KR20220127516A - 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법 - Google Patents

딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법 Download PDF

Info

Publication number
KR20220127516A
KR20220127516A KR1020210031888A KR20210031888A KR20220127516A KR 20220127516 A KR20220127516 A KR 20220127516A KR 1020210031888 A KR1020210031888 A KR 1020210031888A KR 20210031888 A KR20210031888 A KR 20210031888A KR 20220127516 A KR20220127516 A KR 20220127516A
Authority
KR
South Korea
Prior art keywords
sound signal
learning
deep learning
sound
specific sound
Prior art date
Application number
KR1020210031888A
Other languages
English (en)
Other versions
KR102565320B1 (ko
Inventor
임현근
Original Assignee
임현근
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 임현근 filed Critical 임현근
Priority to KR1020210031888A priority Critical patent/KR102565320B1/ko
Publication of KR20220127516A publication Critical patent/KR20220127516A/ko
Application granted granted Critical
Publication of KR102565320B1 publication Critical patent/KR102565320B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/14—Central alarm receiver or annunciator arrangements
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
    • G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기는, 수집대상기기 또는 객체로부터 발생하는 특정 소리 신호를 검출하고, 해당 소리 신호를 분석하여 설정된 기준에 부합되는 임계값 초과의 특정 소리 신호인지 여부를 판단하되, 딥러닝 기반 학습모델을 이용하여 검출이 필요한 특정 소리 신호에 대해 미리 학습을 수행하고, 수신된 소리 신호에 대해 위험을 알려야 하는 상황인지를 파악하기 위해, 검출된 소리 신호를 분석하여 학습된 소리 신호와 비교하고, 기준 임계값을 초과하는 특정 소리 신호인지 여부를 판단하며, 임계값 초과의 특정 소리 신호인 것으로 판단되는 경우 알림 신호를 생성하고, 기설정된 관리자단말기로 알림 신호를 무선 전송하는 것을 특징으로 한다.

Description

딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법{IoT communication device for deep learning-based sound signal detection and transmission, and sound signal detection and transmission method using the same}
본 발명은 소리 신호 감지 및 전송을 위한 IoT 통신기에 관한 것으로, 더욱 상세하게는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법에 관한 것이다.
일반적으로 가스 점검이 필요한 각종 지역에서 가스누출 위험 발생 시 가스 누출 여부를 감지할 수 있도록 설치되는 범용 가스경보기는 현장 사고를 대비하여 현장에서 신호 감지 후 주변에 알림을 제공하는 형태로 이루어진다.
그러나, 현재 사용 중인 대부분의 가스경보기는 작업자 단말과 연동 불가로 원격관리 대응이 어려움이 있어, 관리자가 현장과 떨어진 원격지에 위치하는 경우에는 현장의 상황을 알 수가 없어 즉각적인 대응이 어려운 문제가 있었다.
또한 이외에도 최근 더운 여름철 차량 내 영유아/애완동물을 방치하고 내려서 사망사고가 발생이 빈번하게 발생하고 있으며, 요양병원에서 간호사들의 일손 부족으로 인한 환자들 개별 상황 판단 능력 부족으로 인한 위험한 상황 발생, 낙상사고 혹은 통증이나 호홉 곤란 증상 등 즉시 대응이 필요한 사고가 빈번히 발생하고 있다.
그러나 이와 같은 사례들의 경우에도 영유아/애완동물의 울음 상태나 요양병원의 환자 상태를 소리를 통해 자동으로 감지하고 관리/감독자에게 자동 알림을 제공할 수 있는 별도의 장치가 마련되어 있지 않아 사고를 미연에 방지하기 어렵고, 즉각적인 대응이 어려운 문제가 있었다.
이를 해결하기 위한 종래 방안으로 기존 영상 카메라 혹은 열화상 장치를 이용하여 이상 여부를 체크하는 경우, 특정 공간 내 사각지대가 발생하는 경우가 많으며, 그 외에도 사용될 수 있는 기존의 Radar 센서 기반으로 객체를 인식하여 알림을 제공하는 기술은 사람 혹은 설치 환경마다 다른 좁은 임펄스 패턴을 가지기 때문에 사용자 맞춤형으로 제작해야 하고, 여전히 사각지대 등 영상 촬영이 어려운 지역에 의한 객체 인식의 어려움 등의 단점이 존재한다.
한편, 최근 딥러닝 또는 머신러닝 알고리즘을 활용한 객체 인식은 영상감시, 얼굴인식, 로봇제어, 사물인터넷(IoT), 자율주행, 제조업, 보안 등 다양한 분야에 활용되고 있는 기술이다.
따라서, 전술한 문제를 해결하기 위하여 사물인터넷 형태로 딥러닝 기반 학습을 통해 특정 소리 신호를 감지하고, 관리자에게 알림 신호를 즉각적으로 전송할 수 있는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기에 대한 연구가 필요하게 되었다.
대한민국 공개특허 제10-2020-0097515호(2020년08월19일 공개)
본 발명의 목적은 딥러닝 기반 학습을 통해 특정 소리 신호를 감지하고, 해당 소리 신호를 분석하여 해당 소리 신호가 학습된 특정 소리 신호에 해당하는지를 판별하고, 기준값 이상의 특정 소리 신호에 해당하는 경우 설정된 관리자에게 알림 신호를 즉각적으로 전송할 수 있는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기를 제공하는 것이다.
본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기는, 수집대상기기 또는 객체로부터 발생하는 특정 소리 신호를 검출하고, 해당 소리 신호를 분석하여 설정된 기준에 부합되는 학습된 특정 소리 신호에 해당하는지를 판단하되, 딥러닝 기반 학습모델을 이용하여 검출이 필요한 특정 소리 신호에 대해 미리 학습을 수행하고, 수신된 소리 신호가 해당 학습된 소리 신호인지를 파악하기 위해, 검출된 소리 신호를 분석하여 학습된 소리 신호와 비교하고, 기준에 부합하는 특정 소리 신호인지 여부를 판단하며, 기준에 부합하는 것으로 판단되는 경우 알림 신호를 생성하고, 기설정된 관리자단말기로 알림 신호를 무선 전송하는 것을 특징으로 한다.
상기 통신기는 수집대상기기 또는 객체로부터 발생하는 특정 소리 신호를 수신하여 검출하는 입력부; 상기 입력부를 통하여 수신된 소리 신호에 대해 딥러닝 기반 학습모델을 이용하여 위험을 알려야 하는 상황인지를 파악하기 위해 소리 신호를 분석하여 기준 임계값을 초과하는 특정 소리 신호인지 여부를 판단하고, 해당 소리 신호가 기준 임계값을 초과하는 것으로 판단되는 경우 알림 신호를 생성하여 출력부를 통하여 설정된 외부 관리자단말기로 전송하도록 제어하는 제어부; 상기 알림 신호를 무선통신망을 통하여 관리자단말기로 무선 전송하는 출력부; 및 각 부에 전원을 공급하는 전원부를 포함한다.
상기 수집대상기기는 화재경보기, 가스경보기, 온도경보기, 습도경보기, 수위경보기, 개폐경보기, 누전경보기 중 적어도 어느 하나를 포함하며, 상기 객체는 사람 또는 동물인 것을 특징으로 한다.
상기 출력부는 상기 제어부의 요청으로 외부 관리자단말기로 알림 신호를 전송하는 통신모듈; 및 소리 신호 감지 상태, 외부 알림 전송 상태, 전원 상태 및 통신 상태 중 적어도 어느 하나에 대하여 시각적으로 표시하는 RGB LED를 더 포함한다.
상기 입력부는 소리 신호를 수신하기 위한 마이크와, 설정된 학습 모델로 특정 소리 신호에 대한 학습을 수행할 수 있도록 마이크를 통하여 수신된 소리 신호를 녹음하기 위한 버튼 형태의 녹음 온/오프 기능을 제공하는 학습 스위치를 더 포함한다.
상기 제어부는 마이크로부터 수신된 소리 신호를 입력받는 입력모듈과, 입력된 소리 신호에 대해 학습모델로 전달하여 학습시키고, 학습 결과에 따라 임계값 초과의 특정 소리 신호인 것으로 예측되면 출력부로 전달하는 출력모듈과, 수신된 소리 신호를 학습된 소리 신호와 비교하는 학습모델로 분석하여 임계값 초과의 특정 소리 신호에 해당하는지 여부를 판단하고, 임계값 초과의 특정 소리로 판단되는 경우 위험 경보를 위한 알림 신호 혹은 알림 메시지를 생성하여 출력부를 통하여 기설정된 관리자단말기로 전송하도록 제어하는 MCU(Micro Controller Unit)를 더 포함한다.
상기 제어부는 딥러닝 알고리즘을 기반으로 한 학습모델을 이용하여 감지할 특정 소리 신호에 대해서 기준이 되는 사운드 샘플로 학습시키고, 학습 결과로서 특정 소리 신호를 감지할 수 있도록 하며, 상기 사운드 샘플은 학습 모델에 주기적으로 추가 반영하고, 수집되는 데이터가 누적될수록 딥러닝 기반의 반복적인 학습을 통해 특정한 소리를 잘 구분하여 감지할 수 있도록 하는 것을 특징으로 한다.
상기 학습 모델에 초기에 제공된 사운드 샘플과 유사한 현장 소리 신호를 추가하여 재학습을 수행하는 전이학습(Transfer Learning)을 수행하는 것을 특징으로 한다.
상기 전이학습은 상기 입력부로 입력된 소리 신호를 spectrograms를 이용하여 데이터 프레임으로 변환하고, 전이 학습 모델의 특징 추출(Feature Extraction) 과정을 포함한다.
상기 제어부는 상기 입력부로부터 수신되는 아날로그 형태의 소리 신호 데이터를 정규화하기 위한 고속 푸리에 변환(FFT)을 수행하고, 상기 고속 푸리에 변환을 통하여 시간 단위로 이루어지는 소리 신호에 대해 주파수 단위로 변환할 수 있으며, 주파수 대역에 해당하는 소리별 특정 음역 대역을 구분하여 분석할 수 있도록 하며, 변환된 데이터를 입력 변수로 한 CNN 신경망 기반의 학습 모델을 이용하여 사운드 분석 결과 데이터를 생성하는 것을 특징으로 한다.
상기 제어부는 상기 생성된 사운드 분석 결과 데이터에 대해 SVM 클래시피케이션(Classification)을 이용하여 SVM 가중치로 결과 분류를 수행하고, 이때 SVM으로 결과 분류된 데이터에 대해서 평균 제곱근 편차(RMS)를 이용하여 특정 소리 신호에 해당하는지 구분하기 위한 잔차(Residuals)를 계산하는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기를 이용한 소리 신호 감지 및 전송 방법은, 상기 통신기는 제어부가 해당 소리 신호의 특정 소리 여부를 판별하기 위한 딥러닝 기반의 사운드 학습 모델을 메모리에 저장하고 읽어들이는 단계; 상기 사운드 학습 모델로 미리 학습된 특정 소리 신호 감지시, 해당 특정 소리 신호의 아날로그 형태의 데이터를 정규화하기 위한 고속 푸리에 변환(FFT)을 수행하는 단계; 상기 고속 푸리에 변환에 의해 변환된 데이터를 입력 변수로 한 CNN 신경망 학습 모델을 이용하여 사운드 분석 결과 데이터를 생성하는 단계; SVM 클래시피케이션을 이용하여 상기 사운드 분석 결과 데이터에 대해 SVM 가중치로 소리 데이터로부터 기준 임계값을 초과하는 특정 소리 신호인지 여부를 판별하는 결과 분류를 수행하는 단계; 결과 분류에 의해 임계값 초과로 구분된 특정 소리 신호에 대해서 알림 신호를 생성하고, 기설정된 관리자단말기로 해당 알림 신호를 전송하는 단계를 포함한다.
상기 딥러닝 기반의 사운드 학습 모델을 메모리에 저장하고 읽어들이는 단계에서, 학습이 필요하거나 반복적인 학습을 위한 추가 또는 새로 갱신이 필요한 사운드 샘플을 추가로 메모리에 저장한 경우, 같이 읽어들이는 단계를 더 포함한다.
상기 SVM 클래시피케이션으로 결과 분류된 데이터에 대해서 평균 제곱근 편차(RMS)를 이용하여 특정 소리 신호에 부합하는 기준에 해당하는 잔차를 계산하여 특정 소리 신호 여부를 판별하는 것을 특징으로 한다.
본 발명의 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기는 비-접촉 방식으로 주의를 요하는 위험 장소에서 발생하는 각종 소리 신호를 감지하여 관리자단말기로 위험 알림 메시지를 전송하여 위험으로부터 미연에 사고를 방지하고, 안전하게 관리할 수 있는 장점이 있다.
또한, 본 발명의 IoT 통신기는 딥러닝 기반 사운드 인식 기술을 활용하여 종래 사용되고 있는 다양한 복합 가스경보기 등의 경보장치들과 무선 통신 방식으로 연동시켜 소리 신호에 대한 빅-데이터 수집이 가능하여, 이를 활용하여 딥러닝 기반 학습을 수행하고, 다양한 특정 소리 감지 및 알림에 활용할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기의 개념적인 구성을 보인 블록도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기의 구성을 세부적으로 보인 블록도이다.
도 3은 소리 신호 감지, 학습 평가 및 전송을 위한 소프트웨어적 구성을 설명하기 위한 도면이다.
도 4는 딥러닝 기반 학습 모델에서 구체적인 소리 신호 감지, 판단 및 결과 산출을 위한 알고리즘 구성을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 소리 신호 감지 및 전송 방법을 나타낸 순서도이다.
이하에서는 도면을 참조하여 본 발명의 구체적인 실시예를 상세하게 설명한다. 다만, 본 발명의 사상은 제시되는 실시예에 제한되지 아니하고, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에서 다른 구성요소를 추가, 변경, 삭제 등을 통하여, 퇴보적인 다른 발명이나 본 발명 사상의 범위 내에 포함되는 다른 실시예를 용이하게 제안할 수 있을 것이나, 이 또한 본원 발명 사상 범위 내에 포함된다고 할 것이다. 또한, 각 실시예의 도면에 나타나는 동일한 사상의 범위 내의 기능이 동일한 구성요소는 동일한 참조부호를 사용하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기의 개념적인 구성을 보인 블록도이며, 도 2는 본 발명의 일 실시예에 따른 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기의 구성을 세부적으로 보인 블록도이며, 도 3은 소리 신호 감지, 학습 평가 및 전송을 위한 소프트웨어적 구성을 설명하기 위한 도면이며, 도 4는 딥러닝 기반 학습 모델에서 구체적인 소리 신호 감지, 판단 및 결과 산출을 위한 알고리즘 구성을 설명하기 위한 도면이다.
본 발명의 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기는 도 2에 도시된 바와 같이 입력부(100), 제어부(200), 출력부(300), 전원부(400)를 포함한다.
입력부(100)는 각종 지역에 설치된 수집대상기기 또는 객체로부터 특정 소리 신호를 검출하고, 검출된 소리 신호를 제어부(200)로 전달하여 제어부(200)에서 해당 소리 신호를 분석하여 설정된 기준에 부합되는 특정 소리 신호에 해당하는지 여부를 체크하도록 제공한다.
여기서, 객체는 아이, 노인 등의 특정 사람이나, 동물원 등에서 보호 및 감시가 필요한 동물이 될 수 있으며, 수집대상기기는 화재경보기, 가스경보기, 온도경보기, 습도경보기, 수위경보기, 개폐경보기, 누전경보기 중 적어도 어느 하나가 포함될 수 있다. 이들 대상에 대해 소리신호를 수집하기 위해서는 미리 학습모델에 의해 해당 소리신호를 학습할 필요가 있다.
예를 들어 기준값 이상의 가스 검출이 주기적으로 필요한 지역에서는 가스 경보기와 연동하여 일정 기준(임계값) 이상의 가스 검출시 발생하는 알람(버저) 신호를 입력부(100)에서 소리 신호로 검출할 수 있다.
또 다른 예로는 아이가 차량 내에서 혼자 탑승하는 경우 일정 기준(임계값) 이상의 울음 소리가 발생하면 해당 울음 소리의 소리 신호를 검출할 수도 있다.
이를 위해서 본 발명에서는 적어도 하나의 특정 소리에 대해 제어부(200)의 학습 모델을 통해 딥러닝 혹은 머신러닝 기반의 학습이 필요하다.
또한 입력부(100)는 세부적으로 소리 신호를 수신하기 위한 마이크(110)와, 설정된 학습 모델로 특정 소리 신호에 대한 학습을 수행할 수 있도록 마이크(110)를 통하여 수신된 소리 신호를 녹음하기 위한 버튼 형태의 녹음 온/오프 기능을 제공하는 학습 스위치(120)를 더 포함할 수 있다.
구체적으로 학습 스위치(120)는 버튼 형태로 마련되어 학습 스위치(120)를 누르면 학습 모드로 변경되어 주변에서 발생하는 소리 신호(사운드)를 녹음하여 검출하고자 하는 특정 소리 신호로 등록을 할 수 있게 된다.
또한 녹음 중인 소리 신호는 버튼 재입력에 의해 수동으로 녹음을 완료시키거나, 소리 신호가 더 이상 수신되지 않는 경우 자동으로 녹음이 완료되도록 할 수도 있으며, 일정량의 메모리 사이즈나 시간을 사용자 설정해서 해당 메모리 사이즈나 시간에 맞게 녹음이 이루어질 수도 있다.
또한 소리 신호 녹음이 완료되면 제어부(200)는 녹음된 소리 신호에서 특징 추출(feature extract)을 수행하여 특징값에 해당하는 값을 SVM 모델의 가중치에 반영할 수 있다. 이후 알림이 필요한 특정 소리 신호인지 구분하여 해당 특정 소리 신호인 경우, 기설정된 관리자 단말기로 알림 신호를 전송할 수 있도록 하며, 이에 대한 구체적 설명은 후술하기로 한다.
제어부(200)는 입력부(100)를 통하여 수신된 소리 신호에 대해 구체적인 머신러닝 학습모델을 이용하여 위험을 알려야 하는 상황인지를 파악하기 위해 소리 신호를 분석하여 기준 임계값을 초과하는 특정 소리 신호인지 여부를 판단하고, 기준 임계값을 초과하는 특정 소리 신호인 것으로 판단되는 경우 알림 신호를 생성하여 출력부(300)를 통하여 설정된 외부 관리자단말기로 전송하도록 제어할 수 있다.
제어부(200)는 세부적으로 마이크(110)로부터 수신된 소리 신호를 입력받는 입력모듈(220)과, 입력된 소리 신호에 대해 학습모델로 전달하여 학습시키고, 학습 결과에 따라 임계값 초과의 특정 소리 신호인 것으로 예측되면 출력부(300)로 전달하는 출력모듈(230)과, 소리 신호를 학습모델로 분석하여 임계값 초과의 특정 소리 신호 여부를 판단하고, 임계값 초과의 특정 소리 신호로 판단되는 경우 위험 경보를 위한 알림 신호 혹은 알림 메시지를 생성하여 출력부(300)를 통하여 설정된 외부 관리자단말기로 전송하도록 제어하는 MCU(Micro Controller Unit, 210)를 더 포함할 수 있다.
MCU(210)는 통신기의 소형화를 목표로 하기 위해 아두이노, 라즈베리 파이 등과 같은 소형 메인보드 형태가 될 수 있다.
또한 여기서 알림 메시지 형태로 외부 전송시, 알림 메시지에는 미리 위험 상황을 알리는 알림 내용을 미리 저장하고, 알림 내용과 함께 육하원칙에 입각하여 위험 상황을 구체적으로 알리는 내용을 포함하도록 알림 메시지를 생성할 수 있으며, 알림 메시지에는 임계값 초과의 특정 소리 신호로 판단된 해당 소리 신호 또는 소리 신호 분석 결과를 더 포함할 수도 있다.
또한 알림 메시지에는 해당 수집대상기기가 위치한 위치정보 또는 기기식별코드 등이 포함되도록 하여 관리자가 구체적으로 위험 장소를 확인할 수 있도록 제공할 수도 있다.
또한 소리 신호를 수집하는 대상이 객체(사람)인 경우, 미리 해당 객체가 위치한 위치정보가 통신기에 저장되거나, 기설정되는 관리자 단말기에 저장되어 있어 즉각적으로 위치 확인을 할 수 있다.
또한 MCU(210)는 특정 소리 신호 및 각 부 또는 모듈을 제어하기 위한 제어신호, 학습모델, 미리 설정된 내용을 포함하는 알림 메시지 등을 저장할 수 있는 내부 메모리와 각 부의 전반적인 제어 기능을 수행하기 위한 마이크로프로세서를 더 포함할 수 있다.
도 3 및 도 4를 참조하여 딥러닝 기반 학습모델을 이용한 학습 과정을 통한 특정 소리 신호 판별 과정을 상세하게 설명하면, 딥러닝 알고리즘을 기반으로 한 학습모델을 이용하여 감지할 특정 소리 신호(예 : 가스 등 각종 센서의 경보 알람, 아이 울음 소리 등)에 대해서 기준이 되는 사운드 샘플(샘플 소리 신호)로 학습시키고, 학습 결과로서 특정 소리 신호를 감지할 수 있도록 한다.
사운드 샘플은 예를 들면 특정 사운드에 대해서 학습을 통해 특정 소리에 해당하는지 판별하는데 필요한 기준이 되는 샘플 사운드가 될 수 있다.
또한 이와 같은 사운드 샘플은 지속적으로 학습 모델에 추가 반영하여 빅데이터화할 수 있으며, 수집되는 데이터가 누적될수록 딥러닝 기반의 반복적인 학습을 통해 더욱 특정한 소리를 잘 구분하여 감지할 수 있도록 한다.
또한, 기존 초기의 학습 데이터(사운드 샘플)는 현장 소리를 감안하지 않은 이상적인(혹은 인위적으로 생성한) 사운드 샘플인 경우, 학습 모델에 해당 사운드샘플과 유사한 현장 소리 신호를 추가하여 학습을 수행함으로써 주변 환경 노이즈에 강인하도록 최적화할 수 있으며, 이를 위해 새로운 데이터를 추가하여 재학습을 수행하는 전이학습(Transfer Learning)을 수행한다.
구체적으로 전이학습은 입력된 사운드 데이터(소리 신호)를 spectrograms를 이용하여 데이터 프레임으로 변환하고, 전이 학습 모델(예: ConvNet 등을 생성하는 pre-trained CNN 모델)의 특징 추출(Feature Extraction) 과정을 포함할 수 있다.
이때 pre-trained CNN 모델의 경우 일반적인 CNN 모델링의 마지막 Softmax 레이어를 제거한 마지막 레이어가 Fully Connection인 모델로서, 새로운 데이터를 모델에 추가하여 결과를 반영할 수 있다.
즉, 초기 기준이 되는 사운드 샘플에 대한 학습 이외의 현장에서 추가되는 새로운 샘플 데이터나 변형된 데이터를 이용하여 추가 학습이 이루어짐으로써, 현장 노이즈 등에 강인하도록 하여 노이즈가 포함된 소리 신호에 대해서도 원하는 특정 소리 신호 탐지에 최적화할 수 있는 것이다.
또한 제어부(200)는 입력부(100)로부터 수신되는 아날로그 형태의 소리 신호 데이터를 정규화하기 위한 고속 푸리에 변환(FFT)을 수행한다.
고속 푸리에 변환을 통하여 시간 단위로 이루어지는 소리 신호에 대해 주파수 단위로 변환할 수 있으며, 이를 통해 주파수 대역에 해당하는 소리별 특정 음역 대역을 구분하여 분석할 수 있도록 제공될 수 있다.
구체적으로, FFT 변환된 데이터를 입력 변수로 한 CNN 신경망 학습 모델을 이용하여 사운드 분석 결과 데이터를 생성할 수 있다.
또한 이후 SVM 클래시피케이션을 이용하여 생성된 분석 결과 데이터에 대해 SVM 가중치로 결과 분류를 수행하고, 이때 SVM으로 결과 분류된 데이터에 대해서 평균 제곱근 편차(RMS)를 이용하여 임계값 초과의 특정 소리 신호 여부 판별에 부합하는지 확인하기 위한 잔차(Residuals)를 계산할 수 있다. 즉, 잔차에 의한 학습에 의해 예측된 소리 신호 데이터와 입력부(100)에서 입력된 해당 소리 신호의 차이만큼 기준(임계값)에서 얼마나 떨어져 있는지 확인할 수 있으며, 이를 통해 해당 신호가 학습된 특정 신호에 해당하는 정도를 알 수 있는 것이다.
여기서, SVM이란 클래시피케이션, 리그레션(regression), 특이점 판별(outliers detection) 등에 주로 사용되는 지도 학습(Supervised Learning) 머신 러닝 방법 중 하나이다.
예를 들어, 두 그룹의 데이터셋을 구분하는 여러 가지 방법 중에 각 그룹의 최대 거리에 있는 중간지점을 정확하게 구분할 수 있는 것이 분류정확도를 높일 수 있는 최적의 방법이라고 할 수 있다. 특히 SVM은 복수의 디멘션을 갖는 데이터에 대해서, 복수의 디멘션을 잘 구분할 수 있는 최적의 결정 경계(decision boundary)를 찾는 것에 최적화된 방법으로 알려져 있다.
이를 활용하여 사운드 분석 결과 데이터에 대해서 임계값 초과의 특정 소리 신호인지 아닌지 구분하는 결정 경계를 정하고, 이것을 기준으로 분류하여 해당 소리 신호에 대한 임계값 초과의 특정 소리 신호를 판별할 수 있다.
또한 기준이 되는 임계값이나 가중치는 학습 모델에 따라 달라질 수 있으며, 반복된 학습을 통해 적정한 임계값 및 가중치를 재조정할 수도 있다.
출력부(300)는 제어부(200)의 요청으로 외부 관리자단말기로 알림 신호를 전송하는 통신모듈(310)과 소리 신호 감지 상태, 외부 알림 전송 상태, 전원 상태 또는 통신 상태 등을 시각적으로 표시하는 RGB LED(320)를 더 포함한다.
전원부(400)는 통신기의 기능을 수행하기 위한 전원을 공급하며, 휴대용으로서 내부 전원 공급을 위한 배터리(410)와, 배터리(410) 충전용 혹은 배터리(410) 대신 유선 연결에 의해 전원 공급을 받는 외부전원(420)을 포함할 수 있다.
구체적으로 도 1을 참조하면, 충전용 커넥터(예 : USB-C 타입의 커넥터)를 구비하여 외부 전원을 공급받을 수 있으며, 배터리(410)가 리튬 충전지 형태인 경우 리튬 충전지 차져(Charger)를 더 구비하여 USB-C 타입을 통해 고속 충전이 가능하도록 하여 휴대용으로 사용할 수 있게 한다.
또한 별도의 배터리 잔량을 표시하는 기능을 제공하여, 배터리(410) 미충전시 충전이 이루어지도록 제공하는 것이 바람직하다.
도 5는 본 발명의 일 실시예에 따른 특정 소리 신호 감지 및 전송 방법을 나타낸 순서도이다.
본 발명의 통신기는 제어부(200)가 해당 소리 신호의 특정 소리 여부를 판별하기 위한 딥러닝 기반의 사운드 학습 모델을 메모리에 저장하고 읽어들인다(S100).
또한 학습이 필요하거나 반복적인 학습을 위한 추가 또는 새로 갱신이 필요한 사운드 샘플을 추가로 메모리에 저장한 경우, 같이 읽어들일 수 있다(S102).
사운드 샘플은 예를 들면 특정 사운드에 대해서 학습을 통해 특정 소리 여부 판별에 필요한 기준이 되는 샘플 사운드가 될 수 있으며, 이와 같은 샘플 사운드는 지속적으로 추가 반영하여 빅데이터화할 수 있으며, 딥러닝 기반의 반복적인 학습을 통해 더욱 특정 소리를 잘 판별할 수 있도록 하는 것이 바람직하다.
또한, 기존 이상적인 학습 데이터인 샘플 사운드에 현장 소리 신호(예: 가스 검출 지역, 자동차 내 유아 울음 소리 등)를 추가하여 학습을 수행함으로써 주변 환경 노이즈에 강인하도록 최적화할 수 있으며, 이를 위해 상술한 전이학습을 수행한다.
이후 통신기는 입력부(100)에서 미리 학습된 특정 소리 신호 감지시, 제어부(200)는 해당 특정 소리 신호의 아날로그 형태의 데이터를 정규화하기 위한 고속 푸리에 변환(FFT)을 수행한다(S104, S106).
다음, 변환된 데이터를 입력 변수로 한 CNN 신경망 학습 모델을 이용하여 사운드 분석 결과 데이터를 생성한다(S108).
이후 SVM 클래시피케이션을 이용하여 분석 결과 데이터에 대해 미리 저장된 SVM 모델의 가중치로 소리 데이터로부터 기준 이상이 되는 임계값 초과의 특정 소리 신호 여부를 판별하는 결과 분류를 수행한다(S110).
또한 이때 SVM으로 결과 분류된 데이터에 대해서 평균 제곱근 편차(RMS)를 이용하여 임계값 초과의 특정 소리 신호 여부 판별에 부합하는지 여부를 확인하기 위해 잔차를 계산할 수 있다.
이후, 제어부(200)는 잔차에 의해 구분된 특정 소리 신호에 대해서 알림 신호 또는 알림 메시지를 생성하고, 기설정된 외부 관리자단말기 또는 관리서버(미도시)에 생성된 해당 알림 신호 또는 알림 메시지를 출력부(300)를 통하여 전송하도록 한다(S112).
나아가 본 발명의 통신기는 입력부(100)를 통하여 각종 센서(가스 탐지기 등)로부터 수신된 데이터, 관리자 단말기 간에 송수신되는 데이터의 변조, 해킹 등으로부터 보호하기 위해 머클트리 구조의 블록체인을 기반으로 한 수신된 각종 데이터 인증을 수행하고 분산 저장하여 관리하거나, 데이터들을 경량 암호화에 의해 보호할 수도 있다. 경량 암호 알고리즘에는 본원발명에 언급된 관리자 단말기와 같은 스마트 기기 등의 제한된 환경에서 구현하기 위해 설계된 암호 기술로서, 대칭키 암호 알고리즘인 HIGHT(HIGh security and light weigHT), LEA(Lightweight Encryption)와 해시함수인 LSH(Lightweight Secure Hash) 등을 활용할 수 있다.
본 명세서에서 ‘단말기'는 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말기’는 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 통신 장치인 것도 가능하다. 또한, 상술한 본 발명의 통신모듈(310)이 외부로 알림 신호를 전송하기 위한 네트워크는 단말들 또는 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 무선 데이터 통신망을 포함한다.
무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi), NFC, UWB(Ultra Wide Band) 통신 등이 포함되나 이에 한정되지는 않으며, 상술한 본 발명에는 필요에 따라 해당 통신 기능을 수행하기 위한 공지된 통신 프로토콜 또는 추가 구성이 더 포함될 수 있다.
100 ; 입력부
110 ; 마이크
120 ; 학습 스위치
200 ; 제어부
210 ; MCU
220 ; 입력모듈
230 ; 출력모듈
300 ; 출력부
310 ; 통신모듈
320 ; RGB LED
400 ; 전원부
410 ; 배터리
420 ; 외부전원

Claims (14)

  1. 수집대상기기 또는 객체로부터 발생하는 특정 소리 신호를 검출하고,
    해당 소리 신호를 분석하여 설정된 기준에 부합되는 임계값 초과의 특정 소리 신호인지 여부를 판단하되,
    딥러닝 기반 학습모델을 이용하여 검출이 필요한 특정 소리 신호에 대해 미리 학습을 수행하고,
    수신된 소리 신호에 대해 위험을 알려야 하는 상황인지를 파악하기 위해, 검출된 소리 신호를 분석하여 학습된 소리 신호와 비교하고, 기준 임계값을 초과하는 임계값 초과의 특정 소리 신호인지 여부를 판단하며,
    임계값 초과의 특정 소리 신호인 것으로 판단되는 경우 알림 신호를 생성하고, 기설정된 관리자단말기로 알림 신호를 무선 전송하는 것을 특징으로 하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  2. 제1항에 있어서,
    상기 통신기는
    수집대상기기 또는 객체로부터 발생하는 특정 소리 신호를 수신하여 검출하는 입력부;
    상기 입력부를 통하여 수신된 소리 신호에 대해 딥러닝 기반 학습모델을 이용하여 위험을 알려야 하는 상황인지를 파악하기 위해 소리 신호를 분석하여 기준 임계값을 초과하는 특정 소리 신호인지 여부를 판단하고, 임계값 초과의 특정 소리 신호인 것으로 판단되는 경우 알림 신호를 생성하여 출력부를 통하여 설정된 외부 관리자단말기로 전송하도록 제어하는 제어부;
    상기 알림 신호를 무선통신망을 통하여 관리자단말기로 무선 전송하는 출력부; 및
    각 부에 전원을 공급하는 전원부를 포함하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  3. 제2항에 있어서,
    상기 수집대상기기는 화재경보기, 가스경보기, 온도경보기, 습도경보기, 수위경보기, 개폐경보기, 누전경보기 중 적어도 어느 하나를 포함하며,
    상기 객체는 사람 또는 동물인 것을 특징으로 하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  4. 제2항에 있어서,
    상기 출력부는
    상기 제어부의 요청으로 외부 관리자단말기로 알림 신호를 전송하는 통신모듈; 및
    소리 신호 감지 상태, 외부 알림 전송 상태, 전원 상태 및 통신 상태 중 적어도 어느 하나에 대하여 시각적으로 표시하는 RGB LED를 더 포함하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  5. 제2항에 있어서,
    상기 입력부는
    소리 신호를 수신하기 위한 마이크와, 설정된 학습 모델로 특정 소리 신호에 대한 학습을 수행할 수 있도록 마이크를 통하여 수신된 소리 신호를 녹음하기 위한 버튼 형태의 녹음 온/오프 기능을 제공하는 학습 스위치를 더 포함하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  6. 제2항에 있어서,
    상기 제어부는
    마이크로부터 수신된 소리 신호를 입력받는 입력모듈과,
    입력된 소리 신호에 대해 학습모델로 전달하여 학습시키고, 학습 결과에 따라 임계값 초과의 특정 소리 신호인 것으로 예측되면 출력부로 전달하는 출력모듈과,
    수신된 소리 신호를 학습된 소리 신호와 비교하는 학습모델로 분석하여 임계값 초과의 특정 소리 신호 여부를 판단하고, 임계값 초과의 특정 소리 신호로 판단되는 경우 위험 경보를 위한 알림 신호 혹은 알림 메시지를 생성하여 출력부를 통하여 기설정된 관리자단말기로 전송하도록 제어하는 MCU(Micro Controller Unit)를 더 포함하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  7. 제2항에 있어서,
    상기 제어부는
    딥러닝 알고리즘을 기반으로 한 학습모델을 이용하여 감지할 특정 소리 신호에 대해서 기준이 되는 사운드 샘플로 학습시키고, 학습 결과로서 특정 소리 신호를 감지할 수 있도록 하며,
    상기 사운드 샘플은 학습 모델에 주기적으로 추가 반영하고, 수집되는 데이터가 누적될수록 딥러닝 기반의 반복적인 학습을 통해 특정한 소리를 잘 구분하여 감지할 수 있도록 하는 것을 특징으로 하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  8. 제7항에 있어서,
    상기 학습 모델에 초기에 제공된 사운드 샘플과 유사한 현장 소리 신호를 추가하여 재학습을 수행하는 전이학습(Transfer Learning)을 수행하는 것을 특징으로 하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  9. 제8항에 있어서,
    상기 전이학습은
    상기 입력부로 입력된 소리 신호를 spectrograms를 이용하여 데이터 프레임으로 변환하고, 전이 학습 모델의 특징 추출(Feature Extraction) 과정을 포함하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  10. 제9항에 있어서,
    상기 제어부는
    상기 입력부로부터 수신되는 아날로그 형태의 소리 신호 데이터를 정규화하기 위한 고속 푸리에 변환(FFT)을 수행하고,
    상기 고속 푸리에 변환을 통하여 시간 단위로 이루어지는 소리 신호에 대해 주파수 단위로 변환할 수 있으며, 주파수 대역에 해당하는 소리별 다른 특정 음역 대역을 구분하여 분석할 수 있도록 하며,
    변환된 데이터를 입력 변수로 한 CNN 신경망 기반의 학습 모델을 이용하여 사운드 분석 결과 데이터를 생성하는 것을 특징으로 하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  11. 제10항에 있어서,
    상기 제어부는
    상기 생성된 사운드 분석 결과 데이터에 대해 SVM 클래시피케이션을 이용하여 SVM 가중치로 결과 분류를 수행하고, 이때 SVM으로 결과 분류된 데이터에 대해서 평균 제곱근 편차(RMS)를 이용하여 임계값 초과의 특정 소리 신호에 해당하는지 확인하기 위한 잔차(Residuals)를 계산하는 것을 특징으로 하는 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기.
  12. 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기를 이용한 소리 신호 감지 및 전송 방법에 있어서,
    상기 통신기는 제어부가 해당 소리 신호의 특정 소리 여부를 판별하기 위한 딥러닝 기반의 사운드 학습 모델을 메모리에 저장하고 읽어들이는 단계;
    상기 사운드 학습 모델로 미리 학습된 특정 소리 신호 감지시, 해당 특정 소리 신호의 아날로그 형태의 데이터를 정규화하기 위한 고속 푸리에 변환(FFT)을 수행하는 단계;
    상기 고속 푸리에 변환에 의해 변환된 데이터를 입력 변수로 한 CNN 신경망 학습 모델을 이용하여 사운드 분석 결과 데이터를 생성하는 단계;
    SVM 클래시피케이션을 이용하여 상기 사운드 분석 결과 데이터에 대해 SVM 가중치로 소리 데이터로부터 임계값 초과의 특정 소리 신호를 구분하는 결과 분류를 수행하는 단계; 및
    결과 분류에 의해 임계값 초과의 특정 소리 신호로 구분된 해당 소리 신호에 대해서 알림 신호를 생성하고, 기설정된 관리자단말기로 해당 알림 신호를 전송하는 단계를 포함하는 소리 신호 감지 및 전송 방법.
  13. 제12항에 있어서,
    상기 딥러닝 기반의 사운드 학습 모델을 메모리에 저장하고 읽어들이는 단계에서,
    학습이 필요하거나 반복적인 학습을 위한 추가 또는 새로 갱신이 필요한 사운드 샘플을 추가로 메모리에 저장한 경우, 같이 읽어들이는 단계를 더 포함하는 소리 신호 감지 및 전송 방법.
  14. 제12항에 있어서,
    상기 SVM 클래시피케이션으로 결과 분류된 데이터에 대해서 평균 제곱근 편차(RMS)를 이용하여 임계값 초과의 특정 소리 신호에 해당하는지 판단하기 위한 잔차를 계산하여 임계값 초과의 특정 소리 신호를 판별하는 것을 특징으로 하는 소리 신호 감지 및 전송 방법.
KR1020210031888A 2021-03-11 2021-03-11 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법 KR102565320B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210031888A KR102565320B1 (ko) 2021-03-11 2021-03-11 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210031888A KR102565320B1 (ko) 2021-03-11 2021-03-11 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법

Publications (2)

Publication Number Publication Date
KR20220127516A true KR20220127516A (ko) 2022-09-20
KR102565320B1 KR102565320B1 (ko) 2023-08-08

Family

ID=83446821

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210031888A KR102565320B1 (ko) 2021-03-11 2021-03-11 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법

Country Status (1)

Country Link
KR (1) KR102565320B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102664323B1 (ko) * 2023-08-24 2024-05-10 (주)프로브디지털 음성인식을 이용한 주차위치 안내시스템

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130097490A (ko) * 2012-02-24 2013-09-03 삼성테크윈 주식회사 음향 정보 기반 상황 인식 장치 및 방법
KR20160038960A (ko) * 2014-09-30 2016-04-08 계명대학교 산학협력단 학습 정보를 이용하여 위험 상황을 인지하는 단말기 및 그 동작 방법
KR20200097515A (ko) 2019-02-08 2020-08-19 주식회사 가스트론 휴대용 다종가스 감지기
KR102148378B1 (ko) * 2020-01-22 2020-08-26 강태욱 기계 학습 모델을 이용한 관심 이벤트의 알림 제공 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130097490A (ko) * 2012-02-24 2013-09-03 삼성테크윈 주식회사 음향 정보 기반 상황 인식 장치 및 방법
KR20160038960A (ko) * 2014-09-30 2016-04-08 계명대학교 산학협력단 학습 정보를 이용하여 위험 상황을 인지하는 단말기 및 그 동작 방법
KR20200097515A (ko) 2019-02-08 2020-08-19 주식회사 가스트론 휴대용 다종가스 감지기
KR102148378B1 (ko) * 2020-01-22 2020-08-26 강태욱 기계 학습 모델을 이용한 관심 이벤트의 알림 제공 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102664323B1 (ko) * 2023-08-24 2024-05-10 (주)프로브디지털 음성인식을 이용한 주차위치 안내시스템

Also Published As

Publication number Publication date
KR102565320B1 (ko) 2023-08-08

Similar Documents

Publication Publication Date Title
Singh et al. IoT enabled HELMET to safeguard the health of mine workers
US10827951B2 (en) Fall detection using sensors in a smart monitoring safety system
JP2011523106A (ja) 対象及び事象を分類する映像センサ及び警報システム並びに方法
US11295547B2 (en) System and method for detecting interaction with living object
KR20180013022A (ko) 생체 신호와 비콘 기술을 이용한 웨어러블 디바이스 기반의 아동 케어 시스템
Hsu et al. RFID-based human behavior modeling and anomaly detection for elderly care
KR102565320B1 (ko) 딥러닝 기반 소리 신호 감지 및 전송을 위한 IoT 통신기 그리고 이를 이용한 소리 신호 감지 및 전송 방법
Chaudhary et al. A multi-protocol home automation system using smart gateway
US20170299696A1 (en) Advanced identification techniques for security and safety systems
Prakash et al. FSAS: an IoT-based security system for crop field storage
CN109816947A (zh) 一种多功能智能分析物品丢失报警监控系统
TWI590204B (zh) 環境狀況異常通知系統及方法
KR102638693B1 (ko) 위치 기반 생체정보 모니터링 시스템 및 방법
KR102617708B1 (ko) 인공지능 기반 화재감시시스템
CN204087408U (zh) 全天候设防自动识别监控报警器
CN105791745A (zh) 一种远程图像监控终端
Mustafa et al. Design and implementation of wireless iot device for women’s safety
KR102292473B1 (ko) 행동패턴 분석을 통한 사고방지 시스템 및 그 방법
Sivasankar et al. Internet of Things based Smart Students' body Temperature Monitoring System for a Safe Campus
KR101378296B1 (ko) 인체 통신을 이용한 범죄 예방 시스템 및 인체 통신을 이용한 범죄 예방 방법
CN205722264U (zh) 移动感测装置及其系统
CN116778668B (zh) 一种基于物联网的智能安防系统
KR20210066453A (ko) 스마트 의류 스테이션을 이용한 신체활동 취약자의 데이터 수집 및 상황인지 처리 시스템
CN106993270B (zh) 环境状况异常通知系统及方法
KR102659977B1 (ko) 비접촉 위험 감지 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant