KR20230000704A - System for multi functional monitoring of unmanned stations based on Artificial Intelligence - Google Patents
System for multi functional monitoring of unmanned stations based on Artificial Intelligence Download PDFInfo
- Publication number
- KR20230000704A KR20230000704A KR1020210083150A KR20210083150A KR20230000704A KR 20230000704 A KR20230000704 A KR 20230000704A KR 1020210083150 A KR1020210083150 A KR 1020210083150A KR 20210083150 A KR20210083150 A KR 20210083150A KR 20230000704 A KR20230000704 A KR 20230000704A
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- artificial intelligence
- unmanned
- temperature
- fire
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000012806 monitoring device Methods 0.000 claims abstract description 29
- 238000010438 heat treatment Methods 0.000 claims abstract description 13
- 238000001816 cooling Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 43
- 238000013145 classification model Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 239000000779 smoke Substances 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 18
- 239000007789 gas Substances 0.000 claims description 7
- 230000004308 accommodation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000000197 pyrolysis Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 abstract description 5
- 238000005728 strengthening Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 20
- 238000013527 convolutional neural network Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/65—Electronic processing for selecting an operating mode
- F24F11/67—Switching between heating and cooling modes
-
- 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
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/10—Temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/20—Humidity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/65—Concentration of specific substances or contaminants
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Combustion & Propulsion (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Analytical Chemistry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
Description
본 발명은 임베디드 시스템용 내장형 AI를 적용하여 무인국사 내 수용 설비에 대한 원격 감시 기능을 제공하는 인공 지능 기반의 무인국사용 종합 감시 시스템에 관한 것이다.The present invention relates to an artificial intelligence-based comprehensive monitoring system for unmanned stations that provides a remote monitoring function for accommodating facilities in an unmanned station by applying a built-in AI for an embedded system.
이 부분에 기술된 내용은 단순히 본 발명의 일 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The information described in this section merely provides background information on an embodiment of the present invention and does not constitute prior art.
일반적으로, 통신장치나 방송장치 등과 같이 24시간 동안 계속해서 작동해야 하는 장치는 그 작동상태를 감시하기 위한 상주 운영요원이 필요한데, 기지국이나 전송중계국 등과 같이 소형의 장비만이 설치된 곳은 인건비를 절감하기 위해 상주 운영자가 없는 무인국사 형태로 운영되고 있다. 이러한 무인국사는 장애 방지와 원활한 서비스를 제공하기 위해 원격으로 제어된다. In general, devices that need to operate continuously for 24 hours, such as communication devices or broadcasting devices, require resident operating personnel to monitor their operating conditions. In order to do this, it is operated in the form of an unmanned bureau without a resident operator. These unmanned stations are remotely controlled to prevent failure and provide smooth service.
무인국사의 원격 제어를 위해서는 환경/전원 설비의 냉난방기, 정류기, 축전지, 발전기, 자동 소화기, 화재 감지기, 출입문, 전송 설비 및 각종 장비의 디버그 포트 상태, 데이터를 수집하여 상위 교환국의 서버에 전달하는 역할을 수행하는 원격 제어 및 모니터링 유닛(Remote control and monitoring unit) 등이 설치된다. For the remote control of the unmanned station, the environment/power facility's air conditioner, rectifier, storage battery, generator, automatic fire extinguisher, fire detector, gate, transmission facility, and debug port status of various equipment are collected and transmitted to the server of the upper exchange center. A remote control and monitoring unit or the like that performs is installed.
종래의 무인국사에 설치된 화재 감지는 노후화 및 보정 기술이 없는 저가의 센서를 사용하고 있어 빈번한 알람 오류가 발생하여 유지보수를 위해 관리자가 빈번히 출동해야 하고, 냉난방기는 냉난방이 필요하지 않은 상온에서도 동작하여 불필요한 에너지가 소모되기도 한다. Fire detection installed in conventional unmanned station uses low-cost sensors without aging and calibration technology, resulting in frequent alarm errors, requiring administrators to be frequently dispatched for maintenance, and air conditioners operate even at room temperature where air conditioning is not required Unnecessary energy may be wasted.
또한, 종래의 무인국사는 출입문의 열림/닫힘 상태를 감시하는 기능이 있지만, 보안을 위한 출입자 관리에는 미흡한 상태이므로, 관리자를 사칭한 악의적인 침입자에 의해 출입이 무방비 상태로 가능해질 수 있고, 네트워크 장비나 기타 고가의 장비들이 도난 당거나 파손될 우려가 있다.In addition, the conventional unmanned station has a function of monitoring the open/closed state of the door, but is insufficient in managing accessors for security, so that a malicious intruder impersonating an administrator can access the network unprotected. There is a risk of equipment or other expensive equipment being stolen or damaged.
본 발명은 전술한 문제점을 해결하기 위하여, 본 발명의 일 실시예에 따라 무인국사 설치된 네트워크 장비와 수용 설비에 공급되는 전원 감시 및 경보 신호 처리를 수행하면서, AI 기반의 분석 모델을 적용하여 화재 감지, 누수 감지, 출입 통제, 설비 제어를 수행함으로써 수용 설비에 대한 제어 및 감시 정확도가 향상되도록 하는 인공 지능 기반의 무인국사용 종합 감시 시스템을 제공하는 것에 목적이 있다.In order to solve the above problems, the present invention detects fire by applying an AI-based analysis model while performing power monitoring and alarm signal processing supplied to network equipment and accommodating facilities installed in unmanned stations according to an embodiment of the present invention. The purpose of this study is to provide an artificial intelligence-based comprehensive surveillance system for unmanned station use that improves the control and monitoring accuracy of accommodating facilities by performing leak detection, access control, and facility control.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical problem to be achieved by the present embodiment is not limited to the technical problem as described above, and other technical problems may exist.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템은, 무인국사에 설치된 네트워크 장비 및 수용 설비에 대한 원격 제어를 수행하는 인공 지능 기반의 무인국사용 종합 감시 시스템에 있어서, 무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 센서 장치; 상기 무인국사의 출입구에 설치되어, 상기 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공하는 카메라 장치; 상기 무인국사 내 기 설정된 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행하는 냉난방 장치; 및 인공 지능 기반의 분석 모델을 이용하여 상기 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 상기 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 상기 센서 신호를 분석하여 화재 감지시 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행하여, 수용 설비에 대한 제반 제어 동작을 통해 무인국사의 종합 감시를 기능을 수행하는 지능형 모니터링 장치를 포함하되, 상기 인공 지능 기반의 분석 모델은, 상기 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 상기 수집된 학습 데이터를 전처리하여 상기 출입 통제 기능에 대한 제1 분류 모델, 상기 온도 제어 기능에 대한 제2 분류 모델 및 상기 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 상기 학습된 제1 내지 제3 분류 모델을 통해 산출되는 분류 결과에 따라 제어 설비 대상을 인식하고, 인식된 제어 설비 대상에 대한 제어 신호를 제공하는 것이다. As a technical means for achieving the above technical problem, an artificial intelligence-based comprehensive monitoring system for unmanned station use according to an embodiment of the present invention is an artificial intelligence-based artificial intelligence-based remote control for network equipment and accommodating facilities installed in an unmanned station. A comprehensive monitoring system for use of an unmanned station comprising: a sensor device installed inside or outside an unmanned station, detecting a change in the environment of the unmanned station and providing a sensor signal; a camera device installed at the entrance of the unmanned bureau and providing an access monitoring image by capturing a person entering and exiting the entrance; a cooling/heating device that performs a cooling or heating operation according to a preset reference temperature in the unmanned station; and an artificial intelligence-based analysis model to perform an access control function of allowing access by restricting access to previously authorized visitors based on the access monitoring image, and based on the temperature detection signal among the sensor signals, the upper limit reference temperature and It performs a temperature control function that determines cooling or heating in stages according to the lower limit reference temperature, analyzes the sensor signal, and performs a fire detection function that generates a fire alarm signal for each stage of fire growth when a fire is detected. It includes an intelligent monitoring device that performs a comprehensive monitoring function of the unmanned station through various control operations, but the artificial intelligence-based analysis model includes learning data related to the remote control of the unmanned station, including the sensor signal and the access monitoring image. and preprocessing the collected learning data to learn a first classification model for the access control function, a second classification model for the temperature control function, and a third classification model for the fire detection function, The object of the control facility is recognized according to the classification result calculated through the first to third classification models, and a control signal for the object of the recognized control facility is provided.
상기 센서 장치는, 온도 센서, 습도 센서, 열감지 센서, 연기 센서, 불꽃감지 센서, 수소 가스 또는 일산화산소를 포함한 가스를 감지하는 가스 감지 센서 중 적어도 하나 이상의 센서를 포함하는 것이다. The sensor device includes at least one sensor among a temperature sensor, a humidity sensor, a heat sensor, a smoke sensor, a flame sensor, and a gas sensor that detects a gas including hydrogen gas or oxygen monoxide.
상기 제2 분류 모델은, 상기 적어도 하나 이상의 센서를 통해 제공되는 센서 신호를 분석하여, 초기 열분해 단계, 연기 발생 단계, 불꽃 발생 단계 및 열 발생 단계로 화재 성장 단계를 구분하여 화재 알람 신호를 제공하는 것이다. The second classification model analyzes the sensor signal provided through the at least one sensor, divides the fire growth stage into an initial pyrolysis stage, a smoke generation stage, a flame generation stage, and a heat generation stage, and provides a fire alarm signal. will be.
본 발명의 일 측면에 따르면, 인공 지능 기반의 무인국사용 종합 감시 시스템은, 상기 출입구에 설치되어, 상기 제1 분류 모델의 분류 결과에 기반한 제어 신호에 따라 출입구의 열림/닫힘 기능을 수행하는 출입 통제 장치; 및 상기 지능형 모니터링 장치에서 전송되는 제어 신호에 따라 화재 알람, 침입 경보, 누전/누수, 수용 설비의 이상 상태를 포함한 알람 상태를 알려주는 경보 장치를 더 포함하는 것이다. According to one aspect of the present invention, an artificial intelligence-based comprehensive monitoring system for unmanned station is installed in the entrance and exit, and performs an opening/closing function of the entrance according to a control signal based on a classification result of the first classification model. control device; and an alarm device informing alarm conditions including fire alarm, intrusion alarm, electric leakage/leakage, and abnormal conditions of accommodation facilities according to a control signal transmitted from the intelligent monitoring device.
상기 지능형 모니터링 장치는, 상기 제2 분류 모델의 분류 결과에 기반하여, 상기 냉난방 장치의 주변 온도가 상한 기준 온도 이상일 경우에 냉방기의 동작시키고, 하한 기준 온도 이하일 경우에 온풍기를 동작시키며, 상한 기준 온도와 하한 기준 온도 사이의 상온일 경우에 냉방기와 온풍기를 모두 오프 동작시키는 온도 제어 기능을 수행하는 것이다.Based on the classification result of the second classification model, the intelligent monitoring device operates the air conditioner when the ambient temperature of the air conditioner is equal to or higher than the upper limit reference temperature, and operates the fan heater when the temperature is lower than the lower limit reference temperature. It performs a temperature control function of turning off both the air conditioner and the fan heater when the room temperature is between the temperature range and the lower limit reference temperature.
전술한 본 발명의 과제 해결 수단에 의하면, 본 발명은 인공 지능 기반의 분석 모델을 사용하여 무인국사에 설치된 수용 설비에 대한 정확한 제어 및 감시가 가능해질 수 있고, 화재감지기나 냉난방 장치의 오작동으로 인한 잦은 출동을 방지할 수 있어 유지 보수 비용이 절감될 수 있고, 냉난방 장치를 효율적으로 사용하여 에너지를 절감할 수 있으며, 사전에 허가된 출입자에 대해서만 출입을 허용함으로써 보안이 강화될 수 있는 효과가 있다.According to the above-described problem solving means of the present invention, the present invention can enable accurate control and monitoring of accommodation facilities installed in an unmanned station by using an artificial intelligence-based analysis model, Maintenance costs can be reduced by preventing frequent dispatches, energy can be saved by using air conditioning and heating devices efficiently, and security can be strengthened by allowing access only to those authorized in advance. .
또한, 본 발명은 인공 지능 기반의 분석 모델을 통해 장애에 대한 원인 분석으로 예지 정비가 가능할 수 있고, 무인국사에 설치된 센서 장치들에 대한 정확한 상태 모니터링 및 동작 이상 센서를 실시간 파악하여 신속한 센서 교체나 점검으로 인해 관리비용을 절감할 수 있고. 고가의 센서를 적용하지 않더라도 저가의 센서들을 복합적으로 사용한 복합 센서 기능을 실현하여 초기 투자 비용을 절감할 수 있으며, 시스템 운영을 통해 전력비 절감 및 설비점검시간, 점검공수 등 고정비를 감소시킬 수 있는 효과가 있다. In addition, the present invention can perform predictive maintenance by analyzing the cause of failure through an artificial intelligence-based analysis model, and accurately monitors the status of sensor devices installed in an unmanned station and identifies abnormal sensors in real time to quickly replace or replace sensors. Maintenance costs can be reduced through inspection. Even if expensive sensors are not applied, the initial investment cost can be reduced by realizing a complex sensor function using low-cost sensors in combination, and the effect of reducing fixed costs such as power cost, facility inspection time, and inspection man-hours through system operation there is
도 1은 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 구성을 설명하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 적용 사례를 설명하는 예시도이다.
도 3은 본 발명의 일 실시예에 따른 지능형 모니터링 장치의 구성을 설명하는 블럭도이다.
도 4는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델의 구조를 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 합성곱 분해 구조를 설명하는 예시도이다.
도 6은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델이 입력 신호에 대해 분석 결과를 산출하는 과정을 설명하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 CNN 구조를 설명하는 예시도이다.
도 8은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 Mask R-CNN 구조를 설명하는 예시도이다. 1 is a diagram illustrating the configuration of an artificial intelligence-based comprehensive surveillance system for use with an unmanned station according to an embodiment of the present invention.
2 is an exemplary diagram illustrating an application case of an artificial intelligence-based comprehensive monitoring system for unmanned station use according to an embodiment of the present invention.
3 is a block diagram illustrating the configuration of an intelligent monitoring device according to an embodiment of the present invention.
4 is a diagram illustrating the structure of an artificial intelligence-based analysis model according to an embodiment of the present invention.
5 is an exemplary view illustrating a convolution decomposition structure applied to an artificial intelligence-based analysis model according to an embodiment of the present invention.
6 is a diagram illustrating a process of calculating an analysis result for an input signal by an artificial intelligence-based analysis model according to an embodiment of the present invention.
7 is an exemplary view illustrating a CNN structure applied to an artificial intelligence-based analysis model according to an embodiment of the present invention.
8 is an exemplary view illustrating a Mask R-CNN structure applied to an artificial intelligence-based analysis model according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice the present invention with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected" but also the case where it is "electrically connected" with another element interposed therebetween. . In addition, when a part "includes" a certain component, this means that it may further include other components, not excluding other components, unless otherwise stated, and one or more other characteristics. However, it should be understood that it does not preclude the possibility of existence or addition of numbers, steps, operations, components, parts, or combinations thereof.
본 명세서에서 ‘단말’은 휴대성 및 이동성이 보장된 무선 통신 장치일 수 있으며, 예를 들어 스마트 폰, 태블릿 PC 또는 노트북 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치일 수 있다. 또한, ‘단말’은 네트워크를 통해 다른 단말 또는 서버 등에 접속할 수 있는 PC 등의 유선 통신 장치인 것도 가능하다. 또한, 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. In this specification, a 'terminal' may be a wireless communication device with guaranteed portability and mobility, and may be, for example, any type of handheld-based wireless communication device such as a smart phone, a tablet PC, or a laptop computer. Also, the 'terminal' may be a wired communication device such as a PC capable of accessing other terminals or servers through a network. In addition, a network refers to a connection structure capable of exchanging information between nodes such as terminals and servers, such as a local area network (LAN), a wide area network (WAN), and the Internet (WWW : World Wide Web), wired and wireless data communications network, telephone network, and wired and wireless television communications network.
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) 등이 포함되나 이에 한정되지는 않는다.Examples of wireless data communication networks include 3G, 4G, 5G, 3rd Generation Partnership Project (3GPP), Long Term Evolution (LTE), World Interoperability for Microwave Access (WIMAX), Wi-Fi, Bluetooth communication, infrared communication, ultrasonic communication, visible light communication (VLC: Visible Light Communication), LiFi, and the like, but are not limited thereto.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.The following examples are detailed descriptions for better understanding of the present invention, and do not limit the scope of the present invention. Therefore, inventions of the same scope that perform the same functions as the present invention will also fall within the scope of the present invention.
또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.In addition, each configuration, process, process or method included in each embodiment of the present invention may be shared within a range that does not contradict each other technically.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 구성을 설명하는 도면이고, 도 2는 본 발명의 일 실시예에 따른 인공 지능 기반의 무인국사용 종합 감시 시스템의 적용 사례를 설명하는 예시도이다.1 is a diagram illustrating the configuration of an artificial intelligence-based comprehensive monitoring system for unmanned station use according to an embodiment of the present invention, and FIG. 2 is a diagram illustrating the configuration of an artificial intelligence-based comprehensive monitoring system for unmanned station use according to an embodiment of the present invention. It is an example diagram explaining an application case of .
도 1 및 도 2를 참조하면, 인공 지능 기반의 무인국사용 종합 감시 시스템(100)은 센서 장치(110), 카메라 장치(120), 지능형 모니터링 장치(130), 냉난방 장치(150), 출입 통제 장치(140) 및 경보 장치(160)를 포함하지만 이에 한정되지는 않는다. Referring to FIGS. 1 and 2, the artificial intelligence-based
센서 장치(110)는 무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 것으로서, 온도 센서, 습도 센서, 열감지 센서, 연기 센서, 수소 가스 또는 일산화산소를 포함한 가스를 감지하는 가스 감지 센서 중 적어도 하나 이상의 센서를 포함한다.The
카메라 장치(120)는 무인국사의 출입구에 설치되어, 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공한다.The
지능형 모니터링 장치(130)는 무인국사의 종합 감시를 통해 수용 설비에 대한 제어 기능을 수행하는 것으로서, 경량 임베디드 시스템용 인공 지능 기반의 분석 모델을 이용하여 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 센서 신호를 분석하여 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행한다.The
출입 통제 장치(140)는 지능형 모니터링 장치(130)에서 전송되는 제어 신호에 따라 출입구의 열림/닫힘 기능을 수행하고, 경보 장치(160)와 연동하여 침입 상태 알림 동작을 수행할 수도 있다.The
냉난방 장치(150)는 지능형 모니터링 장치(130)에서 전송되는 제어 신호에 따라 무인국사 내 기 설정된 상한 기준 온도와 하한 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행한다.The air-
경보 장치(160)는 지능형 모니터링 장치(130)에서 전송되는 제어 신호에 따라 화재 알람, 침입 경보, 누전/누수 등의 각종 알람 상태를 경보하는 역할을 수행한다. 센서 장치(110)와 경보 장치(160)를 이용하여 화재 감지 기능을 구현할 수 있지만, 센서 장치(110)와 경보 장치(160) 외에 별도로 화재 감지기가 더 설치될 수도 있다. The
이러한 지능형 모니터링 장치(130)는 무인국사의 제어 결과를 상위 교환국의 서버에 전송하는데, 여기서 서버는 일반적인 의미의 서버용 컴퓨터 본체일 수 있고, 그 외에 서버 역할을 수행할 수 있는 다양한 형태의 장치로 구현될 수 있다. 구체적으로, 서버는 통신 모듈(미도시), 메모리(미도시), 프로세서(미도시) 및 데이터베이스(미도시)를 포함하는 컴퓨팅 장치에 구현될 수 있는데, 스마트폰이나 TV, PDA, 태블릿 PC, PC, 노트북 PC 및 기타 사용자 단말 장치 등으로 구현될 수 있다. This
상위 교환국의 서버는 무인국사별 관리자에 대한 정보를 저장하고, 관리자가 소지한 관리 단말(미도시)로 무인국사의 제어 결과 또는 알람 상태를 통지할 수 있다. The server of the upper switching center may store information about the manager of each unmanned station, and notify a control result or an alarm state of the unmanned station to a management terminal (not shown) possessed by the manager.
도 3은 본 발명의 일 실시예에 따른 지능형 모니터링 장치의 구성을 설명하는 블럭도이다. 3 is a block diagram illustrating the configuration of an intelligent monitoring device according to an embodiment of the present invention.
지능형 모니터링 장치(130)는 통신부(131), 전원부(132), 전원 감시부(133), 주제어부(134), 냉난방기 제어부(135), 타이머(136), 온도 계측부(137), 전원 계측부(138)를 포함하지만 이에 한정되지는 않는다. The
통신부(131)는 유선 통신 또는 무선 통신 기능을 제공하여, 무인국사의 수용 설비, 상위 교환국의 서버 또는 관리 단말과의 통신을 수행한다. 여기서, 통신부(131)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.The
전원부(132)는 지능형 모니터링 장치(130)가 동작하는데 필요한 전원을 제공한다.The
전원 감시부(133)는 무인국사에 공급되는 전원(AC 220V, DC-48V)을 감시하고, 정전, 누전, 과전류, 단락 등의 전원 장애시 릴레이를 이용하여 전원부(132)에서 공급되는 전원을 선택적으로 온/오프할 수 있다. The
주제어부(134)는 경량 임베디드 시스템용 내장형 AI를 적용하여 무인국사용 종합 감시(MFMS, Multi Functional Monitoring System) 기능을 수행한다. 즉, 주제어부(134)는 인공 지능 기반의 분석 모델을 통해 전원 감시, 전원/온도 알람 검출 및 경보, 냉난방기(150)의 전원/팬/압축기 상태 감시, 출입문(141) 감시, 인터넷 해킹 공격으로부터 실시간 감시 및 차단 기능, 화재 감시 기능, 에너지 절감 기능, 출입자 인식 및 인증 기능 등을 수행한다. The
냉난방기 제어부(135)는 주제어부(134)의 제어에 따라 냉난방기(150)의 온/오프 동작을 수행하는데, 단계별 온도 제어를 통해 에너지를 절감할 수 있도록 한다. 냉난방기 제어부(135)는 주제어부(134)와 독립적인 형태로 구현될 수 있고, 주제어부(134)에 포함될 수도 있다. The
한편, 주제어부(134)는 냉난방기(150)에서 나오는 누수나 천재지변으로 인한 침수에 대비하여 습도 센싱 알고리즘을 적용하여, 습도 센싱 알고리즘에서 센서 장치(110) 내 습도 센서로부터 센서 신호를 수신하여, 현재 습도가 기 설정된 기준 습도 이상인 경우에 냉난방기의 온/오프 동작을 통해 현재 습도를 기준 습도 수준으로 낮추는 동작을 수행할 수 있고, 현재 습도가 기준 습도를 초과하는 습도범위에 따라 단계별로 습도 상태를 통보할 수 있다. On the other hand, the
지능형 모니터링 장치(130)는 타이머(136), 지능형 모니터링 장치(130)의 내부 온도를 계측하는 온도 계측부(137) 및 각종 수용 설비에 대한 전원 계측부(138)를 통해 네트워크 장비와 수용 설비에 대한 감시 및 경보 신호 처리를 수행할 수 있다. The
한편, 지능형 모니터링 장치(130)는 센서 장치(110)에 대한 정확한 상태 모니터링 및 동작 이상 센서를 실시간 파악하여, 센서 장치(110)의 상태 정보를 서버로 전송함으로써 동작 이상 센서의 신속한 교체나 점검이 이루어질 수 있도록 한다. On the other hand, the
도 4는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델의 구조를 설명하는 도면이고, 도 5는 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 합성곱 분해 구조를 설명하는 예시도이다. 도 6은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델이 입력 신호에 대해 분석 결과를 산출하는 과정을 설명하는 도면이고, 도 7은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 CNN 구조를 설명하는 예시도이며, 도 8은 본 발명의 일 실시예에 따른 인공 지능 기반의 분석 모델에 적용되는 Mask R-CNN 구조를 설명하는 예시도이다. 4 is a diagram illustrating the structure of an artificial intelligence-based analysis model according to an embodiment of the present invention, and FIG. 5 shows a convolution decomposition structure applied to an artificial intelligence-based analysis model according to an embodiment of the present invention. This is an example to explain. 6 is a diagram illustrating a process in which an analysis model based on artificial intelligence calculates an analysis result for an input signal according to an embodiment of the present invention, and FIG. 7 is an analysis based on artificial intelligence according to an embodiment of the present invention. FIG. 8 is an exemplary diagram illustrating a structure of CNN applied to a model, and FIG. 8 is an exemplary diagram illustrating a structure of Mask R-CNN applied to an artificial intelligence-based analysis model according to an embodiment of the present invention.
도 4에 도시된 바와 같이, 인공 지능 기반의 분석 모델은 다양한 입력 신호를 수신하고, 수신한 입력 신호들 중에서 선택된 신호에 대해 데이터 전처리를 수행한 후 류(Classification), 군집(Clustering) 및 인식(Recognition) 신호를 추출하는 내장형 AI가 적용된다. 이때, 인공 지능 기반의 분석 모델은 분류 결과의 정확도를 유지하면서, 보다 크기가 작고, 연산을 간소화하는 경량 딥 러닝 알고리즘(deep learning Algorithm)을 적용한다.As shown in FIG. 4, the artificial intelligence-based analysis model receives various input signals, performs data preprocessing on signals selected from among the received input signals, and then performs classification, clustering, and recognition ( Recognition) is applied with built-in AI that extracts signals. At this time, the artificial intelligence-based analysis model maintains the accuracy of the classification result, and applies a lightweight deep learning algorithm that is smaller in size and simplifies calculation.
경량 딥러닝 알고리즘은 기존 클라우드(Cloud) 기반의 학습된 모델을 경량 장치에 내장하기 위한 필수 기술이며, 이를 통해 지연시간 감소, 민감한 개인정보 보호, 네트워크 트래픽 감소와 같은 다양한 장점을 가지게 된다. 경량 딥러닝 알고리즘은 CNN 계열의 모델에서 주로 학습 시 가장 큰 연산량을 요구하는 합성곱 연산을 줄이기 위한 합성곱 필터 기술을 적용한다. 구체적으로, 도 5에 도시된 바와 같이 기존의 합성곱 필터를 채널(Channel) 단위로 먼저 합성곱(Depthwise Convolution)을 하고, 그 결과를 하나의 픽셀(Point)에 대하여 진행하는 합성곱(Pointwise Convolution)으로 나눔으로써 이득을 8~9배 증가시킬 수 있다. The lightweight deep learning algorithm is an essential technology for embedding the existing cloud-based trained model in a lightweight device, and through this, it has various advantages such as reduced latency, protection of sensitive personal information, and reduced network traffic. The lightweight deep learning algorithm applies convolutional filter technology to reduce convolutional computation, which requires the largest amount of computation during training, in CNN-type models. Specifically, as shown in FIG. 5, the conventional convolution filter is first subjected to depthwise convolution in units of channels, and then the result is subjected to pointwise convolution for one pixel (Point). ), the gain can be increased by a factor of 8-9.
일반적인 딥러닝 알고리즘은 과-파라미터화(Over-parameterization) 되어 있기 때문에 모델이 가지는 가중치의 실제 값이 아주 작을 경우 모델의 정확도에 큰 영향을 미치지 못하므로, 경량 딥러닝 알고리즘은 다양한 파라미터의 크기를 줄이기 위해 이 값을 모두 0으로 설정하여 마치 가지치기(Pruning)를 수행하는 것과 같은 효과를 내는 가중치 가지치기(Weight Pruning)를 실시하여 알고리즘 경량화 방식을 적용할 수 있다. Because general deep learning algorithms are over-parameterized, if the actual value of the model's weight is very small, it does not significantly affect the accuracy of the model. Therefore, lightweight deep learning algorithms reduce the size of various parameters. In order to do this, by setting all of these values to 0, weight pruning that produces the same effect as performing pruning can be performed to apply an algorithm lightweight method.
도 6에 도시된 바와 같이, 인공 지능 기반의 분석 모델은 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 수집된 학습 데이터를 전처리하여 출입 통제 기능에 대한 제1 분류 모델, 온도 제어 기능에 대한 제2 분류 모델 및 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 이후 새로운 입력 신호들을 학습된 제1 내지 제3 분류 모델에 입력하여 분류 결과를 출력하고, 분류 결과에 기초하여 제어 설비 대상을 인식한 후 인식된 제어 설비 대상에 대한 제어 신호를 제공할 수 있다.As shown in FIG. 6, the artificial intelligence-based analysis model collects learning data related to remote control of an unmanned station including sensor signals and access monitoring images, and pre-processes the collected learning data to provide first information on the access control function. A classification model, a second classification model for a temperature control function, and a third classification model for a fire detection function are learned, and then new input signals are input to the learned first to third classification models to output a classification result, and classification Based on the result, after recognizing the control facility object, a control signal for the recognized control facility object may be provided.
제1 분류 모델은 CNN(Convolution Neural Network) 모델, 제2 분류 모델은 k-NN(k-nearest neighbor) 분류기, 제3 분류 모델은 네이브 베이즈 분류기(Naive Bayes Classifier)가 적용될 수 있다. A convolution neural network (CNN) model may be applied as the first classification model, a k-nearest neighbor (k-NN) classifier may be applied as the second classification model, and a Naive Bayes classifier may be applied as the third classification model.
제1 분류 모델은 다층 신경망(Multi Layer Perceptron, MLP) 구조를 가지는 CNN 모델이 적용될 수 있고, 도 7에 도시된 바와 같이, CNN 모델은 입력층, 은닉층, 출력으로 구성되며, 출력층에서 구해진 오류 신호를 역전파(Back propagation)하여 내부의 충돌간의 계수를 최적화할 수 있다. As the first classification model, a CNN model having a multi-layer perceptron (MLP) structure may be applied. As shown in FIG. 7, the CNN model consists of an input layer, a hidden layer, and an output, and an error signal obtained from the output layer It is possible to optimize the coefficient between internal collisions by performing back propagation.
이러한 CNN 모델은 입력층에서 출입 감시 영상이 입력되면, 은닉층에서 각종 특징들을 추출하여, 출력층에서 최종적으로 분류 결과(classification)를 출력한다. 구체적으로, CNN 모델은 입력 이미지에 대하여 컨볼루션 필터링(convolution filtering) 연산을 통해 특징 맵(feature map)을 생성한 후, 입력 데이터의 크기를 줄이는 역할을 하는 서브 샘플링(sub sampling) 또는 풀링(pooling)을 수행하며, 서브 샘플링과 컨볼루션 필터링을 여러 단계 반복한 후 최종적으로 생성된 특징들을 일렬로 연결하여 분류(classification)하여 출력한다. In this CNN model, when an access monitoring image is input in the input layer, various features are extracted in the hidden layer and a classification result is finally output in the output layer. Specifically, the CNN model generates a feature map through convolution filtering operation on the input image, and then performs sub sampling or pooling that reduces the size of the input data. ) is performed, sub-sampling and convolution filtering are repeated in several steps, and the finally generated features are connected in a row to be classified and output.
이때, 제1 분류 모델은 CNN 모델 중에서 최근 영상 인식에 가장 많이 적용되는 Mask R-CNN 구조를 이용 무인국사의 출입자 인식 및 인증 기능을 구현할 수 있다. Mask R-CNN은 Faster R-CNN을 확장하여 Instance Segmentation이 가능하도록 발전된 형태로서, Faster R-CNN 기능에 검출한 각각의 박스에 마스크를 씌워주는 기능이 추가된 모델이다. At this time, the first classification model can implement the visitor recognition and authentication functions of the unmanned station by using the Mask R-CNN structure most recently applied to image recognition among CNN models. Mask R-CNN is an advanced form that enables instance segmentation by extending Faster R-CNN, and is a model in which a function to mask each detected box is added to the Faster R-CNN function.
Faster R-CNN은 입력 이미지의 원본 위치 정보가 소수점을 갖고 있을 경우에 원본 좌표에 왜곡이 발생하는 단점이 있지만, Mask R-CNN은 RoI pooling 기법 대신 RoI Align 기법을 사용하여 Faster R-CNN에서의 왜곡 문제를 해결할 수 있다. Faster R-CNN has the disadvantage that distortion occurs in the original coordinates when the original position information of the input image has decimal points. However, Mask R-CNN uses the RoI Align technique instead of the RoI pooling technique and Distortion problem can be solved.
도 8에 도시된 바와 같이, Mask R-CNN은 인접한 화살표로 표시된 4개 격자점 좌표를 이중 선형 보간법(Bilinear interpolation)을 통해 샘플링 포인트(sampling point)의 값을 구하고 비율을 곱해줌으로써 마스크 정확도를 향상시킬 수 있다. As shown in FIG. 8, Mask R-CNN improves mask accuracy by obtaining the value of a sampling point through bilinear interpolation for the coordinates of four lattice points indicated by adjacent arrows and multiplying by the ratio. can make it
Mask R-CNN은 마스크 예측(mask prediction)과 클래스 예측(class prediction)을 분리하여 다른 클래스를 고려할 필요없이 이중 마스크(binary mask)를 예측하면 되기 때문에 성능이 향상될 수 있고, 기존의 Faster R-CNN을 객체 검출(Object Detection) 역할을 하도록 하고, 각각의 RoI(Region of Interest)에 마스크 분할(Mask segmentation)을 해주는 작은 FCN(Fully Connectd Network)을 추가할 수 있으며, 특징 추출을 위해 ResNet-FPN backbone 이용하여 정확도 및 속도를 향상시킬 수 있다. Mask R-CNN can improve performance because it separates mask prediction and class prediction and predicts a binary mask without considering other classes. A small Fully Connected Network (FCN) can be added to perform mask segmentation for each RoI (Region of Interest), and ResNet-FPN for feature extraction. Accuracy and speed can be improved by using backbone.
지능형 모니터링 장치(130)는 사전에 허가된 출입자 정보를 저장하고, CNN 모델에서 제공되는 분류 결과를 사전에 허가된 출입자 정보와 비교하여 출입자 인식 및 인증 기능을 수행하고, 제1 제어 신호를 출입 통제 장치(140)로 전송한다. 이와 같이, 지능형 모니터링 장치는 허가된 소수의 출입자의 얼굴만 인식하면 되므로 인스턴스 분할(Instance Segmentation)이 가능하고, 마스크 정보가 출력되는 Mask R-CNN 방식이 가장 적합할 수 있다. 그러나 지능형 모니터링 장치(130)는 Mask R-CNN 방식 외에도, 기존의 안면 인식 알고리즘을 활용하여 설치 현장마다 서로 다른 소수의 출입자의 얼굴을 일정 기간 학습하여 최종적으로는 허가 받은 출입자와 침입자를 구분할 수 있는 안면 인식 기능을 설치할 수도 있다.The
즉, Mask R-CNN은 마스크를 예측하여 출력할 수 있는데, 마스크는 사람의 얼굴(face)이라는 정보, 즉 일종의 분류(classification) 정보만 제공하는 것이므로, 지능형 모니터링 장치(130)는 Mask R-CNN와 안면 인식 기능을 모두 적용할 수 있다. That is, Mask R-CNN can predict and output a mask. Since a mask provides information that is a person's face, that is, only a kind of classification information, the
제2 분류 모델은 k-NN 분류기를 적용할 수 있는데, k-NN 분류기는 예측을 하고자 하는 새로운 관측치(data)와 이미 정답이 있는 기존 관측치(data) 사이의 거리를 계산하여 가장 가까운 k개 관측치들의 클래스를 확인하여 예측 결과를 산출하는 것이다. The second classification model may apply a k-NN classifier. The k-NN classifier calculates the distance between a new observation (data) to be predicted and an existing observation (data) for which a correct answer has already been obtained, and obtains the nearest k observations. To calculate the prediction result by checking the class of .
k-NN 알고리즘은 데이터 관찰, 거리 계산, 이웃 탐색, 새로운 데이터에 대하여 투표하는 방식으로서, 관측치들끼리 유클리드 거리 계산식을 이용하여 거리를 계산하여 해당 데이터를 가까운 관측치의 데이터와 같은 그룹으로 분류하고, 새로운 데이터가 입력되면 기존 데이터들과의 모든 거리를 계산하여 k개의 가장 가까운 이웃의 클래스를 확인하여 예측 결과를 산출한다. K-NN 알고리즘은 모든 특성들을 모두 고르게 반영하기 위해 정규화(Noramlizaion) 실행한다. The k-NN algorithm is a method of data observation, distance calculation, neighbor search, and voting for new data. The distance is calculated between observations using the Euclidean distance calculation formula, and the data is classified into the same group as the data of nearby observations, When new data is input, all distances from existing data are calculated, and k nearest neighbor classes are identified to produce prediction results. The K-NN algorithm performs regularization (Noramlizaion) to uniformly reflect all features.
이러한 k-NN 알고리즘을 제2 분류 모델에 적용하면, 지능형 모니터링 장치(130)는 냉난방기의 주변 온도가 + 25℃ 이상 일 때에 냉방기를 온(ON) 동작시키고, 주변 온도가 +5~24℃ 일 때에 냉방기를 오프(Off)시키는 동시에 온풍기도 오프 동작시키고, +5℃ 이하 일 때에 온풍기를 온 동작시킬 수 있다. 상한 기준 온도(25℃)와 하한 기준 온도(+5℃)는 무인국사가 위한 지역, 계절, 통풍설비 등에 따라 변경될 수 있다. When the k-NN algorithm is applied to the second classification model, the
이와 같이, 기존에는 정해진 온도에 따라 냉방기와 온풍기를 교대로 동작시킴으로써 냉난방이 필요하지 않은 상온에서도 냉방기 또는 온풍기가 동작되어 불필요한 에너지가 소모되었고, 냉난방기가 항시 운전 상태이므로 고장이나 오동작이 빈번히 발생하였다. 그러나. 지능형 모니터링 장치(130)는 단계별 온도 제어 알고리즘을 적용하여 냉난방기의 작동 오류를 줄이고, 상온(+5~24℃)에서 냉방기와 온풍기를 모두 오프 동작시킴으로써 현재 사용 전력의 1/2로 줄이는 에너지 절감 효과를 제공할 수 있다. As such, in the past, by operating the air conditioner and the fan heater alternately according to a predetermined temperature, the air conditioner or the fan heater is operated even at room temperature where cooling and heating are not necessary, consuming unnecessary energy. however. The
또한, 제2 분류 모델은 습도 센싱 알고리즘에 적용하여 무인국사 내 습도가 20~90%(±5%) 이면 정상 또는 기 설정된 시간 동안 송풍 동작 실행, 습도가 90% 이상이면 경보(Alert), 95% 이상이면 경고(Warning), 98% 이상이면 알람(Alarm)을 발생함으로써 기존에 습도 센서 동작으로 인해 관리자가 누수 여부를 확인하기 위한 불필요한 출동을 방지할 수 있다. In addition, the second classification model is applied to the humidity sensing algorithm, and if the humidity in the unmanned station is 20 to 90% (± 5%), the blowing operation is performed for a normal or predetermined time, and if the humidity is 90% or more, an alarm (Alert), 95 If it is more than %, a warning is issued, and if it is more than 98%, an alarm is generated, so the manager can prevent unnecessary dispatch to check for water leakage due to the existing humidity sensor operation.
제3 분류 모델에 적용되는 네이브 베이즈 분류기는 강한 독립을 가정한 베이즈 정리(Bayes' theorem)에 기반을 둔 확률 분류기로서, 각 사건들이 서로 영향을 주지 않는 독립적인 관계라고 가정한다면 베이즈 정리는 하기 수학식 1과 같이 표현될 수 있다.The Naïve Bayes classifier applied to the third classification model is a probabilistic classifier based on Bayes' theorem that assumes strong independence. Can be expressed as in Equation 1 below.
[수학식 1][Equation 1]
[수학식 2][Equation 2]
수학식 1을 화재 감지 기능에 대한 제3 분류 모델에 적용하면, F는 CO, H2, 온도, 열, 습도, 연기 등의 센서값이고, C는 화재 발생 확률이 된다. When Equation 1 is applied to the third classification model for the fire detection function, F is the sensor value of CO, H 2 , temperature, heat, humidity, smoke, etc., and C is the fire occurrence probability.
수학식 2에서, P(A/B)는 B가 발생할 확률 아래 A가 발생할 확률이고, P(B/A)는 A가 발생할 확률 아래 B가 발생할 확률이며, P(A), P(B)는 각 A, B가 발생할 확률을 나타낸다. In Equation 2, P(A/B) is the probability of A occurring under the probability of B occurring, P(B/A) is the probability of B occurring under the probability of A occurring, P(A), P(B) represents the probability of occurrence of each A and B.
즉, P(Fire/Smoke)는 연기(smoke)를 볼 때 얼마나 자주 화재(Fire)가 발생했는지를 의미하고, (Smoke/Fire)는 화재(Fire)가 발생했을 때 얼마나 자주 연기(Smoke)가 발생했는지를 의미한다. 일례로, 수학식 3과 같이 위험한 화재 발생확률 1%[P(Fire)=1%]이며, 연기 발생 확률 10%[P(Smoke)=10%] 라고 가정하면, 위험한 화재의 90%에서 연기가 발생[P(Smoke/Fire)=90%], 연기가 발생했을 때 위험한 화재인 확률은 9% 라는 의미가 된다. In other words, P (Fire/Smoke) means how often fire occurred when seeing smoke, and (Smoke/Fire) means how often smoke occurred when fire occurred. means that it happened As an example, as shown in Equation 3, assuming that the probability of occurrence of dangerous fire is 1% [P(Fire)=1%] and the probability of occurrence of smoke is 10% [P(Smoke)=10%], smoke in 90% of dangerous fires Occurs [P(Smoke/Fire)=90%], meaning that the probability of a dangerous fire when smoke occurs is 9%.
[수학식 3][Equation 3]
P(Fire/Smoke) = P(Fire)P(Smoke/Fire)/P(Smoke) = 1% x 90% /10% = 9% P(Fire/Smoke) = P(Fire)P(Smoke/Fire)/P(Smoke) = 1% x 90% /10% = 9%
일반적으로 화재 성장 단계는 초기 열분해단계, 연기 발생 단계, 불꽃 발생 단계 및 열발생 단계로 진전된다. In general, the fire growth stage progresses to an initial pyrolysis stage, a smoke generation stage, a flame generation stage, and a heat generation stage.
따라서, 지능형 모니터링 장치(130)는 온도 센서, 습도 센서, 열 감지 센서, 가스 감지 센서, 불꽃 감지 센서 등의 센서 장치(110)를 이용하여 연기 발생 전의 초기 열분해 단계에서 발생하는 CO, H2를 초기에 검출하여 긴급 상황을 미리 통보하도록 화재 알람 신호를 구분하여 경보 장치(160)를 동작시킬 수 있는 제3 제어 신호로 전송할 수 있다. Therefore, the
한편, 인공 지능 기반의 분석 모델은 장애 발생에 대한 데이터들을 수집하고, 수집된 데이터들을 이용하여 장애에 대한 원인 분석으로 장애 발생 데이터를 예측할 수 있고, 예측된 장애 발생 데이터를 이용하여 예지 정비를 수행하도록 한다. On the other hand, an artificial intelligence-based analysis model collects data on occurrence of failures, predicts failure occurrence data by analyzing causes of failures using the collected data, and performs predictive maintenance using the predicted failure occurrence data. let it do
이와 같이, 지능형 모니터링 장치(130)는 유무선 무인국사 내 설치된 네트워크 장비나 냉난방장치에 공급되는 수용 전원시설에 대한 감시 및 경보 신호 처리를 수행할 뿐만 아니라, 출입구 또는 출입문(141)에 카메라 장치(120)를 설치하여 사전에 허가된 출입자(관리자)에 대해서 출입을 인가하고, 비인가 출입자에 대해서는 출입을 통제할 수 있으며, 무인국사에 화재 발생시 화재 성장 단계별 알람 기능을 통보할 수 있으며, 온도와 습도를 측정하여 불필요한 냉난방 장치(150)의 사용을 통제하여 에너지 효율을 극대화할 수 있다. In this way, the
이상에서 설명한 본 발명의 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.The embodiments of the present invention described above may be implemented in the form of a recording medium including instructions executable by a computer, such as program modules executed by a computer. Such recording media includes computer readable media, which can be any available media that can be accessed by a computer, and includes both volatile and nonvolatile media, removable and non-removable media. Computer readable media also includes computer storage media, both volatile and nonvolatile, implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data. , including both removable and non-removable media.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts should be construed as being included in the scope of the present invention. do.
100 : 인공 지능 기반의 무인국사용 종합 감시 시스템
110 : 센서 장치
120 : 카메라 장치
130 : 지능형 모니터링 장치
131 : 통신부
132 : 전원부
133 : 전원 감시부
134 : 주제어부
135 : 냉난방기 제어부
135 : 타이머
137 : 온도 계측부
138 : 전원 계측부
140 : 출입 통제 장치
150 : 냉난방 장치
150 : 경보 장치100: Comprehensive monitoring system for unmanned station based on artificial intelligence
110: sensor device
120: camera device
130: intelligent monitoring device
131: Communication Department
132: power supply
133: power monitoring unit
134: main fisherman
135: air conditioner control unit
135: timer
137: temperature measuring unit
138: power measuring unit
140: access control device
150: air conditioner
150: alarm device
Claims (5)
무인국사의 내부 또는 외부에 설치되어, 무인국사에 대한 환경 변화를 감지하여 센서 신호를 제공하는 센서 장치;
상기 무인국사의 출입구에 설치되어, 상기 출입구로 출입하는 출입자를 촬영하여 출입 감시 영상을 제공하는 카메라 장치;
상기 무인국사 내 기 설정된 기준 온도에 따라 냉방 동작 또는 난방 동작을 수행하는 냉난방 장치; 및
인공 지능 기반의 분석 모델을 이용하여 상기 출입 감시 영상에 기반하여 사전에 허가된 출입자에 제한하여 출입을 허가하는 출입 통제 기능을 수행하고, 상기 센서 신호 중 온도 감지 신호에 기반하여 상한 기준 온도와 하한 기준 온도에 따라 단계별로 냉방 또는 난방을 결정하는 온도 제어 기능을 수행하며, 상기 센서 신호를 분석하여 화재 감지시 화재 성장 단계별로 화재 알람 신호를 발생하는 화재 감지 기능을 수행하여, 수용 설비에 대한 제반 제어 동작을 통해 무인국사의 종합 감시를 기능을 수행하는 지능형 모니터링 장치를 포함하되,
상기 인공 지능 기반의 분석 모델은,
상기 센서 신호, 출입 감시 영상을 포함한 무인국사의 원격 제어와 관련된 학습 데이터를 수집하고, 상기 수집된 학습 데이터를 전처리하여 상기 출입 통제 기능에 대한 제1 분류 모델, 상기 온도 제어 기능에 대한 제2 분류 모델 및 상기 화재 감지 기능에 대한 제3 분류 모델을 학습하고, 상기 학습된 제1 내지 제3 분류 모델을 통해 산출되는 분류 결과에 따라 제어 설비 대상을 인식하고, 인식된 제어 설비 대상에 대한 제어 신호를 제공하는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템. In an artificial intelligence-based comprehensive monitoring system for unmanned station use that performs remote control of network equipment and accommodating facilities installed in an unmanned station,
A sensor device installed inside or outside the unmanned station, detecting environmental changes for the unmanned station and providing a sensor signal;
a camera device installed at the entrance of the unmanned bureau and providing an access monitoring image by capturing a person entering and exiting the entrance;
a cooling/heating device that performs a cooling operation or a heating operation according to a preset reference temperature in the unmanned station; and
Using an artificial intelligence-based analysis model, it performs an access control function that permits access by restricting access to previously authorized visitors based on the access monitoring image, and based on the temperature detection signal among the sensor signals, the upper limit reference temperature and the lower limit It performs a temperature control function that determines cooling or heating in stages according to the reference temperature, analyzes the sensor signal, and performs a fire detection function that generates a fire alarm signal for each stage of fire growth upon detection of a fire by analyzing the sensor signal. Including an intelligent monitoring device that performs the function of comprehensive monitoring of an unmanned station through a control operation,
The artificial intelligence-based analysis model,
Learning data related to remote control of the unmanned station including the sensor signals and access monitoring images is collected, and the collected learning data is pre-processed to obtain a first classification model for the access control function and a second classification for the temperature control function. A model and a third classification model for the fire detection function are learned, a control facility object is recognized according to a classification result calculated through the learned first to third classification models, and a control signal for the recognized control facility object is learned. A comprehensive surveillance system for unmanned stations based on artificial intelligence, which provides a.
상기 센서 장치는, 온도 센서, 습도 센서, 열감지 센서, 연기 센서, 불꽃감지 센서, 수소 가스 또는 일산화산소를 포함한 가스를 감지하는 가스 감지 센서 중 적어도 하나 이상의 센서를 포함하는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템. According to claim 1,
The sensor device includes at least one sensor of a temperature sensor, a humidity sensor, a heat sensor, a smoke sensor, a flame sensor, and a gas sensor for detecting a gas including hydrogen gas or oxygen monoxide, based on artificial intelligence. Comprehensive surveillance system for unmanned station use in Korea.
상기 제2 분류 모델은,
상기 적어도 하나 이상의 센서를 통해 제공되는 센서 신호를 분석하여, 초기 열분해 단계, 연기 발생 단계, 불꽃 발생 단계 및 열 발생 단계로 화재 성장 단계를 구분하여 화재 알람 신호를 제공하는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템. According to claim 2,
The second classification model,
Analyzing the sensor signal provided through the at least one or more sensors, providing a fire alarm signal by dividing the fire growth stage into an initial pyrolysis stage, a smoke generation stage, a flame generation stage, and a heat generation stage. Comprehensive monitoring system for unmanned stations.
상기 출입구에 설치되어, 상기 제1 분류 모델의 분류 결과에 기반한 제어 신호에 따라 출입구의 열림/닫힘 기능을 수행하는 출입 통제 장치; 및
상기 지능형 모니터링 장치에서 전송되는 제어 신호에 따라 화재 알람, 침입 경보, 누전/누수, 수용 설비의 이상 상태를 포함한 알람 상태를 알려주는 경보 장치를 더 포함하는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템. According to claim 1,
an access control device installed in the entrance and opening/closing the entrance according to a control signal based on a classification result of the first classification model; and
In accordance with the control signal transmitted from the intelligent monitoring device, it further includes an alarm device that informs alarm conditions including fire alarms, intrusion alarms, electrical leakage / water leakage, and abnormal conditions of accommodation facilities, artificial intelligence-based unmanned station use comprehensive surveillance system.
상기 지능형 모니터링 장치는,
상기 제2 분류 모델의 분류 결과에 기반하여, 상기 냉난방 장치의 주변 온도가 상한 기준 온도 이상일 경우에 냉방기의 동작시키고, 하한 기준 온도 이하일 경우에 온풍기를 동작시키며, 상한 기준 온도와 하한 기준 온도 사이의 상온일 경우에 냉방기와 온풍기를 모두 오프 동작시키는 온도 제어 기능을 수행하는 것인, 인공 지능 기반의 무인국사용 종합 감시 시스템. According to claim 1,
The intelligent monitoring device,
Based on the classification result of the second classification model, the air conditioner is operated when the ambient temperature of the air conditioner is equal to or higher than the upper limit reference temperature, and the warmer is operated when the temperature is lower than the lower limit reference temperature. An artificial intelligence-based comprehensive monitoring system for unmanned station use, which performs a temperature control function of turning off both the air conditioner and the fan heater when the temperature is normal.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210083150A KR102606526B1 (en) | 2021-06-25 | 2021-06-25 | System for multi functional monitoring of unmanned stations based on Artificial Intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210083150A KR102606526B1 (en) | 2021-06-25 | 2021-06-25 | System for multi functional monitoring of unmanned stations based on Artificial Intelligence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230000704A true KR20230000704A (en) | 2023-01-03 |
| KR102606526B1 KR102606526B1 (en) | 2023-11-29 |
Family
ID=84924551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210083150A KR102606526B1 (en) | 2021-06-25 | 2021-06-25 | System for multi functional monitoring of unmanned stations based on Artificial Intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102606526B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070059275A (en) * | 2005-12-06 | 2007-06-12 | 백현정 | Surveillance control system for unmanned terminal for station affairs |
| KR20190136187A (en) * | 2018-05-30 | 2019-12-10 | 인천대학교 산학협력단 | System and Method for Alarming Fire Embedded with AI Techniques |
| KR20210041806A (en) * | 2019-10-08 | 2021-04-16 | 채명진 | METHOD FOR MANAGING SMART BUILDING USING IoT SENSOR AND ARTIFICIAL INTELIGENCE |
-
2021
- 2021-06-25 KR KR1020210083150A patent/KR102606526B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070059275A (en) * | 2005-12-06 | 2007-06-12 | 백현정 | Surveillance control system for unmanned terminal for station affairs |
| KR20190136187A (en) * | 2018-05-30 | 2019-12-10 | 인천대학교 산학협력단 | System and Method for Alarming Fire Embedded with AI Techniques |
| KR20210041806A (en) * | 2019-10-08 | 2021-04-16 | 채명진 | METHOD FOR MANAGING SMART BUILDING USING IoT SENSOR AND ARTIFICIAL INTELIGENCE |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102606526B1 (en) | 2023-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11774922B2 (en) | Building management system with artificial intelligence for unified agent based control of building subsystems | |
| US9852605B2 (en) | Systems and methods of dynamically varying a pre-alarm time of a security system | |
| JP6786395B2 (en) | Person authentication and tracking system | |
| AU2020265650B2 (en) | Machine learning motion sensing with auxiliary sensors | |
| JP2011523106A (en) | Image sensor, alarm system and method for classifying objects and events | |
| US11011036B2 (en) | Object tracking using disparate monitoring systems | |
| CN111562745A (en) | Intelligent control system and intelligent control method | |
| US20230070772A1 (en) | Active threat tracking and response | |
| KR101569324B1 (en) | System of smart monitoring for life saving | |
| US11748993B2 (en) | Anomalous path detection within cameras' fields of view | |
| KR102234556B1 (en) | Controllong apparatus for processing of unmanned store access | |
| CN109917771A (en) | Room O&M of standing monitors system | |
| CN114913663A (en) | Anomaly detection method and device, computer equipment and storage medium | |
| US11200793B2 (en) | Notifications for camera tampering | |
| KR102606526B1 (en) | System for multi functional monitoring of unmanned stations based on Artificial Intelligence | |
| KR102561365B1 (en) | Deep learning system for abnormal phenomenon detection in the underground power distribution line | |
| CN116546438A (en) | Building monitoring system based on Bluetooth MESH network | |
| CN110176807A (en) | Room O&M of standing monitors system | |
| TWI645376B (en) | The security system of composite sensing elements | |
| Anagnostopoulos et al. | Spatiotemporal authentication system architecture for smart campus safety | |
| CN110980457A (en) | Elevator control system based on internet of things | |
| KR102668287B1 (en) | Monitorable electric vehicle charging station fire prevention distribution panel and the operating method | |
| KR102326193B1 (en) | CCTV-integrated security system for emergency door | |
| US11983963B2 (en) | Anti-spoofing visual authentication | |
| CN117912186A (en) | Intelligent security linkage early warning system based on big data service |
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 |