KR20220089801A - 딥러닝을 이용한 근로자 사고예방분석시스템 - Google Patents

Abstract

본 발명은 딥러닝을 이용한 근로자 사고예방분석시스템에 관한 것이다. 본 발명은 사용자의 ID 및 심박수를 관제서버에 송신하는 웨어러블 디바이스와 초음파센서와 PIR 센서를 통하여 영상의 사각지대를 감지하는 센서단말과 상기 웨어러블 디바이스에서 측정한 심박수를 전송받아 관제서버에 재전송하고, 상기 센서단말을 통한 접근감지정보와 영상을 통한 사람 및 지게차의 접근을 감지하여 경고하는 스마트 게이트웨이와 중계 게이트웨이로 전달받은 위치데이터를 관제서버에 전송하는 마스터 게이트웨이와 상기 마스터 게이트웨이에 카메라를 통한 구역내의 사람과 차량을 촬영하여 위치정보와 함께 전송하는 중계 게이트웨이와 상기 스마트 게이트웨이와 상기 마스터 게이트웨이로부터 수신받은 데이터를 데이터베이스에 가공 및 저장하여 딥러닝 학습하고, 상기 지게차의 운행정보를 딥러닝 학습하는 관제서버를 포함하는 것을 특징으로 하는 것이다.

Description

딥러닝을 이용한 근로자 사고예방분석시스템{Worker accident prevention analysis system using Deep-leraning}

본 발명은 딥러닝을 이용한 근로자 사고예방분석시스템에 관한 것으로, 더욱 자세하게는 제품의 적재 등과 같이 지게차를 운용하여야 하는 제품창고를 취급하는 공간에서 일하는 근로자들을 딥러닝을 이용하여 사고의 예방 분석시스템에 관한 것이다.

산업 활동이 활발해 지면서 다양한 종류와 많은 물질들이 창고에 쌓여지고, 일일이 사람의 인력(人力)에 의한 운반작업보다는 산업에 대한 자동화와 효율성을 추구하는 인간들의 갈망에 따라 물류창고 등과 같은 생산지역 내에 지게차와 같은 기구를 사용하는 빈도수가 높아지고 있다.

이러한 자동화 기계를 사용하다보니, 작업자들이 쉽게 사고 환경에 노출될 수 있는 상황이 자주 발생하고 있으며, 자연스럽게 대형사고의 우려도 커지고 있다.

뿐만 아니라, 이러한 산업현장에는 최근의 이천 물류창고 화재사건 등과 같은 화재발생이나 지게차 사고 등과 같은 적지않은 위험요소들이 존재하는데, 일반적인 안전수칙에 기반한 안전한 작업을 유도하더라도, 작업에 집중한 사이 작업자는 자신도 모르게 위험 환경에 노출되는 것이다.

또한, 근로자가 노동현장에서 사고를 당했을 경우에는 업무상 재해로 취급되어 이에 따른 법에 의한 보상을 해줘야 하는데, 근로복지공단에서 산업재해보상보험법에 의거하여 결정하여 이에 해당하는 지급 금액은 해마다 늘어나고 있으며, 근로자도 치료를 받는 동안에는 일하지 못하게 되므로 사회적으로도 낭비가 극심한 것이다.

따라서, 산업현장에서는 안전장비 착용을 통해 사고를 방지하도록 하고 있지만, 안전장비는 사고시 작업자를 보호하는 정도일 뿐, 사고를 방지할 수는 없다.

이러한 사고는 작업현장에서 관리자에 의해 감시되어야 하지만, 관리자라고 하더라도 다양한 업무에 치중해야 하기 때문에, 일일이 많은 작업자를 관리하기란 사실상 어렵다.

뿐만 아니라, 작업자의 작업장 위치 등에 작업장의 지게차와 같은 작업차에 추돌할 가능성 등을 감지하여 작업자가 다칠수 있는 위험성에 노출되는 것을 방지하고, 특히 밀폐된 공간인 작업장의 경우에는 지게차 운행의 감지 및 근로자의 사고예방을 할수 있는 시스템의 개발이 절실히 요구되고 있는 실정이었다.

대한민국 특허공개 제2020-0080570호 대한민국 특허출원 제2019-0169561호 대한민국 특허공개 제2019-0041651호

따라서, 본 발명은 현장에서 근무하는 근로자의 심박수와 같은 시간대의 지게차 등의 운행정보 등을 수집하여, 사고 위험성이 높은 근로자를 가려내어 안전사고를 미연에 방지할 수 있는 딥러닝을 이용한 근로자 사고예방분석시스템을 제공할 수 있는 것을 목적으로 한다.

또한, 지게차의 속도와 위치를 딥러닝을 통하여 학습하여 위험한 사용자를 사전에 알게 되어, 미리 조치를 취할수 있게 하여 안전사고를 예방하여 관련된 산업재해가 발생하지 않는 안전한 근로환경을 제공할 수 있는 딥러닝을 이용한 근로자 사고예방분석시스템을 제공할 수 있는 것을 목적으로 한다.

이러한 문제를 해결하기 위하여 본 발명은 딥러닝을 이용한 근로자 사고예방분석시스템에 관한 것이다. 본 발명은 사용자의 ID 및 심박수를 관제서버에 송신하는 웨어러블 디바이스와 초음파센서와 PIR 센서를 통하여 영상의 사각지대를 감지하는 센서단말과 상기 웨어러블 디바이스에서 측정한 심박수를 전송받아 관제서버에 재전송하고, 상기 센서단말을 통한 접근감지정보와 영상을 통한 사람 및 지게차의 접근을 감지하여 경고하는 스마트 게이트웨이와 중계 게이트웨이로 전달받은 위치데이터를 관제서버에 전송하는 마스터 게이트웨이와 상기 마스터 게이트웨이에 카메라를 통한 구역내의 사람과 차량을 촬영하여 위치정보와 함께 전송하는 중계 게이트웨이와 상기 스마트 게이트웨이와 상기 마스터 게이트웨이로부터 수신받은 데이터를 데이터베이스에 가공 및 저장하여 딥러닝 학습하고, 상기 지게차의 운행정보를 딥러닝 학습하는 관제서버를 포함하는 것을 특징으로 하는 것이다.

또한, 상기 센서단말은 상기 사각지대의 접근을 감지하여 상기 스마트 게이트 웨이에 전송하는 것을 특징으로 하는 것이다.

또한, 상기 스마트 게이트웨이는 중계데이터에서 충동위험데이터를 수신받아 경고하고, 상태정보(하드웨어 및 모듈의 상태)를 상기 마스터 게이트웨이로 Lora 전송하는 것을 특징으로 하는 것이다.

또한, 상기 중계 게이트웨이는 Tag로부터 수신한 위치정보를 통해 충돌위험계산 및 경고를 하고, 상기 수신한 위치정보와 상태정보를 상기 마스터 게이트웨이로 전달하는 것을 특징으로 하는 것이다.

그리고, 상기 마스터 게이트웨이는 상태정보와 상기 스마트 게이트웨이와 중계 게이트웨이의 상태정보를 관제서버로 전송하는 것을 특징으로 한다.

그리고, 상기 관제서버는 상기 마스터 게이트 웨이로부터 수신받은 위치정보로부터 좌표와 속도를 계산하여 해당 지도(GUI)에 표시하는 것을 특징으로 하는 것이다.

따라서, 본 발명은 지게차가 운용되는 창고 등에서 근무하는 근로자의 심박수를 웨어러블 디바이스를 통해 측정하여 와이파이 등과 같은 수단으로 이를 수신받아 딥러닝을 이용하여 지게차 충돌사고 위험성이 높은 사용자를 알아내게 되므로, 안전사고를 미연에 방지할 수 있는 효과가 있는 것이다.

도 1은 본 발명에 의한 딥러닝을 이용한 근로자 사고예방분석시스템의 전체적인 구성도.
도 2a는 웨어러블 디바이스의 분해사시도.
도 2b는 웨어러블 디바이스의 블록도.
도 3은 센서단말의 블록도.
도 4는 스마트 게이트웨이의 블록도.
도 5는 마스터 게이트웨이의 블록도.
도 6은 중계 게이트웨이의 블록도.
도 7은 관제서버의 데이터베이스의 블록도.
도 8은 웨어러블 디바이스와 센서단말을 통하여 관제서버로의 전달관계를 나타내는 블록도.
도 9는 스마트 게이트웨이에서 중계 게이트웨이를 통해 거리정보를 전달하는 과정의 블록도.
도 10은 스마트 게이트웨이, 중계 게이트웨이와 관제서버와의 전달관계의 블록도.

이하에서는 본 발명의 양호한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시가 되더라도 가능한 한 동일 부호를 가지도록 하고 있음에 유의하여야 한다.

또한, 하기에서 본 발명을 설명함에 있어 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.

또한, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위하여 사용된 것에 불과하므로, 본 발명을 한정하려는 의도가 아니며 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현도 의미하는 것임을 미리 밝혀두고자 한다.

본 발명에서 등장하는 딥러닝은 최근에 기계 학습을 바탕으로 한 컴퓨터 알고리즘으로서, 상기 딥러닝(Deep learning)은 다층구조 형태의 신경망을 기반으로 하는 머신 러닝의 한 분야로, 여러 층의 비선형 변환기법의 조합을 통해 다량의 데이터로부터 높은 수준의 추상화(abstraction) 모델을 구축하여 더 정확하고 정교하게 원하는 데이터를 추출할 수 있는 방법이다.

도 1은 본 발명에 의한 딥러닝을 이용한 근로자 사고예방분석시스템의 전체적인 구성도이고, 도 2는 웨어러블 디바이스의 블록도이고, 도 3은 센서단말의 블록도이고, 도 4는 스마트 게이트웨이의 블록도이고, 도 5는 마스터 게이트웨이의 블록도이고, 도 6은 중계 게이트웨이의 블록도이고, 도 7은 관제서버의 데이터베이스의 블록도이고, 도 8은 웨어러블 디바이스와 센서단말을 통하여 관제서버로의 전달관계를 나타내는 블록도이고, 도 9는 스마트 게이트웨이에서 중계 게이트웨이를 통해 거리정보를 전달하는 과정의 블록도이고, 도 10은 스마트 게이트웨이, 중계 게이트웨이와 관제서버와의 전달관계의 블록도이다.

본 발명에서 등장하는 용어인 게이트웨이(Gateway)는 어느 한 네트워크에서 다른 네트워크로 들어가는 입구 역할을 하는 것으로서, 근거리통신망(LAN)과 같은 하나의 네트워크를 다른 네트워크와 연결할 때 사용되는 장치를 의미한다.

도 1을 보면, 본 발명의 근로자 사고예방부석시스템(S)은 사용자의 ID 및 심박수를 관제서버(600)에 송신하는 웨어러블 디바이스(100)와 초음파센서(220)와 PIR 센서(230)를 통하여 영상의 사각지대를 감지하는 센서단말(200)이 형성된다.

그리고, 상기 웨어러블 디바이스(100)에서 측정한 심박수를 전송받아 관제서버(600)에 재전송하고, 상기 센서단말(200)을 통한 접근감지정보와 영상을 통한 사람(미도시) 및 지게차(미도시)의 접근을 감지하여 경고하는 스마트 게이트웨이(300)와 중계 게이트웨이(500)로 전달받은 지게차 등의 위치 데이터를 관제서버(600)에 전송하는 마스터 게이트웨이(400)와 상기 마스터 게이트웨이(400)에 카메라(미도시)를 통한 구역내의 사람과 지게차를 촬영하여 위치정보와 함께 전송하는 중계 게이트웨이(500)가 형성된다.

그리고, 상기 스마트 게이트웨이(300)와 상기 마스터 게이트웨이(400)로부터 수신받은 데이터를 데이터베이스(610)에 가공 및 저장하여 딥러닝 학습하고, 상기 지게차의 운행정보를 딥러닝 학습하는 관제서버(600)가 형성된다.

그리고, 도시된 대로 각각의 게이트마다 와이파이 메쉬(mesh) 형태의 그물망식으로 와이파이(wifi)가 총체적인 무선으로 연결된 형태인 것이다. 따라서, 빠른 속도로 각각의 게이트들에게 최적의 무선신호와 무선환경을 제공할 수 있다.

이하, 각 구성요소에 대하여 설명하기로 한다.

도 2a 및 도 2b에 도시된 바와 같이 웨어러블 디바이스(100)는 저부의 페치(150)를 비롯하여, 와이파이 모듈(110), 심박수 모듈(120), 주제어 모듈(130), 사용자감별 모듈(140), 케이스(160) 및 전원부(170)로 구성된다. 참고로, 심박수라는 것은 일정한 시간 안에 일어나는 심장 박동의 횟수를 의미한다.

도 2a에 나타난 대로, 심박수 모듈(120), 주제어 모듈(130), 사용자감별 모듈(140)은 One chip 형태의 PCB로 실장되어 형성되는 구성이다.

상기 패치(150)는 근로자의 신체부위에 직접 접착되는 구성으로 무해한 물질의 점착제 성분으로 구성되어 있다.

상기 전원부(170)는 코인 셀 배터리(Coin cell battery) 또는 리튬 폴리머(Li-polimer) 배터리로 구성되어, 전원을 필요로하는 상기 심박수모듈(120), 주제어모듈(130), 및 사용자감별모듈(140) 등에 전원을 공급한다.

상기 케이스(160)는 심박수 모듈(120), 주제어 모듈(130), 사용자감별 모듈(140) 및 전원부(170)를 밀폐하는 외관을 이루는 것이다.

상기 심박수모듈(120)은 우리 몸의 블랙박스라고 불리는 심장의 신호라 불리우는 심전도를 측정하여, 웨어러블 디바이스(100)를 착용한 해당 근로자의 심박수를 측정한다.

또한, 상기 심박수 모듈(120)은 상기 심전도를 통해 심박 변이율(HRV:Heart Rate Variability)를 측정한다.

상기 심박변이율(HRV:Heart Rate Variability)은 심전도 또는 맥파 등을 측정하여, 연속적인 심장 박동 사이의 시간을 시계열 데이터(time series)로 만든 것이다. 시간 범위의 상기 심박변이율은 주로 부교감 신경계의 영향을 반영하며, 시간범위 분석의 모든 단위는 'msec'이다.

상기 주제어모듈(130)은 심박의 R-R간격을 통계적으로 처리하는 기법으로 5분~24시간 동안의 자료를 분석하고, 연속적인 파형(ECG/PPG)을 통해 RR간격(심박수)을 결정한다.

또한, 상기 주제어모듈(130)는 일정부분 클수록 양호함을 나타내는 지표인 전체 RR간격의 표준편차 SDNN(CLU or SDRR)를 산출한다.

또한, 상기 주제어모듈(130)은 인접한 RR간격의 차이를 제곱한 값의 평균의 제곱근, 부교감신경의 활동성 평가, 10이하 심장질환의 발병위험이 높음을 나타내는 RMS-SD를 산출하여 제공할 수도 있다.

또한, 상기 주제어모듈(130)은 상기 심박변이율(HRV)의 복잡도(complexity)를 정량화한 수치로 건강한 사람에게서 크게 나타나는 ApEn(Approximate Entrophy)을 산출하여 제공할 수도 있다. 또한, 상기 주제어모듈(130)은 측정초반 앞부분 일정 구간을 베이스라인으로 잡아 변화도를 측정하는 것으로 일정한 상태에서 측정되었는지 검토할 수 있는 SRD(Successive RRI difference)을 산출하여 제공할 수도 있다.

상기 주제어모듈(130)은 상기 심박수 모듈(120)이 측정한 심박수를 수신하고 ECG Reference 측정 회로를 이용하여 출력 파형 측정함으로써 신호분석을 통해 불규칙한 심박수가 측정된 경우 이상 상태임을 판단한다. 따라서, 상기 심박수 측정을 통하여 작업을 하는 근로자가 어떻게 느끼고 있는 지를 알수 있는 것이다.

이때, 상기 주제어모듈(130)은 딥 러닝, AI, 인공지능, 머신러닝 등을 통해 학습되어 근로자의 심박수를 분석하고, 분석한 심박수의 불규칙한 유형에 따라 독자적, 개별적으로 진단하는 것이 바람직하다.

또한, 사용자 감별 모듈(140)을 통하여 웨어러블 디바이스(100)를 착용한 사람의 신원을 미리 데이터베이스(610) 등에 저장시켜 두는 것이 바람직할 것이다.

그리고, WiFi 모듈(110)을 통한 근거리 통신으로 스마트 게이트웨이(300)로 사용자 감별 모듈(140)을 통한 사용자의 ID와 심박수를 송신하는 것이다.

또한, 본 웨어러블 디바이스(100)를 착용한 근로자의 상태를 알수 있으며, 내부에는 GPS 모듈(미도시)이 탑재되어 현재 위치정보를 스마트 게이트웨이(300)에 실시간으로 제공하는 역할도 하는 것이다.

도 3을 참조하여 센서단말(200)에 대하여 설명하기로 한다.

상기 센서단말(200)은 초음파 센서(230)와 PIR 센서(220)를 통해 영상의 사각지대의 접근을 감지하여 WiFi 모듈(210)을 통해 스마트 게이트웨이로(300)로 전송한다. 참고로, 상기 PIR 센서(220)는 적외선 인체감지 센서(Passive Infrared Sensor)로서, 파동형 적외선 센서를 의미하며 프레넬 렌즈(빛을 좁은 영역으로 모으기 위한 목적으로 등대 또는 탐조등에 이용)를 통해 9~ 12도의 예각으로 일정 구간의 인체 이동을 감지하는 것이다.

따라서, 상기 PIR 센서(220)를 통하여 일정영역(사각지대)을 미리 입력시켜 여기에 접근하는 사람을 감지하여 경보음을 울리도록 하여 사실상의 사각지대가 없게 하는 것이다. 상기 센서단말(200)은 스마트 게이트웨이(300)에 근접정보를 제공한다.

도 4는 스마트 게이트웨이(300)이다. 상기 스마트 게이트웨이(300)는 앞서 설명한 웨어러블 디바이스(100)와 센서단말(200)로부터 정보를 정보처리모듈(320)을 이용, 수신받는 역할을 하며, 상기 웨어러블 디바이스(100)로부터 수신한 데이터를 관제서버(600)로 LTE 모듈(330)을 통한 LTE 전송을 한다.

또한, 카메라(미도시)의 영상저장모듈(360)을 통해 사람 및 지게차 접근을 접근감지모듈(380)을 통하여 감지하고, 추돌사고가 예견되면 중계 게이트웨이(500)로부터 경고메시지를 전달받아 경고모듈(370)을 통해 경고음을 울리는 역할을 한다. 즉, 스마트 게이트웨이(300)는 중계 게이트웨이(500)에서 충돌위험 데이터를 수신받아 경고한다.

또한, 센서 단말(200)을 통해 사람의 접근 감지 정보를 받아 경고하는 역할도 한다. 더 나아가, 중계 게이트웨이(500)에서 데이터 전송모듈(530)에서 충돌 위험 데이터를 수신받아 경고모듈(370)이나 충격감지모듈(391)을 통한 경고음을 발령하기도 한다.

이와 동시에 디스플레이 모듈(390)은 경고문자를 표시하여, 만약 근로자가 청각장애인일 경우에도 디스플레이 모듈(390)에 적혀진 글을 확인하여 상황을 알수 있도록 하는 것이다.

영상분석모듈(392)을 통하여 만일, 지게차와 근로자가 충돌하였을 경우, 그에 대한 상황을 영상으로 상기 영상저장모듈(360)을 통하여 저장하도록 하고, 나타내는 추돌영상을 분석하여 추후, 실제 추돌사고가 벌어졌을 때와 같은 유사시 증거자료로 이용할 수 있다.

또한, 스마트 게이트웨이(300)의 UWB(Ultra Wide Band: 초광대역 무선)TAG 모듈(350)의 동작으로 Anchor(미도시)와 Anchor 사이의 거리를 수신하고, 이에 대한 거리 정보를 중계 게이트웨이(500)의 UWB Anchor모듈(520)로 송신한다.

상기 Anchor라는 것은 작업장의 일정한 구역과 구역(여기서는 지게차가 운행하는 모든 통로나 길) 사이에 설치된 중계기와 유사한 것으로 그 구간에서의 거리, 속도(여기서는 지게차의 거리, 속도) 등과 같은 일정한 데이터를 수집하기 위해 다수개가 설치되는 데, Tag 갯수의 3배 정도이다.

그리고, 상기 Anchor는 Tag 위치(지게차의 위치)를 계산할 수 있도록 상기 Tag가 요청을 하면 그 값을 전달하는데, 이는 상기 UWB Tag 모듈(350)에 의하여 중계 게이트웨이의 UWB 앵커모듈(520)에 전달하는 것이다. 즉, 상기 UWB 앵커모듈(520)은 Tag의 요청에 응답해서 Tag에서 오는 데이터를 수신하는 역할을 한다. 또한, 스마트 게이트웨이(300)의 상태정보(하드웨어 및 모듈의 상태)를 마스터 게이트웨이(400)로 LoRA 단말모듈(340)을 이용한 LoRa(Long Range: 사물 간 실시간 통신이 가능한 저전력 장거리 통신방식) 전송을 실행할 수 있다.

도 5는 마스터 게이트웨이(400)이다.

상기 마스터 게이트웨이(400)는 중계 게이트웨이(500)로 전달 받은 지게차와 사람의 위치데이터를 데이터 전송 모듈(430)을 통하여 관제서버(600)로 이더넷((Ethernet) 모듈(440)을 이용하여 송신을 한다.

또한, 스마트 게이트웨이(300)와 중계 게이트웨이(500)로부터 수신 받은 상태 정보를 가공하여 관제서버(600)로 Ethernet 송신하며, 본 마스터 게이트웨이(400)의 상태 정보 역시 관제서버(600)로 Ethernet 송신한다.

도 6은 중계 게이트웨이(500)이다.

먼저, 중계 게이트웨이(500)의 UWB Anchor 모듈(520)의 동작의 실행에 대하여 설명한다. Tag는 지게차에 부착시키는 전파 등을 수신하는 데이터 식별장치로서, 일종의 꼬리표와도 같은 것으로 지게차가 운행함에 따라 상기 Tag도 역시 함께 움직이므로, 지게차의 현위치 등을 파악할 수 있다. 참고로, 상기 Tag는 Anchor에 1초마다 broadcast한다.

이러한 지게차에 부착되어 있는 Tag의 요청에 응답하여, 상기 Tag를 통한 지게차의 위치정보 등을 중계 게이트웨이(500)의 데이터 전송모듈(530)을 통하여 수신한다. 데이터 전송모듈(530)은 상기 Tag로부터 수신한 지게차의 위치 정보를 와이파이 모듈(510)을 통하여 마스터 게이트웨이(400)로 전달한다.

상기 Tag로부터 수신한 지게차의 위치정보로 지게차들이 근로자에게 접근하여 다가온다든가 하는 방식의 충돌 위험도의 계산 및 스마트 게이트웨이(300)의 경고모듈(370)을 통한 경고를 하며, 중계 게이트웨이(500)의 상태정보(하드웨어 및 각 모듈의 상태)를 마스터 게이트웨이(400)로 WiFi 모듈(510)을 이용하여 송신한다.

도 7은 관제서버(600)의 데이터베이스(610)이다.

상기 관제서버(600)는 마스터 게이트웨이(400)로부터 수신 받은 데이터(상태 정보, 근로자 또는 지게차 위치정보)를 상기 데이터 베이스(610)에 가공 및 저장 (관리자용 딥러닝 학습용)한다.

또한, 상기 관제서버(600)는 사람과 지게차의 위치정보로부터 좌표(사람과 지게차의 위치를 지정하여 그래프 상의 형태로 나타냄), 속도를 계산(지게차의 속도 포함)하여 해당 지도(Graphic User Interface: 미도시)에 그레픽 형태로 표시(관리자용 딥러닝 학습용)하는 역할을 하는 것이다. 즉, 상기 해당 지도(GUI)는 웹페이지 형태로 저장되며, 사람과 지게차의 거리 및 상기 지게차의 속도 등을 이용하여 위험한 근로자의 위치를 미리 알수 있도록 하는 것이다.

또한, 스마트 게이트웨이(300)로부터 수신 받은 사람과 지게차의 접근 감지데이터 등을 데이터 베이스(610)에 가공 및 저장시켜 관리자가 딥러닝 학습용으로 이용한다.

또한, 스마트 게이트웨이(300), 중계 게이트웨이(500), 마스터 게이트웨이(400)의 동작 상태를 살피어 상기 게이트 웨이들의 고장 등이 발생하였는 지를 사전 모니터링하는 것이다. 더 나아가, 좌표 및 속도, 웨어러블 디바이스(100)를 통한 사용자 주의 수준(웨어러블 디바이스(100)로부터 수집되는 데이터를 통한 근로자의 상태)을 알수 있는 것이다.

이하에서는 본 발명에 의한 딥러닝을 이용한 근로자 사고예방분석시스템(S)의 작동관계에 대하여 도면을 첨부하여 설명하기로 한다.

도 8은 웨어러블 디바이스(100)와 센서단말(200)을 통하여 관제서버(600)로의 전달관계를 나타내는 블록도이다.

도시된 대로, 웨어러블 디바이스(100)를 심박수 모듈(120)을 통하여 근로자의 심박수와 사용자감별모듈(140)을 통하여 웨어러블 디바이스(100)를 착용한 사용자의 정보를 와이파이 모듈(110)을 통해 스마트 게이트웨이(300)로 전송한다. 사용자의 정보는 착용한 근로자의 성명이나 연락처 등과 같은 개인정보일 것이다.

또한, 센서단말(200)을 통해서는 카메라가 촬영되지 않는 영상의 사각지대에 접근하는 근로자들을 감지하여 그 정보를 역시 와이파이 모듈(210)을 통하여 스마트 게이트웨이(300)로 전송한다. 그러면, 상기 스마트 게이트웨이(300)에서는 LTE모듈(330)을 통하여 관제서버(600)에 상기 웨어러블 디바이스(100)와 센서단말(200)을 통하여 수집한 데이터를 전송시키는 것이다.

상기 웨어러블 디바이스(100)와 센서단말(200)을 통해서 스마트 게이트웨이(300)가 데이터를 수집하고, 상기 스마트 게이트웨이(300)의 상태정보를 LORA 단말모듈(340)을 통하여 마스터 게이트웨이(400)로 전달한다.

또한, 마스터 게이트웨이(400)에서는 지게차와 근로자와의 거리의 정보 등을 와이파이 모듈(410)을 통하여 관제서버(600)로 전송한다.

그런데, 상기 스마트 게이트웨이(300)에서 마스터 게이트웨이(400)로 전송하기 전에 여러개의 중계 게이트웨이(500)를 거쳐야 하는데, 이에 관하여 도 9 및 도 10을 참조하여 이를 설명하기로 한다.

상기 스마트 게이트웨이(300)에서 거리에 관한 정보를 UWB(Uitra Wide Band)방식을 적용하여 이를 도 9에 도시된 대로, 다수개(4~ 10개가 바람직하다.)로 구성되어 있는 중계 게이트웨이(500)들에게 전송하는 것이다. 상기 UWB 방식은 전파를 일정 공간에 쏘고 되돌아오는 정보를 이용하여 정보를 데이터화하는 방식이다.

이를 설명하면, 스마트 게이트웨이(300)의 UWB TAG 모듈(350)이 작동하여 각 지게차에 부착된 각각의 Tag(미도시)를 통하여 각 Anchor들 간의 거리를 수집한다. 상기 Tag들이 각각의 Anchor에 생성되어 있는 아이디를 통하여 각각의 거리들을 모아 다시 broadcast한다.

다음에, 상기 중계 게이트웨이(500)의 UWB 앵커모듈(520)이 작동하여 지게차에 부착되어 있는 각각의 Tag로부터 수신한 Anchor들의 거리정보를 가지고 근로자와 지게차와의 충돌가능성을 계산한다. 이를 테면, Tag 2개가 근로자에게 접근한다는 것은 지게차 2대가 해당 근로자에게 접근하여 추돌가능성이 있다는 의미이다.

그리고, 상기 거리 정보를 마스터 게이트웨이(400)를 통하여 관제서버(600)로 와이파이 모듈(410)을 통해서 전달한다.

또한, 상기 스마트 게이트웨이(300)에서 각 Anchor 별로 거리의 정보를 중계 게이트웨이(500)에 전달하면, 상기 중계 게이트웨이(500)에서는 상기 거리를 가지고 충돌위험 수치를 계산하여 스마트 게이트웨이(300)에 경고메세지를 송신하여, 충돌위험 알림을 알려주어 경고모듈(330)을 통하여 경고음을 발생시키도록 하는 것이다.

이것은 도 10을 보면, 여러개의 중계 게이트웨이(500) 중에서 서로 인접한 중계 게이트웨이(500)에서는 위험상황인지 여부를 판단하여 스마트 게이트웨이(300)에 경고메세지를 송신한다. 도시된 대로, 앞서 설명한 스마트 게이트웨이(300)의 UWB TAG 모듈(350)과 중계 게이트웨이(500)의 UWB 앵커 모듈(520)은 TAG를 통한 각 Anchor들의 거리 수집 정보를 서로 교환한다.

중계 게이트웨이(500)는 위치 데이터를 송신하여 다른 중계 게이트웨이(500)로 이를 재송신하고, 상기 위치 데이터를 와이파이 모듈(510)을 통하여 관제서버(600)에 전송한다. 상기 위치데이터를 수신한 관제서버(600)는 상기와 같이 전달된 수집된 거리를 가지고 좌표를 계산한다.

상기 관제서버(600)는 상기 중계 게이트웨이(500)가 촬영한 영상 내의 지게차와 동일한 지게차가 들어 있는 또 다른 중계 게이트웨이(500)의 다른 위치 정보를 조합하여 그 지게차의 속도를 산출해 내는 것이다. 상기 속도(v)의 계산은 거리(s)/ 시간(t)의 방식 등을 들수가 있는 것이다.

그러므로, 근로자의 웨어러블 디바이스(100)를 통한 심박수 정보와 지게차의 속도와 위치(운행정보 등)를 딥러닝으로 학습하여 사고 위험성이 높은 근로자를 가려내어 사전에 조치를 취할수 있는 것이다.

따라서, 본 발명에 의한 딥러닝을 이용한 근로자 사고예방분석시스템( S)은 관제서버(600)에서 사람의 심박수와 같은 시간대에 지게차 등의 속도와 시간을 포함하는 운행정보와 사용자 정보를 이용하여 해당 근로자의 위치와 인적사항 등을 수집하여 딥러닝을 이용하여 작업 중에 지게차 사고 가능성이 높은 위험한 근로자를 판명할 수 있는 것이다.

이상에서와 같은 내용의 본 발명이 속하는 기술분야의 당업자는 본 발명의 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 상기 기술한 실시 예는 예시된 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.

본 발명의 범위는 상기 상세한 설명보다는 첨부된 특허청구범위에 의하여 나타내어지며, 특허청구 범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100 : 웨어러블 디바이스 110 : 와이파이(WIFI) 모듈
120 : 심박수 모듈 130 : 주제어모듈
140 : 사용자감별 모듈 150 : 페치 160 : 케이스 170 : 전원부
200 : 센서단말 210 : 와이파이 모듈
220 : PIR 센서모듈 230 : 초음파 센서모듈
300 : 스마트 게이트웨이 310 : 와이파이 모듈
320 : 정보처리모듈 330 : LTE모듈
340 : LORA 단말모듈 350 : UWB TAG 모듈
360 : 영상저장모듈 370 : 경보모듈
380 : 접근감지 모듈 390 : 디스플레이모듈
391 : 충격감지모듈 392 : 영상분석모듈
400 : 마스터 게이트웨이 410 : 와이파이 모듈
420 : Lora 게이트웨이 모듈 430 : 데이터 전송모듈
440 : 이더넷 모듈 500 : 중계 게이트웨이
510 : 와이파이 모듈 520 : UWB 앵커모듈
530 : 데이터전송모듈 600 : 관제서버
620 : 데이터베이스 S : 근로자 사고예방분석시스템

Claims (5)

1. 딥러닝을 이용한 근로자 사고예방분석시스템에 있어서,
   사용자의 ID 및 심박수를 관제서버에 전달하는 웨어러블 디바이스;
   초음파센서와 PIR 센서를 통하여 영상의 사각지대를 감지하여 스마트 게이트 웨이에 전송하는 센서단말;
   상기 웨어러블 디바이스에서 측정한 심박수를 전송받아 관제서버에 재전송하고, 상기 센서단말을 통한 접근감지정보와 영상을 통한 사람 및 지게차의 접근을 감지하여 경고하는 스마트 게이트웨이;
   중계 게이트웨이로 전달받은 위치데이터를 관제서버에 전송하는 마스터 게이트웨이;
   상기 마스터 게이트웨이에 카메라를 통한 구역내의 사람과 차량을 촬영하여 위치정보와 함께 전송하는 중계 게이트웨이;
   상기 스마트 게이트웨이와 상기 마스터 게이트웨이로부터 수신받은 데이터를 데이터베이스에 가공 및 저장하여 딥러닝 학습하고, 상기 지게차의 운행정보를 딥러닝 학습하는 관제서버를 포함하는 것을 특징으로 하는 딥러닝을 이용한 근로자 사고예방분석시스템.
   
2. 제1항에 있어서,
   상기 스마트 게이트웨이는 상기 중계 게이트웨이에서 충돌위험 데이터를 수신받아 경고하고, 상태정보(하드웨어 및 모듈의 상태)를 상기 마스터 게이트웨이로 Lora 전송하는 것을 특징으로 하는 딥러닝을 이용한 근로자 사고예방분석시스템.
   
3. 제1항에 있어서,
   상기 중계 게이트웨이는 Tag로부터 수신한 위치정보를 통해 충돌위험계산 및 경고를 하고, 상기 수신한 위치정보와 중계 게이트웨이의 상태정보를 상기 마스터 게이트웨이로 전달하는 것을 특징으로 하는 딥러닝을 이용한 근로자 사고예방분석시스템.
   
4. 제1항에 있어서,
   상기 마스터 게이트웨이는 그 상태정보와 상기 스마트 게이트웨이와 중계 게이트웨이로부터 수신받은 상태정보를 관제서버로 전송하는 것을 특징으로 하는 딥러닝을 이용한 근로자 사고예방분석시스템.
   
5. 제1항에 있어서,
   상기 관제서버는 상기 마스터 게이트 웨이로부터 수신받은 위치정보로부터 좌표와 속도를 계산하여 해당 지도(GUI)에 표시하는 것을 특징으로 하는 딥러닝을 이용한 근로자 사고예방분석시스템.
   
   
   
   

Images