. 4 and 5 .

도 4는 본 발명의 다른 실시예에 따른 인공지능 CCTV의 가변적 딥러닝 모델 운용 방법의 설명에 제공되는 흐름도이다.4 is a flowchart provided for the description of a method for operating a variable deep learning model of artificial intelligence CCTV according to another embodiment of the present invention.

도시된 바와 같이, 먼저, 제어부(120)는 저장부(130)에 저장된 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n) 중 하나를 선택하여 구동시킨다(S310). 이를 테면, S310단계에서 딥러닝 모델-1(132-1)이 호출되어 제어부(120)의 FPGA에 업로드되어 구동될 수 있다.As shown, first, the controller 120 selects one of the deep learning models 132-1, 132-2, 132-3, ... 132-n stored in the storage 130 and drives it. (S310). For example, in step S310, the deep learning model-1 (132-1) may be called and uploaded to the FPGA of the control unit 120 to be driven.

촬영부(110)는 촬영을 통해 영상을 생성하고(S320), S310단계에서 선택&구동된 딥러닝 모델은 S320단계에서 생성되는 영상을 분석하여 분석 결과를 출력한다(S330).The photographing unit 110 generates an image through photographing (S320), and the deep learning model selected & driven in step S310 analyzes the image generated in step S320 and outputs an analysis result (S330).

한편, 제어부(120)는 S330단계에서 출력되는 분석 결과를 기초로, S310단계에서 구동중인 딥러닝 모델을 변경할 필요가 있는지 여부를 판단하여 결정한다(S340).Meanwhile, the controller 120 determines whether it is necessary to change the deep learning model being driven in step S310 based on the analysis result output in step S330 (S340).

예를 들어, S310단계에서 객체 검출을 위한 딥러닝 모델-1(132-1)을 구동하고 있었는데, S330단계에서 타겟 객체가 검출된 것으로 분석된 경우, S340단계에서는 객체의 행동을 인식하기 위한 딥러닝 모델-2(132-2)로 변경할 필요가 있다고 결정할 수 있는 것이다.For example, if the deep learning model-1 (132-1) for object detection was being driven in step S310, and it was analyzed that the target object was detected in step S330, in step S340, the deep learning model-1 for recognizing the behavior of the object was driven. You may decide that you need to change to Learning Model-2 (132-2).

딥러닝 모델을 변경할 필요가 있다고 판단되면(S350-Y), 제어부(120)는 S310단계에서 구동 중인 딥러닝 모델을 S340단계에서 결정한 딥러닝 모델로 변경한다(S360).If it is determined that it is necessary to change the deep learning model (S350-Y), the control unit 120 changes the deep learning model running in step S310 to the deep learning model determined in step S340 (S360).

구체적으로는, S310단계에서 FPGA에 업로드된 딥러닝 모델을 삭제하고, S340단계에서 결정한 딥러닝 모델을 저장부(130)에서 호출하여 FPGA에 업로드한다.Specifically, the deep learning model uploaded to the FPGA in step S310 is deleted, and the deep learning model determined in step S340 is called from the storage unit 130 and uploaded to the FPGA.

다음, S320단계로 회기한다. 딥러닝 모델을 변경할 필요가 있다고 판단된 경우에도(S350-M), 마찬가지로 S320단계로 회기한다.Next, it returns to step S320. Even when it is determined that it is necessary to change the deep learning model (S350-M), the process returns to step S320 similarly.

도 5는 본 발명의 또 다른 실시예에 따른 인공지능 CCTV의 가변적 딥러닝 모델 운용 방법의 설명에 제공되는 흐름도이다.5 is a flowchart provided for explaining a method for operating a variable deep learning model of artificial intelligence CCTV according to another embodiment of the present invention.

도시된 바와 같이, 먼저, 제어부(120)는 저장부(130)에 저장된 딥러닝 모델들(132-1, 132-2, 132-3, ... 132-n) 중 하나를 선택하여 구동시키고(S410), 촬영부(110)는 촬영을 통해 영상을 생성하며(S420), S410단계에서 선택&구동된 딥러닝 모델은 S420단계에서 생성되는 영상을 분석하여 분석 결과를 출력한다(S430).As shown, first, the controller 120 selects and drives one of the deep learning models 132-1, 132-2, 132-3, ... 132-n stored in the storage 130, and (S410), the photographing unit 110 generates an image through photographing (S420), and the deep learning model selected & driven in step S410 analyzes the image generated in step S420 and outputs the analysis result (S430).

정해진 시간이 도래하면(S440-Y), 제어부(120)는 S410단계에서 구동중인 딥러닝 모델을 정해진 다른 딥러닝 모델로 변경한다(S450).When the predetermined time arrives (S440-Y), the controller 120 changes the deep learning model being driven in step S410 to another determined deep learning model (S450).

이를 테면, 주간 시단대에서 야간 시간대로 변경 되면, S450단계에서 주간 영상에서 객체 검출이 적합한 딥러닝 모델을 야간 영상에서 객체 검출이 적합한 딥러닝 모델로 변경하는 것이다.For example, if the daytime shift zone is changed to the nighttime zone, the deep learning model suitable for object detection in the daytime image is changed to a deep learning model suitable for object detection in the nighttime image in step S450.

한편, 통신부(140)를 통해 사용자 단말(220)로부터 딥러닝 모델 변경 명령이 있으면(S460-Y), 제어부(120)는 S410단계에서 구동중인 딥러닝 모델 또는 S450단계에서 변경된 딥러닝 모델을 S460단계에서 수신한 명령에 따라 변경한다(S470).On the other hand, if there is a deep learning model change command from the user terminal 220 through the communication unit 140 (S460-Y), the control unit 120 converts the deep learning model running in step S410 or the deep learning model changed in step S450 to S460 It changes according to the command received in step (S470).

다음, S420단계로 회기한다.Next, the process returns to step S420.

한편, 딥러닝 모델 변경이 즉각적으로 이루어지지 않고, 영상 분석 결과를 토대로 적정한 시간대에 이루어지도록 구현하는 것이 가능하다. 이를 테면, 딥러닝 모델의 변경이 필요한 상황이라 하더라도, 영상 분석 결과 특정한 이벤트들이 빈번하게 발생한다면 딥러닝 모델을 변경하지 않고 대기하다가, 이벤트가 특정 시간 동안 발생하지 않는 상태가 되면 딥러닝 모델을 변경하는 것이 가능하다.On the other hand, it is possible to implement the deep learning model change not immediately, but at an appropriate time based on the image analysis result. For example, even in a situation where a change of the deep learning model is required, if specific events occur frequently as a result of image analysis, the deep learning model is waited without changing, and when the event does not occur for a specific time, the deep learning model is changed it is possible to do

지금까지, 딥러닝 모델의 가변적 운용이 가능한 인공지능 CCTV에 대해 ㅂ바바람직한 실시예들을 들어 상세히 설명하였다.So far, it has been described in detail with preferred embodiments for artificial intelligence CCTV capable of variable operation of the deep learning model.

위 실시예에서는, 기존 딥러닝 기반 인공지능 CCTV를 운용함에 있어 딥러닝 모델 운용의 제한이 발생하여 하나의 CCTV에서 제한된 기능만을 수행하는 방식을 개선하고자, 상황에 따라 딥러닝 모델을 변경하거나 업데이트가 가능하도록 하였다.In the above embodiment, in order to improve the method of performing only limited functions in one CCTV due to the limitation of deep learning model operation in operating the existing deep learning-based artificial intelligence CCTV, the deep learning model may be changed or updated depending on the situation. made it possible

이를 통해, 영상 분석에 있어 상황에 맞는 적응적 운용이 가능해지고, 현재 운용중인 기능과 다른 기능을 수행하고자 할 때 딥러닝 모델의 변경을 통한 최적화가 가능해지며, 신규 우수한 모델의 개발시 딥러닝 성능 개선을 위한 모델 변경이 가능해진다.Through this, adaptive operation according to the situation is possible in image analysis, and when you want to perform a function different from the currently operated function, optimization by changing the deep learning model is possible, and deep learning performance when developing a new excellent model It becomes possible to change the model for improvement.

한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.On the other hand, it goes without saying that the technical idea of the present invention can also be applied to a computer-readable recording medium containing a computer program for performing the functions of the apparatus and method according to the present embodiment. In addition, the technical ideas according to various embodiments of the present invention may be implemented in the form of computer-readable codes recorded on a computer-readable recording medium. The computer-readable recording medium may be any data storage device readable by the computer and capable of storing data. For example, the computer-readable recording medium may be a ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, hard disk drive, or the like. In addition, the computer-readable code or program stored in the computer-readable recording medium may be transmitted through a network connected between computers.

또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In addition, although preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention as claimed in the claims In addition, various modifications are possible by those of ordinary skill in the art, and these modifications should not be individually understood from the technical spirit or perspective of the present invention.

110 : 촬영부
120 : 제어부
130 : 저장부
131 : 촬영 영상
132-1, 132-2, 132-3, ... 132-n : 딥러닝 모델
140 : 통신부110: filming unit
120: control unit
130: storage
131: shooting video
132-1, 132-2, 132-3, ... 132-n: deep learning model
140: communication department

Claims (8)

감시 구역을 촬영하여 영상을 생성하는 촬영부;
촬영부에서 촬영된 영상을 분석하는 다수의 인공지능 모델들을 저장하는 저장부;
저장부에 저장된 인공지능 모델들 중 하나를 선택하여 영상을 분석하는 제어부;를 포함하는 것을 특징으로 하는 인공지능 CCTV(Closed Circuit Television).
a photographing unit that generates an image by photographing a monitoring area;
a storage unit for storing a plurality of artificial intelligence models for analyzing images captured by the photographing unit;
Artificial intelligence CCTV (Closed Circuit Television) comprising a; a control unit that analyzes an image by selecting one of the artificial intelligence models stored in the storage unit.
 청구항 1에 있어서,
제어부는,
선택한 인공지능 모델을 다른 인공지능 모델로 변경하는 것을 특징으로 하는 인공지능 CCTV.
The method according to claim 1,
the control unit,
Artificial intelligence CCTV, characterized in that it changes the selected artificial intelligence model to another artificial intelligence model.
 청구항 2에 있어서,
제어부는,
정해진 시간이 도래하면 인공지능 모델을 변경하는 것을 특징으로 하는 인공지능 CCTV.
3. The method according to claim 2,
the control unit,
Artificial intelligence CCTV, characterized in that it changes the artificial intelligence model when a set time arrives.
 청구항 2에 있어서,
제어부는,
영상 분석 결과를 기초로, 변경할 인공지능 모델을 결정하는 것을 특징으로 하는 인공지능 CCTV.
3. The method according to claim 2,
the control unit,
Artificial intelligence CCTV, characterized in that it determines the artificial intelligence model to change based on the image analysis result.
 청구항 2에 있어서,
관리 서버와 통신하는 통신부;를 더 포함하고,
제어부는,
통신부를 통해 관리 서버로부터 수시한 업데이트 정보에 따라, 인공지능 모델들을 업데이트하는 것을 특징으로 하는 인공지능 CCTV.
3. The method according to claim 2,
It further includes; a communication unit for communicating with the management server;
the control unit,
Artificial intelligence CCTV, characterized in that it updates the artificial intelligence models according to the update information received from the management server through the communication unit.
 청구항 5에 있어서
통신부는,
사용자 단말과 더 통신하고,
제어부는,
통신부를 통해 사용자 단말로부터 수신한 지시에 따라, 변경할 인공지능 모델을 결정하는 것을 특징으로 하는 인공지능 CCTV.
6. The method of claim 5
communication department,
further communicate with the user terminal,
the control unit,
Artificial intelligence CCTV, characterized in that it determines the artificial intelligence model to change according to the instruction received from the user terminal through the communication unit.
 청구항 1에 있어서,
인공지능 모델들은,
객체를 검출하기 위한 인공지능 모델, 객체의 행동을 인식하기 위한 인공지능 모델 및 문자와 숫자를 인식하기 위한 인공지능 모델을 포함하는 것을 특징으로 하는 인공지능 CCTV.
The method according to claim 1,
AI models are
Artificial intelligence CCTV, comprising an artificial intelligence model for detecting an object, an artificial intelligence model for recognizing the behavior of an object, and an artificial intelligence model for recognizing letters and numbers.
 감시 구역을 촬영하여 영상을 생성하는 단계;
촬영된 영상을 분석하는 다수의 인공지능 모델들 중 하나를 선택하는 단계;
선택된 인공지능 모델을 이용하여, 영상을 분석하는 단계;를 포함하는 것을 특징으로 하는 인공지능 CCTV(Closed Circuit Television) 운용 방법.
generating an image by photographing the monitoring area;
selecting one of a plurality of artificial intelligence models to analyze the captured image;
Using the selected artificial intelligence model, analyzing the image; Artificial intelligence CCTV (Closed Circuit Television) operating method comprising the.
KR1020200138876A 2020-10-26 2020-10-26 Artificial Intelligence CCTV for Variable Operation of Deep Learning Models KR20220055512A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200138876A KR20220055512A (en) 2020-10-26 2020-10-26 Artificial Intelligence CCTV for Variable Operation of Deep Learning Models

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200138876A KR20220055512A (en) 2020-10-26 2020-10-26 Artificial Intelligence CCTV for Variable Operation of Deep Learning Models

Publications (1)

Publication Number Publication Date
KR20220055512A true KR20220055512A (en) 2022-05-04

Family

ID=81583932

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200138876A KR20220055512A (en) 2020-10-26 2020-10-26 Artificial Intelligence CCTV for Variable Operation of Deep Learning Models

Country Status (1)

Country Link
KR (1) KR20220055512A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024075950A1 (en) * 2022-10-07 2024-04-11 한국전자기술연구원 Method and system for generating edge ai model for edge cctv

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024075950A1 (en) * 2022-10-07 2024-04-11 한국전자기술연구원 Method and system for generating edge ai model for edge cctv

Similar Documents

Publication Publication Date Title
US10769531B2 (en) Methods and systems for counting people
US7860272B2 (en) Motion characterisation
CN111246091B (en) Dynamic automatic exposure control method and device and electronic equipment
CN102891960A (en) Method and camera for determining an image adjustment parameter
US10089551B2 (en) Self-optimized object detection using online detector selection
US11102453B2 (en) Analytics based lighting for network cameras
GB2581537A (en) Method and system for auto-setting of image acquisition and processing modules and of sharing resources in large scale video systems
KR20220055512A (en) Artificial Intelligence CCTV for Variable Operation of Deep Learning Models
CN110716803A (en) Computer system, resource allocation method and image identification method thereof
US10200572B1 (en) Motion detection
JP2017011417A (en) Display control unit, display control method, and program
US8526673B2 (en) Apparatus, system and method for recognizing objects in images using transmitted dictionary data
EP3543902B1 (en) Image processing apparatus and method and storage medium storing instructions
CN108765466A (en) A kind of intelligent video monitoring system and method based on IP Camera
US20230098829A1 (en) Image Processing System for Extending a Range for Image Analytics
KR20220144889A (en) Method and system for hand gesture-based control of a device
CN109525780A (en) A kind of video interlink camera lens Zooming method
KR102658563B1 (en) Apparatus for monitoring video, apparatus for analyzing video and learning methods thereof
KR20170014133A (en) Method and apparatus for providing optimized camera installation solution on VA application
JP2005347942A (en) Monitor system, control program of monitor system and monitoring device
JP7353825B2 (en) Image processing device and method, image input device, image processing system, program
KR20210038156A (en) Apparatus and method for adaptive video compression based on tactical situation
KR20210024935A (en) Apparatus for monitoring video and apparatus for analyzing video, and on-line machine learning method
KR101272631B1 (en) Apparatus for detecting a moving object and detecting method thereof
US8325976B1 (en) Systems and methods for adaptive bi-directional people counting