KR20230083919A - 건설 현장의 동적 안전 관제 방법 및 시스템 - Google Patents

Abstract

작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상 정보를 분석하여 영상 기반 예측 정보를 생성하는 AI 영상 예측 모듈, 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 현장 정보 예측 모듈, 및 영상 기반 예측 정보 및 데이터 기반 예측 정보를 사용하여 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 안전 규칙 종합 모듈을 포함하는, 작업 현장의 안전 관제 시스템이 제공된다.

Description

건설 현장의 동적 안전 관제 방법 및 시스템{METHOD AND SYSTEM FOR SAFETY CONTROL FOR CONSTRUCTION SITE}

본 기재는 건설 현장의 안전 상황을 동적으로 관제하는 방법 및 장치에 관한 것이다.

여러 근로 현장에는, 감시 카메라와 여러 종류의 센서가 설치되고, 중앙에 별도로 설치된 관제 센터의 직원이 카메라 영상을 모니터링하는 안전 관제 방법이 사용된다. 이러한 안전 관제 방법에서, 근로 현장은 사람의 눈으로 직접 확인되기 때문에 위험 상황의 판단은 관제 센터의 직원의 경험에 의존하게 되고, 다양한 사고 사례의 분석 결과가 적용되기 어렵다. 더욱이 관제 센터의 직원이 여러 지점의 영상을 동시에 관찰하기 때문에, 사소한 안전 위협 요소가 간과되기 쉽다.

이러한 단점을 보안하기 위해, 인공지능(Artificial Intelligence, AI) 기술이 현장의 영상 분석에 도입되고 있다. AI 영상 분석은 화재 감지 등, 영상에서 구분되는 특징이 명확한 경우에는 효과적이지만, 대부분 위험한 상황이 벌어진 이후가 되어야 이벤트가 감지될 수 있다는 것이 단점이다. 이벤트가 발생된 후 감지되면, 이후에 알람을 통해 위험 발생이 전달하는 과정에서 다시 지체가 발생하게 되고, 위험이 이미 커진 이후, 경우에 따라서는 이미 사고가 발생한 이후에 알람이 울리게 될 수 있다.

한편, 영상만으로 작업자에 발생한 위험을 판단하는 것은 한계가 있다. 이때 관제 센터로 많은 양의 영상 데이터가 집중될 때, 영상의 AI 분석은 제한적으로 수행될 수 있다. 중앙 관제 센터까지 물리적인 통신 시간이 소요됨에 따라, 영상 촬영부터, 중앙 관제 센터의 분석을 거쳐, 다시 현장에 전달될 위험 상황 알림까지 시간이 많이 필요하고, 긴급한 상황에는 적용되기 어렵다는 문제가 있다.

한 실시예는 작업 현장의 안전 관제 시스템을 제공한다.

다른 실시예는 작업 현장의 안전 관제 방법을 제공한다.

한 실시예에 따르면, 작업 현장의 안전을 관제하는 시스템이 제공된다. 상기 시스템은, 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 AI 영상 예측 모듈, 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 현장 정보 예측 모듈, 및 영상 기반 예측 정보 및 데이터 기반 예측 정보를 사용하여 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 안전 규칙 종합 모듈을 포함한다.

상기 시스템에서, AI 영상 예측 모듈은 영상 내에서 인식된 객체들의 연관 정보를 객체 연관 정보 데이터베이스(database, DB)에 질의하고, 객체 연관 정보 DB로부터 객체들의 연관도, 연관 속성, 및 거리 별 위험도 중 적어도 하나를 수신할 수 있다.

상기 시스템에서, AI 영상 예측 모듈은 연관도, 연관 속성, 및 거리 별 위험도 중 적어도 하나를 사용하여 영상 기반 예측 정보를 생성할 수 있다.

상기 시스템에서, 현장 정보 예측 모듈은 센서 데이터를 분석할 때, 인터넷으로부터 예측/예보에 관한 공공 데이터를 수집하고, 공공 데이터 및 센서 데이터를 바탕으로 예측 알고리즘을 수행할 수 있다.

상기 시스템에서, 예측 알고리즘은 공공 데이터에 대해 기계학습을 수행하여 센서 데이터가 변화하는 패턴을 인식하는 단계 및 인식된 패턴을 센서 데이터에 적용하여 센서 데이터의 변화량을 예측하는 단계를 포함할 수 있다.

상기 시스템에서, 안전 규칙 종합 모듈은, 예측 정보 데이터베이스(database, DB)에 미리 결정된 시간까지의 영상 기반 예측 정보 및 데이터 기반 예측 정보를 질의하고, 예측 정보 DB로부터 영상 기반 예측 정보 및 데이터 기반 예측 정보를 수신할 수 있고, 예측 정보 DB에는 미리 결정된 시간 간격마다 영상 기반 예측 정보 및 데이터 기반 예측 정보가 저장될 수 있다.

상기 시스템에서, 적어도 하나의 안전 규칙은 위험도 기반 안전 규칙, 예방적 안전 규칙, 및 종합적 안전 규칙을 포함할 수 있다.

상기 시스템에서, 안전 규칙 종합 모듈은, 영상 내의 객체 사이의 연관도 및 연관 속성을 객체 연관 정보 DB에 질의하고, 객체 연관 정보 DB로부터 연관도 및 연관 속성을 수신할 수 있다.

상기 시스템에서, 안전 규칙 종합 모듈은 연관도 및 연관 속성을 참조하여 적어도 하나의 안전 규칙을 생성할 수 있다.

상기 시스템에서, 안전 규칙 종합 모듈은 적어도 하나의 안전 규칙의 알람 조건을 갱신할 수 있다.

다른 실시예에 따르면, 작업 현장의 안전을 관제하는 방법이 제공된다. 상기 방법은, 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 단계, 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 단계, 영상 기반 예측 정보 및 데이터 기반 예측 정보를 사용하여 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계, 및 미리 설정된 조건에 따라 적어도 하나의 안전 규칙을 실행하는 단계를 포함한다.

상기 방법에서, 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 단계는, 영상 내에서 인식된 객체들의 연관 정보를 객체 연관 정보 데이터베이스(database, DB)에 질의하는 단계, 및 객체 연관 정보 DB로부터 객체들의 연관도, 연관 속성, 및 거리 별 위험도 중 적어도 하나를 수신하는 단계를 포함할 수 있다.

상기 방법에서, 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 단계는, 연관도, 연관 속성, 및 거리 별 위험도 중 적어도 하나를 사용하여 영상 기반 예측 정보를 생성하는 단계를 더 포함 할 수 있다.

상기 방법에서, 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 단계는, 센서 데이터를 분석할 때, 인터넷으로부터 예측/예보에 관한 공공 데이터를 수집하고, 공공 데이터 및 센서 데이터를 바탕으로 예측 알고리즘을 수행하는 단계를 포함할 수 있다.

상기 방법에서, 예측 알고리즘은 공공 데이터에 대해 기계학습을 수행하여 센서 데이터가 변화하는 패턴을 인식하는 단계 및 인식된 패턴을 센서 데이터에 적용하여 센서 데이터의 변화량을 예측하는 단계를 포함할 수 있다.

상기 방법에서, 영상 기반 예측 정보 및 데이터 기반 예측 정보를 사용하여 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계는, 예측 정보 데이터베이스(database, DB)에 미리 결정된 시간까지의 영상 기반 예측 정보 및 데이터 기반 예측 정보를 질의하고, 예측 정보 DB로부터 영상 기반 예측 정보 및 데이터 기반 예측 정보를 수신하는 단계를 포함할 수 있고, 예측 정보 DB에는 미리 결정된 시간 간격마다 영상 기반 예측 정보 및 데이터 기반 예측 정보가 저장될 수 있다.

상기 방법에서, 적어도 하나의 안전 규칙은 위험도 기반 안전 규칙, 예방적 안전 규칙, 및 종합적 안전 규칙을 포함할 수 있다.

상기 방법에서, 영상 기반 예측 정보 및 데이터 기반 예측 정보를 사용하여 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계는, 영상 내의 객체 사이의 연관도 및 연관 속성을 객체 연관 정보 DB에 질의하고, 객체 연관 정보 DB로부터 연관도 및 연관 속성을 수신하는 단계를 포함할 수 있다.

상기 방법에서, 영상 기반 예측 정보 및 데이터 기반 예측 정보를 사용하여 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계는, 연관도 및 연관 속성을 참조하여 적어도 하나의 안전 규칙을 생성하는 단계를 더 포함할 수 있다.

상기 방법에서, 미리 설정된 조건에 따라 적어도 하나의 안전 규칙을 실행하는 단계는, 적어도 하나의 안전 규칙의 알람 조건을 갱신하는 단계를 포함할 수 있다.

건설현장을 비롯한 다양한 산업 현장에서 작업자의 안전에 위협이 되는 상황을 미리 동적으로 빠르게 예측하여, 작업자의 근무 환경을 보다 안전하게 할 수 있다.

도 1은 한 실시예에 따른 현장 대응을 위한 안전 관제 시스템을 나타낸 도면이다.
도 2는 한 실시예에 따른 AI 기술을 활용한 안전 관제 시스템을 나타낸 도면이다.
도 3은 한 실시예에 따른 동적 안전 관제 플랫폼을 나타낸 도면이다.
도 4는 한 실시예에 따른 동적 안전 관제 방법을 나타낸 흐름도이다.
도 5는 한 실시예에 따른 AI 영상 예측 모듈에 의한 동적 안전 관제 절차를 나타낸 흐름도이다.
도 6은 한 실시예에 따른 현장 정보 예측 모듈에 의한 동적 안전 관제 절차를 나타낸 흐름도이다.
도 7은 한 실시예에 따른 동적으로 생성된 안전 규칙에 의한 동적 안전 관제 절차를 나타낸 흐름도이다.
도 8은 한 실시예에 따른 동적 안전 관제 시스템을 나타낸 블록도이다.

아래에서는 첨부한 도면을 참고로 하여 본 기재의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 기재는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 기재를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 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 의미한다.

본 명세서에서 단수로 기재된 표현은 "하나" 또는 "단일" 등의 명시적인 표현을 사용하지 않은 이상, 단수 또는 복수로 해석될 수 있다.

본 명세서에서 "및/또는"은 언급된 구성 요소들의 각각 및 하나 이상의 모든 조합을 포함한다.

본 명세서에서, 제1, 제2 등과 같이 서수를 포함하는 용어들은 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.

본 명세서에서 도면을 참고하여 설명한 흐름도에서, 동작 순서는 변경될 수 있고, 여러 동작들이 병합되거나, 어느 동작이 분할될 수 있고, 특정 동작은 수행되지 않을 수 있다.

도 1은 한 실시예에 따른 현장 대응을 위한 안전 관제 시스템을 나타낸 도면이다.

도 1을 참조하면, 건설 현장에 적용된 안전 관제 시스템이 도시되어 있다. 일반적으로 현장 대응용 안전 관제 시스템은, 화재 감지를 위한 센서 등 여러 IoT(Internet of Things) 장치들과, 현장 상황을 시각적으로 확인하기 위한 카메라를 포함할 수 있다. IoT 장치 및 카메라로부터 수집된 현장 영상 및 센서 데이터는 현장 네트워크를 통해 현장에 설치된 안전 관제 플랫폼으로 전송되고, 안전관리자는 안전 관제 플랫폼에 연결된 모니터를 통해 현장의 상황을 관리할 수 있다.

도 1의 실시예에 따른 안전 관제 플랫폼은 WiFi, 5G/LTE, Ethernet 등의 여러 통신 방식을 지원하는 네트워크 장치 및 현장 수집 데이터를 저장하는 데이터베이스(Database, DB)를 포함할 수 있다. 그리고 화재 감지 등을 위해, 특정 온도 센서의 조건에 대한 알림 설정을 위한, 규칙 기반의 위험 분석 모듈을 포함할 수 있다. 또한 안전 관제 플랫폼은 관리 서비스를 제공하기 위해, 전체적인 시스템 관리를 위한 시스템 관리 모듈, 외부 연결을 담당할 API(Application Programing Interface), 및 안전관리자에게 위험상황을 알리기 위한 사용자 인터페이스(User Interface) 모듈을 포함할 수 있다.

안전 관제는 현장 카메라와, 이를 연결하는 네트워크, 그리고 디스플레이로 구성될 수 있고, 안전 관리자는 디스플레이를 통해 실시간 영상을 보면서, 안전 여부를 감시할 수 있다. 도 1이 도시된 대로, 안전 관제 플랫폼이 안전 관리자에 의한 안전 관제에 더해지면, 현장에 설치된 여러 IoT 센서 장치에 의해 위험 상황이 보고되고 분석 모듈에 의해 위험 상황이 인지될 수 있다. 예를 들어, 온도 센서로부터 50도 이상을 화재 상황으로 인지하는 규칙(rule)이 위험 분석 모듈에 입력될 때, 현장의 화재 상황이 IoT 장치에 의해 조기에 인지될 수 있다.

하지만 현장 카메라에 의해 획득되는 실시간 현장 영상은 안전 관리자의 눈으로 직접 감시될 필요가 있다. 최근, 인공지능(Artificial Intelligence, AI) 기술이 발전함에 따라, AI 기술이 부가된 형태의 안전 관제 시스템이 도입되고 있다.

도 2는 한 실시예에 따른 AI 기술을 활용한 안전 관제 시스템을 나타낸 도면이다.

도 2에는 영상 분석을 활용한 현장 대응용 안전 관제 시스템이 도시된다. 현장 카메라에 의해 획득된 현장의 영상은 안전 관리자에 의해 모니터링될 수 있고, 동시에 영상 분석 모듈에 의해 분석될 수 있다. 예를 들어, 영상 분석을 통해, 객체 감지(Object Detection), 얼굴 인식이 수행될 수 있고, 화재 감시 등 특수 상황 인지도 가능하다. 객체 감지에서, 안전모 등의 안전 장비가 감지됨으로써, 안전 장비 유무의 확인이 가능할 수 있다.

영상 분석 기술은 현재 발전하고 있는 단계이고, 안전 장비 유무를 쉽게 판단할 수 있다는 점에서 안전 관제에 도움이 될 수 있지만, 영상 분석만으로 현장 상황이 안전한지 위험한지 여부를 판단하는 것은 어렵다. 다만, 영상 분석 기술은, 화재 불꽃 감지와 같은, 특별한 객체가 발생하는 상황에는 한정적으로 위험 인지를 위해 적용될 수 있다.

안전 관제에 있어서 가장 중요한 점은 빠르고 신속하게 위험 상황인지 여부를 인식하는 것이다. 그리고 위험 상황의 발생을 미리 예측함으로써 위험 가능성에 관한 알람을 현장에 미리 전달할 수 있다면, 사고를 방지할 확률은 더 커질 것이다. 효과적인 안전 관제를 위해서는 보다 동적으로 위험 가능성을 분석하고 파악하여, 위험 가능성을 신속하게 알릴 필요가 있다. 현재 데이터, 예를 들어 현재의 영상(예를 들어 불꽃 감지), 현재의 높은 현장 온도 등을 기준으로 위험 여부를 판단하는 경우, 위험이 조기에 감지되기 어렵다.

아래에서는 도 3 내지 도 7을 참조하여 위험 상황을 선제적으로 예측하는, 동적 안전 관제 방법을 설명한다.

도 3은 한 실시예에 따른 동적 안전 관제 플랫폼을 나타낸 도면이다.

도 3을 참조하면, 한 실시예에 따른 동적 안전 관제 플랫폼(100)은 관리 서비스(110), 코어 서비스(120), 및 장치 연결 서비스(130)를 제공할 수 있다.

코어 서비스(120)의 AI 영상 예측 모듈(121)은 카메라로부터 획득된 영상의 AI 분석을 통해 위험한 상황이 벌어질 가능성에 대한 예측을 수행할 수 있다. 예를 들어 현장 내의 작업자는 굴착기의 포켓의 회전 반경(반시계방향) 안에 위치하고 있는데, AI 영상 예측 모듈(121)은 이러한 상황을 미연에 방지할 수 있다. 즉, AI 영상 예측 모듈(121)은 작업자의 동선을 예측하여 장비의 회전반경 내에 작업자가 위치하게 되는 것을 미리 예측하고 주의 경보를 현장 또는 해당 작업자에게 전달할 수 있다. 이후 굴착기의 포켓이 작업자 쪽으로(반시계방향)으로 기동하게 되면, AI 영상 예측 모듈(121)은 2단계 경보를 발생시킬 수 있다. 굴착기의 포켓과 작업자가 특정 거리 (예를 들어 1m) 이내로 가까워지면 3단계 최고 수위의 경보 알람을 현장에 전파한다. 직접적인 위험 발생은 AI 영상 예측 모듈이 직접 동적 안전 관제 모듈을 통해, 현장 근로자에 알람을 전달할 수 있다. 또한 좀더 복합적인 분석을 위해, 예측 정보 DB에 이런 위험 정보를 실시간으로 저장하여, 다른 정보와의 종합 분석이 가능하게 한다.

코어 서비스(120)의 현장 정보 예측 모듈(122)은 다양한 센서 및 IoT 장치로부터 수집된 현장의 센서 데이터 및 외부로부터 수신된 예측/예보 관련 공공 데이터를 바탕으로 현장 상황의 변화를 예측할 수 있다. 예를 들어, 현장의 A지점의 기온이 11시 현재 30도일 때, 현장 정보 예측 모듈(122)은 외부로부터 수신된 기상예보 및 연간 기상정보를 종합하여, 장래(예를 들어, 15시)의 일 최고 기온을 예측할 수 있다. 예측된 일 최고 기온이 미리 설정된 온도(예를 들어, 35도)를 넘을 것으로 예측될 때, 현장에 폭염 알람이 발생할 수 있다. 예측 기온과 비교되는 미리 설정된 온도는, 35℃, -10℃ 등 임의로 설정된 기준 또는 폭염 특보 기준, 한파 특보 기준 등의 기상청 권고 기준일 수 있다. 이후 현장 정보 예측 모듈(122)에 의해 예측된 결과는 예측 정보 DB(125)에 저장되고, 종합 분석에 사용될 수 있다.

한 실시예에 따르면, 안전 규칙 종합 모듈(123), 객체 연관 정보 DB(126), 및 예측 정보 DB(125)가, 개별적 현장 정보와 현장 영상을 복합적으로 분석하기 위해 사용될 수 있다.

객체 연관 정보 DB(126)는 인터넷을 통해, 현장의 위험에 연관된 객체 간의 관계 정보, 즉 연관도를 수집할 수 있다. 일부 연관도는 현장 관계자의 경험에 의존하여 초기에 객체 연관 정보 DB(126) 내에 입력될 수 있다. 예를 들어, 용접 작업의 화재 위험은 근처에 인화성 물질이 있을 때 더 높아지므로, 용접기와 인화성 물질의 연관도가 높은 수치로 입력될 수 있다. 반대로 용접기와 방염 물체 간의 연관도는 낮은 값으로 설정될 수 있다. 즉, 각 객체 간의 연관도가 객체 연관 정보 DB(126) 내에 입력 및 설정될 수 있다. 여기서 현장 근로자, 작업자와 같은 사람도, 객체 연관 정보 DB 상에서 하나의 객체로 간주될 수 있다.

AI 영상 예측 모듈(121)의 효과적 활용을 위해, 객체 연관 정보 DB(126)가 사용될 수 있다. 예를 들어, AI 영상 예측 모듈(121)이 객체 인식(Object Detection)을 통해 영상 내에 존재하는 객체를 인식할 때, AI 영상 예측 모듈(121)은 영상 내에서 인식된 객체 사이의 연관도 및 연관 속성을 객체 연관 정보 DB(126)를 통해 확인하고, 확인된 연관도 및 연관 속성에 따라 위험 여부를 판단하고 영상 기반 예측 정보를 생성할 수 있다.

연관도는 용접기와 인화성 물질과 같이, 서로 가까이 있어서는 안되는 객체 사이에서 큰 값을 나타낼 수 있다. 반대로, 안전모와 작업자와 같이, 서로 가까이 있어야 하는 객체 사이에서 작은 값을 나타낼 수 있다. 또는 안전모가 작업자의 머리 위에 있어야 하듯이 안전을 위해 해당 객체의 위치가 고정된 경우, 객체의 연관 속성에 해당 객체가 있어야 하는 위치 등의 속성이 연관 속성으로서 객체 연관 정보 DB(126) 내에 설정될 수 있다.

예측 정보 DB(125)는 AI 영상 예측 모듈(121)의 영상 분석을 통해 생성된 예측 결과 및 현장 정보 예측 모듈(122)의 데이터 분석을 통해 생성된 예측 결과를 저장할 수 있다.

안전 규칙 종합 모듈(123)은 AI 영상 예측 모듈(121)의 예측 결과 및 현장 정보 예측 모듈(122)의 예측 결과를 예측 정보 DB(125)에서 주기적으로 조회함으로써, 주의를 필요로 하는 요주의 객체를 결정할 수 있다. 안전 규칙 종합 모듈(123)은 요주의 객체의 연관도 및 연관 속성을 객체 연관 정보 DB에서 조회하고, 요주의 객체의 연관도 및 연관 속성을 바탕으로 위험 상황을 판단하기 위한 규칙을 생성할 수 있다.

예를 들어, 주변 기온이 높을 때, 사람의 실수에 의해 큰 위험이 발생할 수 있는 유형의 작업의 사고 위험성이 더 커질 수 있다. 따라서 안전 규칙 종합 모듈(123)은 하루 최고 기온이 미리 결정된 온도보다 높아질 것으로 예측될 때, 사람의 실수에 의해 위험이 초래될 수 있는 작업의 작업자에게 미리 주의 경보를 발생시킬 수 있으므로, 사고 가능성을 낮출 수 있는 규칙을 통한 안전 관제가 구현될 수 있다. 안전 규칙 종합 모듈(123)은 기온이 높을 때 작업 실수의 가능성이 더 크므로, 선선한 날씨일 때보다 주의 경보의 수위를 더 높이고, 더욱 선제적으로 현장에 선제 조치를 취할 수 있다. 선제 조치(예를 들어, 주의 경보 및/또는 알람)에 대한 이러한 판단은 안전 규칙 종합 모듈(123)이 여러 수집 가능한 정보 및 영상 정보에 기반한 예측을 통해 안전 규칙을 생성함으로써 가능하게 될 수 있다.

안전 규칙 종합 모듈(123)이 AI 영상 예측 모듈(121)의 영상 분석에 기반한 예측 정보 및 현장 정보 예측 모듈(122)의 데이터 분석에 기반한 예측 정보를 바탕으로 안전 규칙을 생성하면, 생성된 안전 규칙은 규칙 처리기(Rule Engine)(124)에 입력될 수 있다. 규칙 처리기(124)는 안전 규칙을 처리할 때, 주기적 또는 비주기적으로 예측 정보 DB(125)에서 영상 기반 예측 정보 및 데이터 기반 예측 정보를 조회하여 위험 상황 발생 여부를 판단하고, 판단 결과에 따라 알람을 생성할 수 있다. 이후 규칙 처리기(124)에 의해 생성된 알람은 동적 안전 관제 모듈(111)로 전달될 수 있다. 동적 안전 관제 모듈(111)은 각종 상황을 종합적으로 판단하여 알람의 전달 범위를 결정할 수 있다. 예를 들어, 동적 안전 관제 모듈(111)은, 알람의 전달 범위를 안전 관리자, 현장의 해당 작업자, 또는 현장 내의 모든 근로자로 결정할 수 있고, 결정된 전달 범위의 작업자 및/또는 관리자에게 알람을 전달할 수 있다.

도 4는 한 실시예에 따른 동적 안전 관제 방법을 나타낸 흐름도이다.

도 4를 참조하면, 한 실시예에 따른 동적 안전 관제 플랫폼(100)의 AI 영상 예측 모듈(121)은 작업 현장의 카메라 등으로부터 수신된 영상 정보를 분석하여 영상 분석에 기반한 예측 정보를 생성할 수 있다(S100). AI 영상 예측 모듈(121)에 의해 생성된 영상 기반 예측 정보는 예측 정보 DB(125) 내에 저장될 수 있다.

또한 한 실시예에 따른 동적 안전 관제 플랫폼(100)의 현장 정보 예측 모듈(122)은 작업 현장의 각종 센서, IoT 장치 등으로부터 수신된 데이터 정보를 분석하여 데이터 분석에 기반한 예측 정보를 생성할 수 있다(S200). 현장 정보 예측 모듈(122)에 의해 생성된 데이터 기반 예측 정보는 예측 정보 DB(125) 내에 저장될 수 있다.

한 실시예에 따른 안전 규칙 종합 모듈(123)은 예측 정보 DB(125) 내에 저장된 영상 기반 예측 정보 및 데이터 기반 예측 정보와, 객체 연관 정보 DB(126) 내에 저장된 객체 간 연관도 및 연관 속성을 사용하여 적어도 하나의 안전 규칙을 생성할 수 있다(S300). 규칙 처리기(124)는 안전 규칙 종합 모듈(123)에 의해 생성된 적어도 하나의 안전 규칙을 처리하여 알람을 생성하고, 동적 안전 관제 모듈(111)은 생성된 알람의 전달 범위를 결정할 수 있으며, 위험 알림 모듈(112)은 동적 안전 관제 모듈(111)에 의해 결정된 범위로 알람을 전달할 수 있다(S400).

아래에서는 도 5 내지 도 7을 바탕으로 동적 안전 관제 방법의 각 단계를 상세히 설명한다.

도 5는 한 실시예에 따른 AI 영상 예측 모듈에 의한 동적 안전 관제 절차를 나타낸 흐름도이다.

도 5를 참조하면, 한 실시예에 따른 객체 연관 정보 DB(126)은 작업 현장에서 발견될 수 있는 객체(작업자, 각종 장비, 기계 등)의 연관도 및 연관 속성을 인터넷으로부터 검색/수집하고 수집된 각 객체 간 연관도 및 연관 속성을 데이터베이스화 할 수 있다(S110, S120).

앞서 설명한 대로, 용접기와 인화성 물질의 연관도는 큰 값으로 설정되고, 연관 속성은 멀리 떨어질 수록 안전한 것으로 기술될 수 있다. 화재 발생 수치 모델을 활용하여, 두 객체 간 거리에 따른 위험도도 연관 속성으로서 함께 기술될 수 있다.

거리에 따른 위험도는 0과 1 사이의 실수 값일 수 있고, 위험도가 1에 가까울수록 사고 발생의 위험이 더 큰 것으로 설정될 수 있다. 예를 들어, 두 객체 사이의 거리가 1m 일 때, 연관 속성으로서 기술된 위험도가 0.5로 설정될 수 있고, 0.5m 일 때 위험도는 0.6으로 설정될 수 있으며, 반대로 두 객체 사이의 거리가 2m일 때, 위험도는 0.3으로 객체 연관 정보 DB 내에 저장될 수 있다.

가까이 위치해야 위험 발생 확률이 낮아지는 객체(예를 들어, 몸에 부착하는 안전 장치와 현장 근로자)에 대한 연관도 및 연관 속성이 객체 연관 정보 DB(126) 내에 데이터베이스화 될 수 있다. 작업자와 안전모의 연관도는 큰 값으로 설정되고, 작업자와 안전모의 연관 속성으로 "안전모가 머리 위쪽에 가까이 위치할수록 안전"이 기술될 수 있다. 거리에 따른 위험도가 연관 속성 내에 포함될 수 있다. 예를 들어, 작업자에게 안전모가 없을 때 위험도가 1.0으로 설정되고, 작업자의 머리(또는 머리 윗부분)와 안전모와 사이의 거리가 0.3m 이상이면 위험도가 0.5로 설정되며(불완전 안전모 착용), 작업자의 머리와 안전모 사이의 거리가 0.1m 이내이면 위험도가 0.01(안전 착용으로 인해 위험도가 매우 낮음)로 설정될 수 있다.

작업 현장의 카메라가 고정식 카메라일 때, 영상의 각각의 픽셀 위치 간의 실제 거리가 객체 연관 정보 DB(126) 내에 미리 입력될 수 있다. 각 픽셀에 대응하는 실제 거리는 사람에 의해 수동으로 입력되거나 또는 AI 영상 인식 기법을 통해 자동으로 입력될 수 있다. AI 영상 인식 기술은 화면 상의 공간감을 인식함으로써 영상 내의 픽셀 간 거리로부터 실제 거리를 높은 정확도로 결정할 수 있는데, 이러한 AI 영상 인식 기법을 바탕으로 이동식 카메라 혹은 위치 조정이 가능한 카메라로부터 획득된 영상 내의 객체 간의 거리가 인식될 수 있다.

작업 현장의 카메라에 의해 획득되는 영상은 AI 영상 예측 모듈(121)로 전달될 수 있다(S130). AI 영상 예측 모듈(121)은 객체 인식(Object Detection) 작업을 통해 영상 내에서 객체를 인식하고, 인식된 객체의 목록, 종류, 및 위치를 결정할 수 있다(S140).

AI 영상 예측 모듈(121)은 객체의 연관 정보(예를 들어, 객체의 목록, 종류, 및 위치)를 객체 연관 정보 DB(126)에 질의할 수 있다(S150). 객체 연관 정보 DB(126)는 객체 목록에서 서로 연관도를 갖는 객체 조합을 검색하고, 검색된 객체 조합의 연관도와 연관 속성, 거리 별 위험도를 AI 영상 예측 모듈(121)로 응답할 수 있다(S160).

AI 영상 예측 모듈(121)은 객체 간 연관도, 연관 속성, 및 위험도를 바탕으로 연관된 객체의 동작을 예측할 수 있다(S170).

AI 영상 예측 모듈(121)은 거리 예측 기술을 활용하여, 위험도가 높은 거리 내에 서로 연관된 객체가 위치하는지 여부를 결정하기 위한 연산을 수행할 수 있다. 위험도가 높은 거리 내에 연관된 객체가 위치할 때, AI 영상 예측 모듈(121)은 예측 정보 DB(126)에 현재 시점(0초)에서 높은 위험도 값을 저장할 수 있다. 만일 위험도가 낮지만 연관도를 나타내는 객체 조합이 있다면, AI 영상 예측 모듈(121)은 연관 객체 간의 동작 예측을 수행할 수 있다. 예를 들어 AI 영상 예측 모듈(121)은 두 개 이상의 객체의 이동 궤적(trajectory)을 분석하여, 위험도가 높아지는 거리에 위치하는 경우를 예측할 수 있다.

예를 들어, 덤프 트럭은 앞뒤로 움직이고 작업자는 덤프 트럭에 실린 모래 등을 내리는 작업 등을 수행 중이고, 카메라가 덤프트럭과 그 주변의 영상을 제공할 때, AI 영상 예측 모듈(121)은 덤프 트럭과 작업자의 궤적으로부터 패턴을 인식할 수 있고, 인식된 패턴으로부터 덤프 트럭과 작업자가 위험도가 높아지는 거리 내에 위치하는지 여부를 장래 시간대 별로 예측할 수 있다. 덤프 트럭과 그 주변의 작업자는 대략 비슷한 위치에서 비슷한 작업을 진행하기 때문이다.

또는 AI 영상 예측 모듈(121)은 한 쪽 객체에서 인식된 패턴으로부터 다른 객체의 이동 경로와 관련된 예측을 수행할 수 있다. 예를 들어, 굴착기의 영상이 카메라에 의해 획득된 후 AI 영상 예측 모듈(121)에 제공될 때, 굴착기의 포켓은 일정한 회전 반경으로 회전하므로, AI 영상 예측 모듈(121)은 굴착기의 포켓의 회전 반경을 패턴으로부터 작업자의 이동 경로에 관한 예측을 수행할 수 있다. 즉, 굴착기의 포켓의 회전 반경 내에 작업자가 위치하면 AI 영상 예측 모듈(121)은 위험 상황인 것을 판단할 수 있다. 또한 AI 영상 예측 모듈(121)이 굴착기의 회전 패턴도 인식하면, AI 영상 예측 모듈(121)는 굴착기의 회전이 시작되기 전부터, 특정 시간 뒤에 작업자와의 위험도가 크게 증가할 것을 예측할 수 있다.

AI 영상 예측 모듈(121)이 연관 객체 동작 예측을 수행하고, 연관 객체의 동작 예측에 관한 영상 기반 예측 정보는 예측 정보 DB 내에 저장될 수 있다(S180). AI 영상 예측 모듈(121)은 미리 결정된 시간 간격마다 연관 객체의 동작을 예측하고, 각 시간 간격의 예측 정보를 예정 정보 DB(125) 내에 저장할 수 있다. 예를 들어, 0초 시점의 특정 위치의 위험도는 A%로, 1초 후의 특정 위치의 위험도는 B%로, 10초 후의 특정 위치의 위험도는 C%로 저장될 수 있다.

도 6은 한 실시예에 따른 현장 정보 예측 모듈에 의한 동적 안전 관제 절차를 나타낸 흐름도이다.

도 6을 참조하면, 현장 정보 예측 모듈(122)은 예측/예보에 관한 공공 데이터를 인터넷으로부터 수집하고(S210), 현장의 센서 및 IoT 장치에 의해 획득된 작업 현장의 센서 데이터, 센싱 정보 등을 현장 수집 정보 DB(127)로부터 수집할 수 있다(S220, S230).

예를 들어, 장단기 일기예보 정보는 앞으로의 현장 기온을 예측하는데 활용될 수 있으므로, 현장 정보 예측 모듈(122)은 장단기 일기예보 정보를 인터넷을 통해 주기적으로 수집할 수 있다. 현장 수집 정보 DB(127)로부터 수집되는 센서 데이터는 현장의 센서 및 IoT 장치에 의해 획득된 최신 데이터이다. 현장 정보 예측 모듈(122)은 현장의 센서 데이터 및 예측/예보 공공 데이터를 바탕으로 센싱값 예측 알고리즘을 수행함으로써 현장 정보를 예측할 수 있다(S240).

예를 들어, 센싱값 예측 알고리즘은, 공공 데이터에 대해 기계학습을 수행하여 센서 데이터가 변화하는 패턴을 인식하는 단계, 인식된 패턴을 현장의 센서 데이터에 적용하여 수집되는 센서 데이터의 변화량을 예측하는 단계를 포함할 수 있다. 센싱 데이터의 변화 패턴의 인식에는 장단기 예측/예보 공공 데이터가 사용될 수 있다.

예를 들어 현장 정보 예측 모듈(122)은 기상청의 웹사이트로부터, 작업 현장이 위치한 지역의 연간 기상 정보를 수집할 수 있다. 현장 정보 예측 모듈(122)은, 수집된 공공 데이터로부터 오늘 날짜의 수십 년간의 누적 평균 최저/최고 기온, 특정 시간대 평균 기온, 그리고 특정 시간에서 다음 5, 10분 뒤 또는 1, 2시간 뒤의 기온의 변화 등의 패턴을 기계학습하고, 기계학습된 패턴을 센싱값 예측 알고리즘에 반영할 수 있다. 또한 현장 정보 예측 모듈(122)은 오늘의 기상 예보도 공공 데이터로서 수집할 수 있다. 이를 바탕으로 현장 정보 예측 모듈(122)은 현재 기온에서 한두 시간 뒤의 기온 변화폭도 예상할 수 있다. 현장 정보 예측 모듈(122)은 기상 예보를 바탕으로 기본적인 기온 변화폭을 예측하고, 연간 기상 정보를 사용하여 예측된 기온 변화폭을 보정할 수 있다. 현장 정보 예측 모듈(122)은 보정된 기온 변화폭에 작업 현장 내에 설치된 기온 센서의 센서 데이터를 적용하여, 향후 몇 시간의 기온 변화를 예측할 수 있다. 예를 들어 기상 예보가 작업 현장의 주변 지역의 현재 기온을 28도로 나타내고, 15시 최고 기온을 33도로 예보할 때, 현장 정보 예측 모듈(122)은 현장 센서에서 수집된 현재 온도 31도로부터 15시 기온을 33도가 아닌, 35도 근처로 예측할 수 있다. 또는 현장 정보 예측 모듈(122)은 연간 기상 정보를 바탕으로 예측 기온을 34.8로 보정할 수도 있다. 또는 현장 정보 예측 모듈(122)은 동일 시간대에서 동일한 예보와 센싱 데이터를 갖는 과거(어제)기록을 바탕으로 현재 기온을 예측할 수 있다. 예를 들어, 어제 15시 기온이 34도였다면, 작업 현장의 기온도 34도로 보정할 수 있다. 현장 정보 예측 모듈(122)은 현장의 누적 데이터 및 누적 기상 데이터를 비교 분석하고, 시간대 별로 정리된 편차를 반영하는 예측 보정을 수행할 수 있다.

단순히 기상청 예보만 활용될 때에 비해, 현장 정보 예측 모듈(122)은 현장의 센서 데이터 및 센싱값 예측 알고리즘을 통해, 보다 정교하고 오차가 적은 값으로 예측을 수행할 수 있다. 한 실시예에 따른 센싱값 예측 알고리즘은 침수 피해와 관련 있는 강수량이나, 작업 안전과 관련 있는 풍속 등 여러 환경 정보에 적용될 수 있다. 현장 예측 정보는 0초 현재, 1~5분 이후, 1~2시간 이후의 마다 예측 정보 DB(125)에 저장될 수 있다. 현장 정보 예측 모듈(122)은 특정 시간을 주기로, 예를 들어 1분마다 예측을 실시할 수 있고, 각 주기에 갱신된 값을 예측 정보 DB(125)에 전달할 수 있다.

도 7은 한 실시예에 따른 동적으로 생성된 안전 규칙에 의한 동적 안전 관제 절차를 나타낸 흐름도이다.

도 7을 참조하면, 안전 규칙 종합 모듈(123)은 주기적으로 또는 비주기적으로 예측 정보 DB(125)에 예측 정보를 질의할 수 있다(S310). 예측 정보 DB(125)에는 현재부터 1내지 2초 이후, 1 내지 2분 이후, 1 내지 2시간 이후의 예측 정보가 저장되고 있으므로, 안전 규칙 종합 모듈(123)은 질의에 대응한 응답으로, 현재부터 이후의 특정 시간까지의 예측 정보를 받아볼 수 있다(S320). 안전 규칙 종합 모듈(123)은 예측 정보 DB(125)로부터 수신된 예측 정보를 바탕으로 안전 규칙을 생성할 수 있다(S350).

안전 규칙 종합 모듈(123)은 안전 규칙을 생성하기 전에 객체 연관 정보 DB(126)에 연관 객체 간의 연관도 및 연관 속성을 질의하고(S330), 연관도 및 연관 속성을 포함하는 응답을 객체 연관 정보 DB(126)로부터 수신할 수 있다(S340). 안전 규칙 종합 모듈(123)은 영상 기반 예측 정보 및 데이터 기반 예측 정보를 바탕으로 안전 규칙을 생성할 때, 객체 연관 정보 DB(126)로부터 수신된 객체 사이의 연관도 및 연관 속성을 참조할 수 있다.

안전 규칙 종합 모듈(123)은 위험도 기반 안전 규칙을 생성할 수 있다(제1 안전 규칙 생성 방법). 안전 규칙 종합 모듈(123)은 현재로부터 시간이 가까울수록 가중치를 더하는 방법으로 위험도 기반 안전 규칙을 생성할 수 있다. 현재 즉 0초 시점에는 크지 않은 위험도도 현장에서는 문제가 될 수 있다. 따라서 안전 규칙 종합 모듈(123)은, 현재와 가까운 시간대의 위험도에 비중을 크게 부여함으로써 현장의 작은 위험도 놓치지 않고, 현장의 작업자 및 감독관에게 알람을 보낼 수 있도록 규칙을 생성할 수 있다.

안전 규칙 종합 모듈(123)은 예방적 안전 규칙을 생성할 수 있다(제2 안전 규칙 생성 방법). 예방적 안전 규칙은 비교적 나중의 시점에 위험 발생이 예측되더라도 큰 위험이 예측될 때, 그러한 큰 위험을 예방하기 위한 안전 규칙이다. 예를 들어, 덤프 트럭의 궤적에 대한 패턴이 인식되었고, 지금 작업자의 위치에 미리 결정된 시간 이후(예를 들어 1분 뒤)에 덤프 트럭이 지나갈 것이 예측된다면, 안전 규칙 종합 모듈(123)은 현장에 낮은 수준의 경고를 예방적으로 발생시키는 안전 규칙을 생성할 수 있다. 안전 규칙 종합 모듈(123)은 예방적 안전 규칙을 생성할 때, 예측된 위험까지 남은 시간이 짧을수록 경고의 수위를 높이는 규칙을 만들 수 있다. 예를 들어, 예측된 위험의 시점이 30초 이후라면, 안전 규칙 종합 모듈(123)은 30초 이전까지 현장 경고의 수준을 계속하여 높이는 규칙을 생성할 수 있다.

안전 규칙 종합 모듈(123)은 종합 안전 규칙을 생성할 수 있다(제3 안전 규칙 생성 방법). 공공 데이터와 여러 개의 IoT 센서로부터 획득된 현장 수집 정보를 활용한 현장 정보 예측 모듈(122)에 의해 생성된 데이터 기반 예측 정보 및 AI 영상 예측 모듈(121)에 의해 생성된 영상 기반 예측 정보를 복합적으로 고려함으로써 안전 규칙을 생성할 수 있다.

예를 들어, 영상 기반 예측 정보에 따른 덤프 트럭 궤적 패턴 내에, 1분 뒤 작업자가 위치할 확률이 있을 때, 데이터 기반 예측 정보에 의해 현장 기온이 매우 덥다면(예를 들어, 35도 이상), 온화한 기온일 때 발생될 경고 수준을 한두 수준 올리는 복합적인 안전 규칙이 생성될 수 있다.

건설현장의 작업들이 일정한 패턴에 의한 궤적에 따를 때 이를 고려하여 안전 규칙이 생성될 수 있다. 작업 현장의 일정한 패턴은, 예를 들어, 굴착기가 굴착 작업에서 생긴 흙을 특정 장소에 쌓고, 덤프 트럭이 주기적 또는 비주기적으로 특정 장소로 오면, 쌓인 흙을 또 다른 굴착기가 덤프 트럭에 담고, 덤프 트럭에 흙이 다 담기면 덤프 트럭은 작업 현장의 외부로 이동하고, 다른 덤프 트럭이 동일/유사한 궤적으로 오게 되므로, 위의 작업이 일정 시간 동안 반복될 수 있다. 따라서, 굴착기 및 덤프 트럭의 차례로 이어지는 동작은 일정한 궤적의 패턴을 가질 수 있고, 이러한 패턴의 기계학습을 통해 미리 결정된 시간(예를 들어, 1분) 이후의 동작이 높은 확률로 예측될 수 있다. 이때 덤프 트럭 주변에는 신호수 등의 역할을 맡은 작업자가 위치하고, 작업자의 실수 확률은 주위 환경 요소에 의해 영향을 받을 수 있다. 예를 들어, 선선한 날씨라면 작업자의 집중력이 유지되어서 실수(예를 들어, 굴착기 움직임 궤적 내로 또는 덤프 트럭의 이동 궤적 내에 위치하는 실수)를 할 확률이 낮지만, 더운 날씨에는 작업자의 집중력이 저하돼서 실수 확률이 높아질 수 있다. 따라서, 작업자의 집중력을 떨어뜨릴 수 있는 주위 환경 요소가 있을 때 위험도를 복합적으로 관리할 수 있는 규칙이 생성될 필요가 있고, 이러한 복합적 고려에 기반한 안전 규칙이 실행됨으로써 보다 안전한 동적 관제가 가능해질 수 있다.

이는 더운 날씨에 사람의 행동이 느려지고 판단이 느슨해져 사고 위험이 올라가는 것을 반영하는 것이다.

안전 규칙 종합 모듈(123)은 다양한 안전 규칙의 알람 조건을 주기적 또는 비주기적으로 규칙 처리기(124)에 갱신할 수 있다(S360).

규칙 처리기(124)는 안전 규칙 종합 모듈(123)에 의해 생성된 안전 규칙을 바탕으로 지속적으로 예측 정보 DB(125)를 조회하고, 안전 규칙에 따른 알람이 현장에 전달해야 하는 상황인지 여부를 확인할 수 있다. 알람 조건에 해당하게 되면, 규칙 처리기(124)는 동적 안전 관제 모듈(111)에 위험 상황 예측 알림을 전달할 수 있다(S370).

동적 안전 관제 모듈(111)은 알람을 발생할 지 여부 및 알람의 전달 범위를 결정하고(S380), 위험 상황 정보를 위험 알림 모듈(112)에 전달할 수 있다(S390). 즉, 규칙 처리기(124) 및 동적 안전 관제 모듈(111)은 위와 같은 방식으로 미리 설정된 조건에 따라 다양한 안전 규칙을 실행하여 안전 규칙에 따라 생성된 알람을 작업 현장 등에 발생시킬 수 있다.

예를 들어, 현장의 위험이 임박한 경우는 동적 안전 관제 모듈(111)은 현장 작업자에게 바로 알람을 전달할 수 있고, 10분 이상 이후의 위험성을 알리는 낮은 수준의 경고라면, 현장 작업자 대신에 안전 관리자에게만 위험 상황을 알릴 수 있다. 위험 알림 모듈(112)은 현장 모니터, 현장 작업자의 휴대폰, 현장의 경고 스피커 등 동원 가능한 현장 알림 장치들을 선택적으로 활용하여 현장에 알람을 전달할 수 있다.

위에서 설명한 대로, 한 실시예에 따른 동적 안전 관제 플랫폼(100)은 건설현장을 비롯한 다양한 산업 현장에서 작업자의 안전에 위협이 되는 상황을 미리 동적으로 빠르게 예측하여, 작업자의 근무 환경을 보다 안전하게 할 수 있다.

도 8은 한 실시예에 따른 동적 안전 관제 시스템을 나타낸 블록도이다.

한 실시예에 따른 동적 안전 관제 시스템은, 컴퓨터 시스템, 예를 들어 컴퓨터 판독 가능 매체로 구현될 수 있다. 도 8을 참조하면, 컴퓨터 시스템(800)은, 버스(870)를 통해 통신하는 프로세서(810), 메모리(830), 입력 인터페이스 장치(850), 출력 인터페이스 장치(860), 및 저장 장치(840) 중 적어도 하나를 포함할 수 있다. 컴퓨터 시스템(800)은 또한 네트워크에 결합된 통신 장치(820)를 포함할 수 있다. 프로세서(810)는 중앙 처리 장치(central processing unit, CPU)이거나, 또는 메모리(830) 또는 저장 장치(840)에 저장된 명령 및/또는 프로그램을 실행하는 반도체 장치일 수 있다. 메모리(830) 및 저장 장치(840)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리는 ROM(read only memory) 및 RAM(random access memory)를 포함할 수 있다. 본 기재의 실시예에서 메모리는 프로세서의 내부 또는 외부에 위치할 수 있고, 메모리는 이미 알려진 다양한 수단을 통해 프로세서와 연결될 수 있다. 메모리는 다양한 형태의 휘발성 또는 비휘발성 저장 매체이며, 예를 들어, 메모리는 읽기 전용 메모리(read-only memory, ROM) 또는 랜덤 액세스 메모리(random access memory, RAM)를 포함할 수 있다.

따라서, 실시예는 컴퓨터에 구현된 방법으로서 구현되거나, 컴퓨터 실행 가능 명령이 저장된 비일시적 컴퓨터 판독 가능 매체로서 구현될 수 있다. 한 실시예에서, 프로세서에 의해 실행될 때, 컴퓨터 판독 가능 명령은 본 기재의 적어도 하나의 양상에 따른 방법을 수행할 수 있다.

통신 장치(820)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다.

한편, 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다. 구체적으로, 실시예에 따른 방법(예를 들어, 방법 등)은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어, 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은, 실시예를 위해 특별히 설계되어 구성된 것이거나, 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체는 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치를 포함할 수 있다. 예를 들어, 컴퓨터 판독 가능 기록 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 롬(ROM), 램(RAM), 플래시 메모리 등일 수 있다. 프로그램 명령은 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 통해 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.

이상에서 실시예에 대하여 상세하게 설명하였지만 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 권리범위에 속하는 것이다.

Claims (20)

1. 작업 현장의 안전을 관제하는 시스템으로서,
   상기 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 AI 영상 예측 모듈,
   상기 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 현장 정보 예측 모듈, 및
   상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 사용하여 상기 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 안전 규칙 종합 모듈
   을 포함하는 시스템.
2. 제1항에서,
   상기 AI 영상 예측 모듈은 상기 영상 내에서 인식된 객체들의 연관 정보를 객체 연관 정보 데이터베이스(database, DB)에 질의하고, 상기 객체 연관 정보 DB로부터 상기 객체들의 연관도, 연관 속성, 및 거리 별 위험도 중 적어도 하나를 수신하는, 시스템.
3. 제2항에서,
   상기 AI 영상 예측 모듈은 상기 연관도, 상기 연관 속성, 및 상기 거리 별 위험도 중 적어도 하나를 사용하여 상기 영상 기반 예측 정보를 생성하는, 시스템.
4. 제1항에서,
   상기 현장 정보 예측 모듈은 상기 센서 데이터를 분석할 때, 인터넷으로부터 예측/예보에 관한 공공 데이터를 수집하고, 상기 공공 데이터 및 상기 센서 데이터를 바탕으로 예측 알고리즘을 수행하는, 시스템.
5. 제4항에서,
   상기 예측 알고리즘은 상기 공공 데이터에 대해 기계학습을 수행하여 상기 센서 데이터가 변화하는 패턴을 인식하는 단계 및 인식된 패턴을 상기 센서 데이터에 적용하여 상기 센서 데이터의 변화량을 예측하는 단계를 포함하는, 시스템.
6. 제1항에서,
   상기 안전 규칙 종합 모듈은, 예측 정보 데이터베이스(database, DB)에 미리 결정된 시간까지의 상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 질의하고, 상기 예측 정보 DB로부터 상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 수신하며,
   상기 예측 정보 DB에는 미리 결정된 시간 간격마다 상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보가 저장되는, 시스템.
7. 제6항에서,
   상기 적어도 하나의 안전 규칙은 위험도 기반 안전 규칙, 예방적 안전 규칙, 및 종합적 안전 규칙을 포함하는, 시스템.
8. 제2항에서,
   상기 안전 규칙 종합 모듈은, 상기 영상 내의 객체 사이의 상기 연관도 및 상기 연관 속성을 상기 객체 연관 정보 DB에 질의하고, 상기 객체 연관 정보 DB로부터 상기 연관도 및 상기 연관 속성을 수신하는, 시스템.
9. 제8항에서,
   상기 안전 규칙 종합 모듈은 상기 연관도 및 상기 연관 속성을 참조하여 상기 적어도 하나의 안전 규칙을 생성하는, 시스템.
10. 제1항에서,
    상기 안전 규칙 종합 모듈은 상기 적어도 하나의 안전 규칙의 알람 조건을 갱신하는, 시스템.
11. 작업 현장의 안전을 관제하는 방법으로서,
    상기 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 단계,
    상기 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 단계,
    상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 사용하여 상기 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계, 및
    미리 설정된 조건에 따라 상기 적어도 하나의 안전 규칙을 실행하는 단계
    을 포함하는 방법.
12. 제11항에서,
    상기 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 단계는,
    상기 영상 내에서 인식된 객체들의 연관 정보를 객체 연관 정보 데이터베이스(database, DB)에 질의하는 단계, 및
    상기 객체 연관 정보 DB로부터 상기 객체들의 연관도, 연관 속성, 및 거리 별 위험도 중 적어도 하나를 수신하는 단계
    를 포함하는, 방법.
13. 제12항에서,
    상기 작업 현장의 영상을 촬영하는 카메라로부터 획득되는 영상을 분석하여 영상 기반 예측 정보를 생성하는 단계는,
    상기 연관도, 상기 연관 속성, 및 상기 거리 별 위험도 중 적어도 하나를 사용하여 상기 영상 기반 예측 정보를 생성하는 단계
    를 더 포함하는, 방법.
14. 제11항에서,
    상기 작업 현장에 위치한 센서로부터 획득되는 센서 데이터를 분석하여 데이터 기반 예측 정보를 생성하는 단계는,
    상기 센서 데이터를 분석할 때, 인터넷으로부터 예측/예보에 관한 공공 데이터를 수집하고, 상기 공공 데이터 및 상기 센서 데이터를 바탕으로 예측 알고리즘을 수행하는 단계
    를 포함하는, 방법.
15. 제14항에서,
    상기 예측 알고리즘은 상기 공공 데이터에 대해 기계학습을 수행하여 상기 센서 데이터가 변화하는 패턴을 인식하는 단계 및 인식된 패턴을 상기 센서 데이터에 적용하여 상기 센서 데이터의 변화량을 예측하는 단계를 포함하는, 방법.
16. 제11항에서,
    상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 사용하여 상기 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계는,
    예측 정보 데이터베이스(database, DB)에 미리 결정된 시간까지의 상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 질의하고, 상기 예측 정보 DB로부터 상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 수신하는 단계를 포함하고,
    상기 예측 정보 DB에는 미리 결정된 시간 간격마다 상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보가 저장되는, 방법.
17. 제16항에서,
    상기 적어도 하나의 안전 규칙은 위험도 기반 안전 규칙, 예방적 안전 규칙, 및 종합적 안전 규칙을 포함하는, 방법.
18. 제12항에서,
    상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 사용하여 상기 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계는,
    상기 영상 내의 객체 사이의 상기 연관도 및 상기 연관 속성을 상기 객체 연관 정보 DB에 질의하고, 상기 객체 연관 정보 DB로부터 상기 연관도 및 상기 연관 속성을 수신하는 단계
    를 포함하는, 방법.
19. 제18항에서,
    상기 영상 기반 예측 정보 및 상기 데이터 기반 예측 정보를 사용하여 상기 안전을 관제하기 위한 적어도 하나의 안전 규칙을 생성하는 단계는,
    상기 연관도 및 상기 연관 속성을 참조하여 상기 적어도 하나의 안전 규칙을 생성하는 단계
    를 더 포함하는, 방법.
20. 제11항에서,
    미리 설정된 조건에 따라 상기 적어도 하나의 안전 규칙을 실행하는 단계는,
    상기 적어도 하나의 안전 규칙의 알람 조건을 갱신하는 단계
    를 포함하는, 방법.
    
    

Images