KR20230101585A - System and Method for Establishing Fire and Disaster Situation Prediction Response Platform - Google Patents
System and Method for Establishing Fire and Disaster Situation Prediction Response Platform Download PDFInfo
- Publication number
- KR20230101585A KR20230101585A KR1020210191812A KR20210191812A KR20230101585A KR 20230101585 A KR20230101585 A KR 20230101585A KR 1020210191812 A KR1020210191812 A KR 1020210191812A KR 20210191812 A KR20210191812 A KR 20210191812A KR 20230101585 A KR20230101585 A KR 20230101585A
- Authority
- KR
- South Korea
- Prior art keywords
- fire
- deep learning
- data
- situation
- image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 title claims description 30
- 238000013136 deep learning model Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 230000009977 dual effect Effects 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000001931 thermography Methods 0.000 claims abstract description 13
- 238000003384 imaging method Methods 0.000 claims description 37
- 238000013135 deep learning Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000001965 increasing effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000013021 overheating Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/005—Fire alarms; Alarms responsive to explosion for forest fires, e.g. detecting fires spread over a large or outdoors area
-
- 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
-
- 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
-
- 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
Abstract
본 발명은 각각 다른 형식의 이미지들을 수집하는 것에 의해 화재 인식 학습을 위한 충분한 데이터의 제공이 가능하도록 하여 신뢰성을 높인 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법에 관한 것으로, 가시광선 카메라 및 열화상 카메라를 구비하고, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델을 탑재하여 학습된 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지하여 화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버로 전송하는 영상 장치들;영상 장치들의 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델과 연동되어 학습 결과를 저장하고, 영상 장치들로부터 전송되는 이미지를 저장하고 화재상황 비교 및 화재상황 감시를 통하여 화재 상황 정보 및 이미지를 제공하는 화재 감시 센터 서버;를 포함하는 것이다.The present invention relates to a system and method for building a platform for predicting and responding to fire and disaster situations with increased reliability by providing sufficient data for fire recognition learning by collecting images of different formats, including a visible ray camera and Equipped with a thermal imaging camera and equipped with a deep learning model for creating virtual goods and a deep learning model for detecting fire situations, based on the learned deep learning model, it detects the fire situation from newly input dual image data and detects the presence of a fire to determine whether or not there is a fire. Video devices that transmit dual images, visible ray images, and thermal images of the fire detection event state to the fire monitoring center server when it is determined to be a fire detection event; A fire monitoring center server that stores results, stores images transmitted from video devices, and provides fire situation information and images through fire situation comparison and fire situation monitoring.
Description
본 발명은 화재 및 재난상황 대응에 관한 것으로, 구체적으로 각각 다른 형식의 이미지들을 수집하는 것에 의해 화재 인식 학습을 위한 충분한 데이터의 제공이 가능하도록 하여 신뢰성을 높인 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법에 관한 것이다.The present invention relates to fire and disaster situation response, and specifically, by collecting images of different formats, it is possible to provide sufficient data for fire recognition learning to build a fire and disaster situation prediction response platform with increased reliability. It relates to systems and methods.
일반적으로, 산악 지역이나, 건물, 공장, 고속도로, 문화재 등에서 화재가 발생하였을 때를 대비하여 CCTV 카메라 또는 화재 감지 센서를 이용하여 화재의 감시 및 초동 진화를 수행하고 있다.In general, in case a fire breaks out in a mountain area, a building, a factory, a highway, a cultural property, etc., a CCTV camera or a fire detection sensor is used to monitor and extinguish a fire in the first place.
즉, 화재 감지 및 모니터링 시스템은 CCTV 카메라 또는 화재 감지 센서를 통하여 화재가 감지되는 경우 발화지점을 조기에 발견하고, 화재 경보를 발하는 방식으로 화재에 대한 초기 대응을 수행한다.That is, the fire detection and monitoring system performs an initial response to a fire by detecting an ignition point at an early stage and issuing a fire alarm when a fire is detected through a CCTV camera or a fire detection sensor.
특히, 산악 지역이나, 공공장소와 같이 면적이 넓은 장소에서는 화재 감지 센서를 사용하는데 한계가 있으므로 카메라를 통한 영상 기반으로 해당 지역 및 장소를 감시하는 영상기반의 감시 시스템이 상용화되어 적용되고 있다.In particular, since there is a limit to using a fire detection sensor in a mountainous area or a place with a large area such as a public place, a video-based surveillance system that monitors a corresponding area and place based on an image through a camera is commercialized and applied.
그러나 영상기반의 감시 시스템은 촬영되는 영상에서 변화를 인식하여 화재를 판단하는 것으로, 정확성이 현저히 저하되는 문제점이 있었다.However, the video-based surveillance system judges a fire by recognizing a change in a photographed image, and has a problem in that accuracy is significantly deteriorated.
이러한 문제를 해결하기 위하여 화재 상황 검출을 위한 딥러닝 모델 개발이 이루어지고 있는데, 이와 같은 화재 상황 검출을 위한 딥러닝 모델은 해당 모델을 학습시킬 다량의 데이터가 필요하다.In order to solve this problem, a deep learning model for detecting a fire situation is being developed. Such a deep learning model for detecting a fire situation requires a large amount of data to train the model.
이 데이터는 화재라는 특수한 상황의 데이터이기 때문에 수집하기 힘든 문제점이 있다. 또한, 수집할 수 있는 데이터는 산불, 대형 화재에 관한 데이터가 주를 이루고 있고, 밀집 상가 혹은 소규모의 화재, 화재 초기상황의 검출에 대한 영상이나 이미지 데이터의 수집은 더 힘들다는 것이 화재 검출 딥러닝 모델 개발의 난점이다.This data has a problem in that it is difficult to collect because it is data for a special situation called fire. In addition, the data that can be collected is mainly data on forest fires and large-scale fires, and it is more difficult to collect video or image data for the detection of dense shopping malls or small-scale fires and the initial fire situation. This is a difficulty in model development.
데이터가 방대함에 따라 화재 상황 검출의 정확도 또한 향상되어야 하기 때문에 이 문제를 해결하기 위한 방안이 필요하다.As the data is vast, the accuracy of fire situation detection must also be improved, so a plan to solve this problem is needed.
특히, 현재 사용 중인 가시광선 카메라 화재 인식 딥러닝 프로그램은 화재 발생 시 초기 진압이 가능한 과열 및 불꽃 단계의 화재가 보이지 않아 초기 대응에 어려움이 있다.In particular, the currently used visible ray camera fire recognition deep learning program has difficulties in initial response because it does not see overheating and flame phase fires that can be initially extinguished in the event of a fire.
도 1은 현재 사용 중인 가시광선 카메라 화재 인식 딥러닝 프로그램을 이용한 대응 방법의 문제를 나타낸 구성도이다.1 is a configuration diagram showing a problem of a response method using a visible ray camera fire recognition deep learning program currently in use.
도 1에서와 같이, 가시광선 카메라로 화재감시 센터 내 화재감지 딥러닝 프로그램을 통한 화재 인식은 주로 불의 영역을 인식하는데, 화재 학습 이미지 부족으로 오인식 오알람의 경우가 다수 발생한다.As shown in FIG. 1, fire recognition through a fire detection deep learning program in a fire monitoring center using a visible ray camera mainly recognizes a fire area, but many cases of false recognition and false alarms occur due to a lack of fire learning images.
또한, 화재 초기 진압 가능 단계에서 불꽃은 픽셀의 영역 부족으로 프로그램상 인식이 불가한 문제가 있다.In addition, there is a problem in that the flame cannot be recognized in the program due to the lack of pixel area in the initial fire suppression stage.
이와 같이, 초기 대응의 골든 타임을 놓치면 수 분 안에 대형 화재로 진행되어 큰 피해를 가져오게 된다.In this way, if the golden time for initial response is missed, a large-scale fire will develop within a few minutes and cause great damage.
특히, 가시광선을 통한 화재 인식 기술의 경우에는 화재 학습 이미지의 부족으로 오인식되는 경우가 다수 발생하여 신뢰성 측면에서 많은 문제가 있다.In particular, in the case of fire recognition technology through visible light, many cases of misrecognition due to lack of fire learning images occur, resulting in many problems in terms of reliability.
따라서, 충분한 화재 인식 학습을 위한 데이터의 제공이 가능하고 화재 발생 시 초기 진압이 가능한 과열 및 불꽃 단계의 화재 감지가 가능하도록 하는 새로운 기술의 개발이 요구되고 있다.Therefore, there is a demand for the development of a new technology capable of providing data for sufficient fire recognition learning and capable of detecting fire in the overheating and flame phases capable of early suppression in the event of a fire.
본 발명은 종래 기술의 화재 및 재난상황 대응 기술의 문제점을 해결하기 위한 것으로, 각각 다른 형식의 이미지들을 수집하는 것에 의해 화재 인식 학습을 위한 충분한 데이터의 제공이 가능하도록 하여 신뢰성을 높인 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention is to solve the problems of the fire and disaster situation response technology of the prior art, and by collecting images of different formats, it is possible to provide sufficient data for fire recognition learning, thereby increasing reliability of fire and disaster situations Its purpose is to provide a system and method for constructing a predictive response platform.
본 발명은 화재 인식을 위한 딥러닝 프로그램과 화재를 학습시키기 위한 가상화재 생성 프로그램을 카메라에 내장하여 화재로 인해 CCTV 카메라가 소실되어도 관련 학습률이 높아진 딥러닝 프로그램은 센터와 연동되어 보존 가능하도록 한 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention has a deep learning program for fire recognition and a virtual property creation program for learning fire built into the camera so that even if the CCTV camera is lost due to a fire, the deep learning program with a high learning rate can be preserved by interlocking with the center. And the purpose is to provide a system and method for building a disaster situation prediction response platform.
본 발명은 화재 현장 카메라를 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라로 구성하여 화재 발생 시 초기 진압이 가능한 과열 및 불꽃 단계의 화재 감지가 가능하도록 한 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention constructs a fire and disaster situation prediction response platform that configures a fire scene camera as a dual camera capable of acquiring a visible ray image and a thermal image, enabling detection of fire in the overheating and flame phases that can be extinguished in the early stage in the event of a fire. Its purpose is to provide a system and method for
본 발명은 딥러닝을 위한 가상화재 학습 이미지 생성 프로그램을 카메라 엣지 단에 내장하여 현장 상황 이미지 내 모든 공간에 가상 화재상황 생성으로 현장 최적화를 위한 화재상황 감지 모델의 효율적인 구축이 가능하도록 한 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.In the present invention, a virtual fire learning image generation program for deep learning is embedded in the edge of the camera to create a virtual fire situation in all spaces in the field situation image, enabling efficient construction of a fire situation detection model for field optimization. Fire and disaster Its purpose is to provide a system and method for constructing a situation prediction response platform.
본 발명은 센터가 아닌 듀얼 카메라 엣지 단에 화재 인식 딥러닝 프로그램을 내장하는 것에 의해 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지 각 3개의 이미지를 전송하여 강인한 재난 긴급 출동 시스템 및 영상지원 시스템을 구축할 수 있도록 한 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention provides a robust disaster emergency response system and video by transmitting three images each of a dual image, a visible ray image, and a thermal image in a fire detection event state by embedding a fire recognition deep learning program at the edge of the dual camera instead of the center. Its purpose is to provide a system and method for building a fire and disaster prediction response platform that can build a support system.
본 발명은 초기 화재부터 대형화재까지 데이터 증강을 통해 화재 상황 생성 및 학습 진행하여 화재 상황 인식시에 화재 검지율 및 초기 화재 인식률을 증가시키고, 자체적으로 딥러닝 펌웨어가 업그레이드를 실행하는 것과 동일한 효과를 갖도록 한 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention creates and learns fire situations through data augmentation from initial fires to large-scale fires, increases the fire detection rate and initial fire recognition rate when recognizing fire situations, and has the same effect as deep learning firmware itself upgrades. The purpose is to provide a system and method for building a fire and disaster situation prediction response platform.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.Other objects of the present invention are not limited to the above-mentioned objects, and other objects not mentioned above will be clearly understood by those skilled in the art from the description below.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템은 가시광선 카메라 및 열화상 카메라를 구비하고, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델을 탑재하여 학습된 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지하여 화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버로 전송하는 영상 장치들;영상 장치들의 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델과 연동되어 학습 결과를 저장하고, 영상 장치들로부터 전송되는 이미지를 저장하고 화재상황 비교 및 화재상황 감시를 통하여 화재 상황 정보 및 이미지를 제공하는 화재 감시 센터 서버;를 포함하는 것을 특징으로 한다.In order to achieve the above object, a system for building a platform for predicting and responding to fire and disaster situations according to the present invention has a visible ray camera and a thermal imaging camera, and is equipped with a deep learning model for generating virtual goods and a deep learning model for detecting fire situations. Based on the learned deep learning model, the fire situation is detected from newly input dual image data, and the presence or absence of fire is detected. Video devices that transmit to the server; Deep learning model for creating virtual objects of video devices and fire situation detection Deep learning model to store learning results, store images transmitted from video devices, compare fire situation and monitor fire situation Characterized in that it includes; a fire monitoring center server that provides fire situation information and images through.
여기서, 영상 장치에 탑재되는 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 보안성을 높이기 위하여, 물리적 특성 이용 소스 코드와 목적코드 상태에서 Lock을 설치하거나, S/W가 저장매체에 저장될 때 하드웨어 특정한 위치(Diskette Sector 사이; HDD의 마지막 Cluster 등)에 인증을 위한 Code를 삽입하거나, 사용자 등록을 통해 사용자가 인증된 Key File(HDD의 S/N, Process ID)을 기입하게 해야만 프로그램 사용할 수 있게 하는 방법을 사용하거나, 이들 방법의 조합으로 보안성을 높이는 것을 특징으로 한다.Here, in order to enhance the security of the deep learning model for generating virtual goods and the deep learning model for detecting fire situations mounted on video devices, locks are installed in the state of source code and object code using physical characteristics, or S/W is stored in a storage medium. program, insert the code for authentication in a specific hardware location (between diskette sectors; last cluster of HDD, etc.) or have the user write the authenticated key file (HDD S/N, Process ID) through user registration It is characterized by using a method that enables use or enhancing security by a combination of these methods.
그리고 영상 장치는, 가시광선 이미지를 촬상하는 가시광선 카메라와, 열화상 이미지를 획득하기 위한 열화상 카메라와, 화재 감시 센터 서버와 연동하여 가상화재 생성 딥러닝 모델을 통하여 화재 요인 데이터 및 화재 데이터를 학습하고, 학습된 데이터를 기반으로 가상의 화재 상황 데이터를 생성하는 가상화재 생성 딥러닝부와, 생성된 가상의 화재 상황 데이터를 학습하고, 실시간으로 영상을 수집하여 화재 상황을 감지할 실제 화재 상황 데이터를 생성하고, 학습된 화재 상황 감지 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지하는 화재 상황 감지 딥러닝부를 포함하는 것을 특징으로 한다.In addition, the imaging device is linked with a visible ray camera for capturing a visible ray image, a thermal imaging camera for acquiring a thermal image, and a fire monitoring center server to generate fire factor data and fire data through a deep learning model that generates virtual goods. A virtual fire generation deep learning unit that learns and generates virtual fire situation data based on the learned data, and a real fire situation that learns the created virtual fire situation data and collects images in real time to detect a fire situation It is characterized by including a fire situation detection deep learning unit that generates data, detects a fire situation from newly input dual image data based on the learned fire situation detection deep learning model, and detects the presence or absence of a fire.
그리고 영상 장치는, 가시광선 카메라 및 열화상 카메라를 통하여 획득된 영상 데이터를 학습 및 전송 가능하도록 처리하여 가상화재 생성 딥러닝부 및 화재 상황 감지 딥러닝부에 제공하고, 화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버로 전송하는 이미지 처리 및 전송부를 더 포함하는 것을 특징으로 한다.In addition, the imaging device processes the image data obtained through the visible ray camera and the thermal imaging camera so that it can be learned and transmitted, and provides it to the deep learning unit for generating virtual goods and the deep learning unit for detecting fire situations. It is characterized in that it further comprises an image processing and transmission unit for transmitting the dual image, the visible ray image, and the thermal image of the event state to the fire surveillance center server.
그리고 영상 장치는, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 학습을 화재 감시 센터 서버와 연동되도록 지원하는 딥러닝 연동부를 더 포함하는 것을 특징으로 한다.And the imaging device is characterized in that it further comprises a deep learning interlocking unit that supports learning of a deep learning model for generating virtual goods and a deep learning model for detecting a fire situation to be interlocked with a fire surveillance center server.
그리고 영상 장치는, 가시광선 카메라 및 열화상 카메라를 통한 영상 획득시에 조명, 촬상 각도 및 촬영 조건을 제어하여 현장에 최적화된 영상을 획득할 수 있도록 하는 듀얼 이미지 최적화부를 더 포함하는 것을 특징으로 한다.The imaging device further includes a dual image optimization unit for obtaining an image optimized for the field by controlling lighting, imaging angle, and shooting conditions when acquiring images through a visible ray camera and a thermal imaging camera. .
그리고 가상화재 생성 딥러닝 모델은, 화재 감시 센터 서버로부터 화재 요인 데이터 및 화재 데이터를 제공받을 수 있고, 화재 요인 데이터를 학습하고, 학습된 데이터를 기반으로 화재 요인 객체를 검출하고, 검출된 화재 요인 객체에 따른 화재 발생 가능성을 수치화 하여 출력하고, 화재 데이터를 학습하고, 학습된 데이터를 기반으로 화재 상황을 합성시켜 가상의 화재 상황 데이터를 생성하는 것을 특징으로 한다.In addition, the virtual material generation deep learning model may receive fire factor data and fire data from the fire monitoring center server, learn the fire factor data, detect a fire factor object based on the learned data, and detect the detected fire factor. It is characterized by generating virtual fire situation data by digitizing and outputting the possibility of fire occurrence according to an object, learning fire data, and synthesizing a fire situation based on the learned data.
그리고 화재 요인 데이터로부터 수집된 객체 데이터에 따른 화재 발생 가능성을 빅데이터 분석을 통해 화재의 발화점에 따른 빈도로 정규화하여 수치화하고, 영상 장치로부터 영상 데이터를 입력받으면, 상기 분류된 화재요인 객체의 위치와 종류, 화재 발생 가능성 수치를 출력하는 것을 특징으로 한다.In addition, the probability of fire occurrence according to the object data collected from the fire factor data is normalized and digitized by the frequency according to the ignition point of the fire through big data analysis, and when the video data is input from the imaging device, the location and location of the classified fire factor object It is characterized in that it outputs the type and probability of fire occurrence.
그리고 화재 감시 센터 서버는, 영상 장치의 가상화재 생성 딥러닝부 및 화재 상황 감지 딥러닝부의 딥러닝 프로그램과의 연동을 제어하고, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 학습 결과를 저장하는 딥러닝 연동 제어 및 결과 저장부와, 영상 장치로부터 전송되는 이미지들을 수신하여 저장하는 이미지 수신 및 저장부와, 영상 장치가 화재인 것으로 판단되어 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 보내오면 화재상황을 비교하는 화재상황 비교부와, 화재상황 비교부의 비교 결과를 기준으로 화재 상황을 감시하는 화재상황 감시부를 포함하는 것을 특징으로 한다.And the fire monitoring center server controls the linkage with the deep learning program of the virtual property generation deep learning unit and the fire situation detection deep learning unit of the imaging device, and the learning results of the virtual property generation deep learning model and the fire situation detection deep learning model. An image receiving and storing unit for receiving and storing images transmitted from an imaging device, a dual image in a fire detection event state, a visible ray image, It is characterized in that it includes a fire situation comparison unit that compares fire conditions when the thermal image is sent, and a fire situation monitoring unit that monitors the fire situation based on the comparison result of the fire situation comparison unit.
그리고 화재 감시 센터 서버는, 실제 화재 상황 발생시에 화재 상황 정보 및 이미지를 관리자 및 관련 기관으로 제공하는 화재 상황 정보 및 이미지 제공부와, 화재 관련 데이터를 저장하고, 화재 요인 데이터 및 화재 데이터를 영상 장치로 제공하는 데이터베이스를 더 포함하는 것을 특징으로 한다.In addition, the fire surveillance center server stores fire situation information and image provision unit that provides fire situation information and images to managers and related organizations when a real fire situation occurs, stores fire-related data, and transmits fire factor data and fire data to a video device. It is characterized in that it further includes a database provided by.
다른 목적을 달성하기 위한 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 방법은 가시광선 이미지 및 열화상 이미지를 영상 장치의 듀얼 카메라를 이용하여 획득하는 단계;화재 감시 센터 서버와 연동하여 듀얼 카메라부에 탑재된 딥러닝 프로그램을 통하여 화재 요인 데이터 및 화재 데이터를 학습하고, 학습된 데이터를 기반으로 가상의 화재 상황 데이터를 생성하는 단계;생성된 가상의 화재 상황 데이터를 학습하고, 실시간으로 영상을 수집하여 화재 상황을 감지할 실제 화재 상황 데이터를 생성하는 단계;학습된 딥러닝 모델을 기반으로 새로 입력되는 가시광선 이미지 및 열화상 이미지에서 화재 상황을 검출하고 화재 유무를 감지하는 단계;화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버로 전송하는 단계;를 포함하는 것을 특징으로 한다.In order to achieve another object, a method for constructing a platform for predicting and responding to fire and disaster situations according to the present invention comprises the steps of acquiring a visible ray image and a thermal image using a dual camera of an imaging device; Learning fire factor data and fire data through a deep learning program mounted on the camera unit, and generating virtual fire situation data based on the learned data; Learning the generated virtual fire situation data and real-time video Collecting and generating actual fire situation data to detect a fire situation; Detecting a fire situation from a newly input visible ray image and a thermal image based on the learned deep learning model and detecting the presence or absence of a fire; and transmitting the dual image, the visible ray image, and the thermal image of the fire detection event state to the fire monitoring center server when it is determined to be the case.
이상에서 설명한 바와 같은 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법은 다음과 같은 효과가 있다.As described above, the system and method for building a platform for predicting and responding to fire and disaster situations according to the present invention have the following effects.
첫째, 각각 다른 형식의 이미지들을 수집하는 것에 의해 화재 인식 학습을 위한 충분한 데이터의 제공이 가능하도록 하여 화재 및 재난상황 예측 대응의 신뢰성을 높인다.First, by collecting different types of images, it is possible to provide sufficient data for fire recognition learning, thereby increasing the reliability of predicting and responding to fire and disaster situations.
둘째, 화재 인식을 위한 딥러닝 프로그램과 화재를 학습시키기 위한 가상화재 생성 프로그램을 카메라에 내장하여 화재로 인해 CCTV 카메라가 소실되어도 관련 학습률이 높아진 딥러닝 프로그램은 센터와 연동되어 보존 가능하도록 한다.Second, a deep learning program for fire recognition and a virtual property creation program for learning fire are built into the camera so that even if the CCTV camera is lost due to a fire, the deep learning program with a high learning rate can be linked with the center and preserved.
셋째, 화재 현장 카메라를 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라로 구성하여 화재 발생 시 초기 진압이 가능한 과열 및 불꽃 단계의 화재 감지가 가능하도록 한다.Third, the fire scene camera is composed of dual cameras that can acquire visible light images and thermal images, so that in the event of a fire, it is possible to detect overheating and flame phase fires that can be extinguished at an early stage.
넷째, 딥러닝을 위한 가상화재 학습 이미지 생성프로그램을 카메라 엣지 단에 내장하여 현장 상황 이미지 내 모든 공간에 가상 화재상황 생성으로 현장 최적화를 위한 화재상황 감지 모델의 효율적인 구축이 가능하도록 한다.Fourth, a virtual fire learning image generation program for deep learning is built into the edge of the camera to enable efficient construction of a fire situation detection model for field optimization by generating virtual fire situations in all spaces in the field situation image.
다섯째, 센터가 아닌 듀얼 카메라 엣지 단에 화재 인식 딥러닝 프로그램을 내장하는 것에 의해 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지 각 3개의 이미지를 전송하여 강인한 재난 긴급 출동 시스템 및 영상지원 시스템을 구축할 수 있도록 한다.Fifth, by embedding a fire recognition deep learning program on the edge of the dual camera instead of the center, it transmits three images each of dual image, visible ray image, and thermal image in the fire detection event state to provide robust disaster emergency response system and video support. allow the system to be built.
여섯째, 초기 화재부터 대형화재까지 데이터 증강을 통해 화재 상황 생성 및 학습 진행하여 화재 상황 인식시에 화재 검지율 및 초기 화재 인식률을 증가시키고, 자체적으로 딥러닝 펌웨어가 업그레이드를 실행하는 것과 동일한 효과를 갖도록 한다.Sixth, fire situation creation and learning progress through data augmentation from the initial fire to large-scale fire to increase the fire detection rate and initial fire recognition rate when recognizing the fire situation, and to have the same effect as executing the upgrade of the deep learning firmware itself. do.
도 1은 현재 사용 중인 가시광선 카메라 화재 인식 딥러닝 프로그램을 이용한 대응 방법의 문제를 나타낸 구성도
도 2는 본 발명이 적용되는 스마트 시티 재난 안전 종합관리 플랫폼의 일 예를 나타낸 구성도
도 3a와 도 3b는 본 발명에 따른 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라를 이용한 화재 감시 화면의 일 예를 나타낸 구성도
도 4는 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템의 전체 구성도
도 5는 본 발명에 따른 화재감시 듀얼 카메라 영상 장치의 상세 구성도
도 6은 화재 감시 센터 서버의 상세 구성도
도 7은 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 방법을 나타낸 플로우 차트1 is a configuration diagram showing a problem of a response method using a visible light camera fire recognition deep learning program currently in use
Figure 2 is a configuration diagram showing an example of a smart city disaster safety comprehensive management platform to which the present invention is applied
3A and 3B are configuration diagrams showing an example of a fire monitoring screen using a dual camera capable of obtaining visible ray images and thermal images according to the present invention.
Figure 4 is an overall configuration diagram of a system for building a fire and disaster situation prediction response platform according to the present invention
5 is a detailed configuration diagram of a fire monitoring dual camera imaging device according to the present invention
6 is a detailed configuration diagram of a fire monitoring center server
Figure 7 is a flow chart showing a method for building a fire and disaster situation prediction response platform according to the present invention
이하, 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.Hereinafter, a detailed description of a preferred embodiment of a system and method for building a fire and disaster situation prediction response platform according to the present invention is as follows.
본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.Features and advantages of the system and method for building a fire and disaster prediction response platform according to the present invention will become clear through detailed description of each embodiment below.
도 2는 본 발명이 적용되는 스마트 시티 재난 안전 종합관리 플랫폼의 일 예를 나타낸 구성도이고, 도 3a와 도 3b는 본 발명에 따른 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라를 이용한 화재 감시 화면의 일 예를 나타낸 구성도이다.2 is a configuration diagram showing an example of a smart city comprehensive disaster safety management platform to which the present invention is applied, and FIGS. 3a and 3b are diagrams using a dual camera capable of obtaining visible ray images and thermal images according to the present invention. It is a configuration diagram showing an example of a fire monitoring screen.
이하의 설명에서 본 발명이 적용되는 실시 예를 '화재'인 경우를 일 예로 설명하였으나, 본 발명의 기술적 사상이 적용될 수 있는 분야가 '화재'로 제한되는 것은 아니고, 다른 재난 상황의 감시에 적용될 수 있음은 당연하다.In the following description, the embodiment to which the present invention is applied has been described as an example of 'fire', but the field to which the technical idea of the present invention can be applied is not limited to 'fire', and can be applied to monitoring of other disaster situations. It is natural that you can
도 2에서와 같이, 과거 개별적인 화재감시에서 스마트 도시 구축으로 통합 화재감시 시스템을 구축하는 추세이다. 지금까지는 화재 알람이 회사 안전관리 부서나 민간 보안업체까지 였지만 119 내 근무자 PC까지의 전달 체계 구축이 요구되고 있다.As shown in FIG. 2, the trend is to build an integrated fire monitoring system from individual fire monitoring in the past to building a smart city. Until now, fire alarms have been sent to company safety management departments or private security companies, but it is required to establish a delivery system to the PCs of workers within 119.
이와 같은 스마트 시티 재난 안전 종합관리 플랫폼에서는 화재 오 알람이 개별 단체로 끝나던 과거와 달리 국가 기관으로 확대되며 국가예산 낭비의 우려가 있다.In such a smart city disaster safety comprehensive management platform, unlike the past, when fire alarms ended with individual groups, they are expanded to national institutions, and there is a risk of wasting the national budget.
화재의 검지 즉, 화재 상황 발생 시 영상이 표출되는 센터 영상 상단에 화재 발생된 장소의 이미지 표출과 동시 위급상황 알람 신호를 발생시킨다.When a fire is detected, that is, when a fire occurs, the image of the place where the fire occurs is displayed at the top of the center image where the image is displayed and an emergency alarm signal is generated at the same time.
이와 같은 과거 영상으로 특수 상황 알람 연동의 실패 요인으로 거론되는 첫 번째 이유는 특수 상황 오 인식 다수 발생으로 계속된 알람 발생을 들 수 있다.The first reason cited as a failure factor for the interlocking of special situation alarms with such past images is the continuous occurrence of alarms due to the occurrence of many false recognitions of special situations.
이러한 실패 요인 때문에 현장 감시 요원이 알람기능 설정을 해제하며 기능이 무의미해 진다.Because of these failure factors, on-site monitoring personnel cancel the alarm function setting and the function becomes meaningless.
이러한 실패 요인을 해소하기 위해 화재라는 특수 상황에 대한 화재 초기 발생 단계부터 대형 화재 발생 단계까지 다양한 이미지를 딥러닝시킬 자료가 필요하고, 센터프로그램 내에서 화재 발생이 아닌 오인 가능한 사항을 제거해 실제 위급사항에만 알람이 울려야 하며, 알람 발생 시 즉각 대응될 수 있는 환경을 제공하는 것이 필요하다.In order to solve these failure factors, we need data to deep-learn various images from the initial fire occurrence stage to the large-scale fire occurrence stage for the special situation of fire, and eliminate misidentifiable matters that are not fire occurrence within the center program to identify actual emergency situations. An alarm should sound only when an alarm occurs, and it is necessary to provide an environment in which an immediate response can be made.
본 발명은 이와 같은 문제들을 원천적으로 차단하기 위하여 다음과 같은 특징을 갖는다.The present invention has the following features in order to fundamentally block such problems.
첫째, 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라를 사용하여 각각 다른 형식의 이미지들을 수집하는 것에 의해 화재 인식 학습을 위한 충분한 데이터의 제공이 가능하도록 한다.First, it is possible to provide sufficient data for fire recognition learning by collecting different types of images using dual cameras capable of acquiring visible light images and thermal images.
둘째, 화재 인식을 위한 딥러닝 프로그램과 화재를 학습시키기 위한 가상화재 생성 프로그램을 카메라에 내장하여 화재로 인해 CCTV 카메라가 소실되어도 관련 학습률이 높아진 딥러닝 프로그램은 센터와 연동되어 보존 가능하도록 한다.Second, a deep learning program for fire recognition and a virtual property creation program for learning fire are built into the camera so that even if the CCTV camera is lost due to a fire, the deep learning program with a high learning rate can be linked with the center and preserved.
이를 위하여 본 발명은 도 3a와 도 3b에서와 같이, 화재 현장 카메라를 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라로 구성하여 화재 발생 시 초기 진압이 가능한 과열 및 불꽃 단계의 화재 감지가 가능하도록 하는 구성을 포함할 수 있다.To this end, as shown in FIGS. 3A and 3B, the present invention configures a fire scene camera as a dual camera capable of acquiring a visible ray image and a thermal image, so that in the event of a fire, fire detection in the overheating and flame phases that can be extinguished in the early stage is possible. It may include configurations that enable it.
본 발명은 센터가 아닌 카메라 엣지 단에 화재 인식 딥러닝 프로그램을 내장하는 것에 의해 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지 각 3개의 이미지를 전송하여 강인한 재난 긴급 출동 시스템 및 영상지원 시스템을 구축할 수 있도록 하는 구성을 포함할 수 있다.In the present invention, by embedding a fire recognition deep learning program at the camera edge instead of the center, a robust disaster emergency dispatch system and video support are transmitted by transmitting three images each of a dual image, a visible ray image, and a thermal image in a fire detection event state. It may contain configurations that allow the system to be built.
도 4는 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템의 전체 구성도이다.4 is an overall configuration diagram of a system for building a fire and disaster prediction response platform according to the present invention.
본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템은 크게, 가시광선 카메라 및 열화상 카메라를 구비하고, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델을 탑재하여 학습된 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지하여 화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버(200)로 전송하는 영상 장치들(100)과, 영상 장치들(100)의 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델과 연동되어 학습 결과를 저장하고, 영상 장치들(100)로부터 전송되는 이미지를 저장하고 화재상황 비교 및 화재상황 감시를 통하여 화재 상황 정보 및 이미지를 제공하는 화재 감시 센터 서버(200)를 포함한다.The system for building a platform for predicting and responding to fire and disaster situations according to the present invention is largely equipped with a visible ray camera and a thermal imaging camera, and a deep learning model learned by mounting a deep learning model for generating virtual goods and a deep learning model for detecting fire situations. Based on the newly input dual image data, the fire situation is detected and the presence or absence of fire is detected, and when it is determined that it is a fire, the dual image, visible ray image, and thermal image of the fire detection event state are transmitted to the fire
여기서, 영상 장치(100)에 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델을 탑재하는 이유는 카메라 설치 현장 상황에 최적화된 데이터의 획득 및 학습이 가능하도록 하기 위한 것으로, 화재로 인해 CCTV 카메라가 소실되어도 관련 학습률이 높아진 딥러닝 프로그램은 화재 감시 센터 서버(200)와 연동되어 보존 가능하도록 하기 위한 것이다.Here, the reason for mounting the virtual property generation deep learning model and the fire situation detection deep learning model in the
영상 장치(100)에 탑재되는 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 보안성을 높이기 위하여, 물리적 특성 이용 소스 코드와 목적코드 상태에서 Lock을 설치를 할 수 있다.In order to increase the security of the deep learning model for generating virtual goods and the deep learning model for detecting fire situations, which are loaded in the
또한, S/W가 저장매체에 저장될 때 하드웨어 특정한 위치(Diskette Sector 사이; HDD의 마지막 Cluster 등)에 인증을 위한 Code 등을 삽입하여 일반적 복사 프로그램으로는 복사가 불가능하도록 한다.In addition, when S/W is stored in a storage medium, a code for authentication is inserted in a specific hardware location (between diskette sectors; last cluster of HDD, etc.) so that copying is impossible with general copy programs.
특히, 사용자 등록을 통해 사용자는 인증된 Key File(HDD의 S/N, Process ID 등)을 기입하게 해야만 프로그램 사용할 수 있게 한다.In particular, through user registration, the user must enter the authenticated key file (HDD S/N, Process ID, etc.) to use the program.
영상 장치(100)의 상세 구성은 다음과 같다.A detailed configuration of the
도 5는 본 발명에 따른 화재감시 듀얼 카메라 영상 장치의 상세 구성도이다.5 is a detailed configuration diagram of a fire monitoring dual camera imaging device according to the present invention.
영상 장치(100)는 가시광선 카메라 및 열화상 카메라를 통한 영상 획득시에 조명, 촬상 각도 및 촬영 조건을 제어하여 현장에 최적화된 영상을 획득할 수 있도록 하는 듀얼 이미지 최적화부(10)와, 가시광선 이미지를 촬상하는 가시광선 카메라(11)와, 열화상 이미지를 획득하기 위한 열화상 카메라(12)와, 가시광선 카메라(11) 및 열화상 카메라(12)를 통하여 획득된 영상 데이터를 학습 및 전송 가능하도록 처리하여 가상화재 생성 딥러닝부(13) 및 화재 상황 감지 딥러닝부(14)에 제공하고, 화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버(200)로 전송하는 이미지 처리 및 전송부(15)와, 화재 감시 센터 서버(200)와 연동하여 가상화재 생성 딥러닝 모델을 통하여 화재 요인 데이터 및 화재 데이터를 학습하고, 학습된 데이터를 기반으로 가상의 화재 상황 데이터를 생성하는 가상화재 생성 딥러닝부(13)와, 생성된 가상의 화재 상황 데이터를 학습하고, 실시간으로 영상을 수집하여 화재 상황을 감지할 실제 화재 상황 데이터를 생성하고, 학습된 화재 상황 감지 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지하는 화재 상황 감지 딥러닝부(14)와, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 학습을 화재 감시 센터 서버(200)와 연동되도록 지원하는 딥러닝 연동부(16)를 포함한다.The imaging device 100 includes a dual image optimizing unit 10 for obtaining an image optimized for a field by controlling illumination, an imaging angle, and shooting conditions when acquiring images through a visible ray camera and a thermal imaging camera; A visible ray camera 11 for capturing a ray image, a thermal imaging camera 12 for obtaining a thermal image, and learning and learning image data obtained through the visible ray camera 11 and the thermal imaging camera 12 It is processed to be transmittable and provided to the virtual property generation deep learning unit 13 and the fire situation detection deep learning unit 14, and when it is determined that it is a fire, the dual image, visible ray image, and thermal image of the fire detection event state are fire In conjunction with the image processing and transmission unit 15 transmitted to the monitoring center server 200 and the fire monitoring center server 200, fire factor data and fire data are learned through a deep learning model for generating virtual objects, and the learned data Based on the virtual material generation deep learning unit 13 that generates virtual fire situation data, learns the generated virtual fire situation data, collects images in real time, and generates real fire situation data to detect the fire situation And, based on the learned fire situation detection deep learning model, a fire situation detection deep learning unit 14 detects a fire situation from newly input dual image data and detects the presence of a fire based on the learned fire situation detection deep learning model, and a virtual fire generating deep learning model and fire situation It includes a deep learning linkage unit 16 that supports learning of the detection deep learning model to link with the fire monitoring center server 200.
여기서, 가상화재 생성 딥러닝 모델은 화재 감시 센터 서버로부터 화재 요인 데이터 및 화재 데이터를 제공받을 수 있고, 화재 요인 데이터를 학습하고, 학습된 데이터를 기반으로 화재 요인 객체를 검출하고, 검출된 화재 요인 객체에 따른 화재 발생 가능성을 수치화 하여 출력할 수 있다.Here, the virtual material generation deep learning model may receive fire factor data and fire data from the fire monitoring center server, learn the fire factor data, detect a fire factor object based on the learned data, and detect the detected fire factor. Possibility of fire according to object can be digitized and output.
또한, 화재 데이터를 학습하고, 학습된 데이터를 기반으로 화재 상황을 합성시켜 가상의 화재 상황 데이터를 생성한다.In addition, fire data is learned, and fire situations are synthesized based on the learned data to create virtual fire situation data.
그리고 화재 요인 데이터로부터 화재 발생 가능성이 있는 객체 데이터를 수집하여 각 클래스로 분류하여 딥러닝 모델을 학습시키고, 상기 각 클래스는 화재 발생 가능성을 수치화하여 각각 분류하는 것이 바람직하다.In addition, it is preferable to collect object data with a possibility of fire occurrence from the fire factor data, classify it into each class, and train a deep learning model, and classify each class by quantifying the possibility of fire occurrence.
또한, 화재 요인 데이터로부터 수집된 객체 데이터에 따른 화재 발생 가능성을 빅데이터 분석을 통해 화재의 발화점에 따른 빈도로 정규화하여 수치화하고, 영상 장치로부터 영상 데이터를 입력받으면, 상기 분류된 화재요인 객체의 위치와 종류, 화재 발생 가능성 수치를 출력한다.In addition, the probability of fire occurrence according to the object data collected from the fire factor data is quantified by normalizing the frequency according to the ignition point of the fire through big data analysis, and when the image data is received from the imaging device, the location of the classified fire factor object and type, output the number of fire occurrence probability.
본 발명에서 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델은 R-CNN(Regions with Convolutional Neural Network), Faster R-CNN, YOLO(You Only Look Once)와 같은 딥러닝 기술을 이용할 수 있고, 이로 제한되지 않는다.In the present invention, the deep learning model for generating virtual goods and the deep learning model for detecting fire situations can use deep learning technologies such as R-CNN (Regions with Convolutional Neural Network), Faster R-CNN, and YOLO (You Only Look Once), Not limited to this.
R-CNN은 이미지 하나에서 수많은 Proposal들을 뽑아내고, 모든 Proposal들을 CNN 모델에 통과시킨 뒤 SVM(Support Vector Merchine)을 거쳐 분류(Classification)를 하며, 이후 리그레서(Regressor)를 통해 바운딩 박스 예측(Bounding Box Prediction)을 수행하는 단계로 진행된다.R-CNN extracts numerous proposals from one image, passes all proposals through a CNN model, classifies them through SVM (Support Vector Machine), and then performs bounding box prediction through a regressor. Box Prediction) is performed.
그리고 Faster R-CNN은, Feature를 입력 이미지로부터 추출하는 것이 아니라, CNN을 거친 Feature Map 상에서 Spatial Pyramid Pooling의 특수한 형태인 RoI Pooling을 사용하여 Feature를 추출한다는 것이다.And Faster R-CNN does not extract features from the input image, but extracts features using RoI Pooling, a special form of Spatial Pyramid Pooling, on the Feature Map that has passed through CNN.
하나의 Region Proposal 당 하나의 CNN이 동작하므로 R-CNN보다 구조가 획기적으로 개선되고, 속도가 빠르다.Since one CNN operates per Region Proposal, the structure is dramatically improved and the speed is faster than R-CNN.
Faster R-CNN은 Region Proposal을 생성하는 방법 자체를 CNN 내부에 네트워크 구조로 넣어놓은 RPN(Region Proposal Network)을 통해서 RoI Pooling을 수행하는 레이어와, Bounding Box를 추출하는 레이어가 같은 특징 맵을 공유한다.In Faster R-CNN, the layer that performs RoI Pooling and the layer that extracts the bounding box share the same feature map through RPN (Region Proposal Network), which puts the method of generating Region Proposal itself as a network structure inside the CNN. .
Faster R-CNN은 입력 이미지에 대해 Convolution Layer를 여러 번 거쳐서 특징을 추출해 내고, 추출된 특징 맵을 RPN과 RoI Pooling Layer가 공유한다. RPN은 특징 맵에서 Region Proposal들을 추출하고, RoI Pooling Layer는 RPN에서 추출된 Region Proposal들에 대해 RoI 풀링을 수행한다.Faster R-CNN extracts features by going through the convolution layer several times on the input image, and RPN and RoI Pooling Layer share the extracted feature maps. The RPN extracts Region Proposals from the feature map, and the RoI Pooling Layer performs RoI pooling on the Region Proposals extracted from the RPN.
RPN은 특징 맵 위에 위치한 지정 크기의 Window를 Sliding하면서 Window가 지나가는 각 지점마다 지정된 크기의 anchor를 지정한 개수만큼 생성한다. 그리고 모든 anchor들에 대해서 가능한 Bounding Box의 좌표와 그 안에 물체가 들어 있을 확률을 계산한다. Anchor들 자체가 Bounding Box의 후보가 되는 것이다.RPN creates a specified number of anchors of a specified size at each point where the window passes while sliding a window of a specified size located on the feature map. Then, for all anchors, the coordinates of the possible Bounding Box and the probability that an object is contained in it are calculated. Anchors themselves are candidates for the Bounding Box.
각각의 Window 위치에서, k 개의 anchor box들을 생성한 후 각각의 위치, 크기, Bounding Box로써의 점수들을 계산한다. cls Layer로 나가는 2k 개의 점수들은 해당 anchor 내에 물체가 있는지 없는지 그 확률을 계산한다.At each window location, k anchor boxes are created and scores are calculated for each location, size, and bounding box. The 2k scores going to the cls layer calculate the probability whether there is an object in the anchor or not.
reg Layer로 나가는 4k 개의 좌표 값들은 해당 anchor의 x, y 좌표와 Width, Height 값을 가지고 있다. cls Layer는 해당 박스 안에 물체가 존재하는지의 여부를 분류하고, reg Layer는 물체를 감싸는 Bounding Box의 정확한 위치를 예측한다. The 4k coordinate values going out to the reg layer have the x, y coordinates, width, and height values of the anchor. The cls layer classifies whether an object exists in the box, and the reg layer predicts the exact location of the bounding box surrounding the object.
두 layer들의 학습을 통해 물체가 들어 있는 정확한 Bounding Box, 즉 RoI들을 추출하는 것이다.Through the learning of the two layers, it is to extract the exact Bounding Boxes containing objects, that is, RoIs.
이러한 방법을 통해 RPN이 생성한 RoI들에 대해서 RoI Pooling을 시행하면, 각 Region에 대한 특징 맵이 모두다 동일하게 고정된 사이즈로 생성된다. 이를 통해서 각 RoI 내 물체들의 분류를 시행하는 것이다.When RoI pooling is performed on RoIs generated by RPN through this method, all feature maps for each region are created with the same fixed size. Through this, classification of objects within each RoI is performed.
화재 감시 센터 서버(200)의 상세 구성은 다음과 같다.The detailed configuration of the fire
도 6은 화재 감시 센터 서버의 상세 구성도이다.6 is a detailed configuration diagram of a fire monitoring center server.
화재 감시 센터 서버(200)는 영상 장치(100)의 가상화재 생성 딥러닝부(13) 및 화재 상황 감지 딥러닝부(14)의 딥러닝 프로그램과의 연동을 제어하고, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 학습 결과를 저장하는 딥러닝 연동 제어 및 결과 저장부(61)와, 영상 장치(100)로부터 전송되는 이미지들을 수신하여 저장하는 이미지 수신 및 저장부(62)와, 영상 장치(100)가 화재인 것으로 판단되어 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 보내오면 화재상황을 비교하는 화재상황 비교부(63)와, 화재상황 비교부(63)의 비교 결과를 기준으로 화재 상황을 감시하는 화재상황 감시부(64)와, 실제 화재 상황 발생시에 화재 상황 정보 및 이미지를 관리자 및 관련 기관으로 제공하는 화재 상황 정보 및 이미지 제공부(65)와, 화재 관련 데이터를 저장하고, 화재 요인 데이터 및 화재 데이터를 영상 장치(100)로 제공하는 데이터베이스(66)를 포함한다.The fire
본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 방법을 구체적으로 설명하면 다음과 같다.The method for building a fire and disaster prediction response platform according to the present invention is described in detail as follows.
도 7은 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 방법을 나타낸 플로우 차트이다.7 is a flow chart showing a method for building a platform for predicting fire and disaster situations according to the present invention.
먼저, 가시광선 이미지 및 열화상 이미지를 영상 장치(100)의 듀얼 카메라를 이용하여 획득한다.(S701)First, a visible ray image and a thermal image are acquired using the dual camera of the imaging device 100 (S701).
그리고 화재 감시 센터 서버(200)와 연동하여 듀얼 카메라부에 탑재된 딥러닝 프로그램을 통하여 화재 요인 데이터 및 화재 데이터를 학습하고, 학습된 데이터를 기반으로 가상의 화재 상황 데이터를 생성한다.(S702)In conjunction with the fire
이어, 생성된 가상의 화재 상황 데이터를 학습하고, 실시간으로 영상을 수집하여 화재 상황을 감지할 실제 화재 상황 데이터를 생성한다.(S703)Subsequently, the generated virtual fire situation data is learned, and images are collected in real time to generate actual fire situation data to detect the fire situation (S703).
그리고 학습된 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지한다.(S704)Then, based on the learned deep learning model, a fire situation is detected from the newly input dual image data and the presence or absence of a fire is detected (S704).
이어, 화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버(200)로 전송한다.(S705)Subsequently, if it is determined that it is a fire, the dual image, visible ray image, and thermal image of the fire detection event state are transmitted to the fire monitoring center server 200 (S705).
이상에서 설명한 본 발명에 따른 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템 및 방법은 각각 다른 형식의 이미지들을 수집하는 것에 의해 충분한 화재 인식 학습을 위한 데이터의 제공이 가능하도록 하여 신뢰성을 높인 것이다.The system and method for building a platform for predicting and responding to fire and disaster situations according to the present invention described above enhances reliability by enabling the provision of sufficient data for fire recognition learning by collecting images of different formats.
본 발명은 화재 인식을 위한 딥러닝 프로그램과 화재를 학습시키기 위한 가상화재 생성 프로그램을 카메라에 내장하여 화재로 인해 CCTV 카메라가 소실되어도 관련 학습률이 높아진 딥러닝 프로그램은 센터와 연동되어 보존 가능하도록 한 것이다.In the present invention, a deep learning program for fire recognition and a virtual property creation program for learning fire are embedded in a camera so that even if a CCTV camera is lost due to a fire, the deep learning program with a high learning rate can be preserved by interlocking with the center. .
본 발명은 화재 현장 카메라를 가시광선 이미지 및 열화상 이미지를 획득할 수 있는 듀얼 카메라로 구성하여 화재 발생 시 초기 진압이 가능한 과열 및 불꽃 단계의 화재 감지가 가능하도록 한 것이다.The present invention configures a fire scene camera as a dual camera capable of obtaining a visible ray image and a thermal image, so that in the event of a fire, it is possible to detect a fire in the overheating and flame phases that can be extinguished at an early stage.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.As described above, it will be understood that the present invention is implemented in a modified form without departing from the essential characteristics of the present invention.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.Therefore, the specified embodiments should be considered from a descriptive point of view rather than a limiting point of view, and the scope of the present invention is shown in the claims rather than the foregoing description, and all differences within the equivalent range are considered to be included in the present invention. will have to be interpreted
100. 영상 장치
200. 화재 감시 센터 서버100. Imaging devices
200. Fire monitoring center server
Claims (11)
영상 장치들의 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델과 연동되어 학습 결과를 저장하고, 영상 장치들로부터 전송되는 이미지를 저장하고 화재상황 비교 및 화재상황 감시를 통하여 화재 상황 정보 및 이미지를 제공하는 화재 감시 센터 서버;를 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.Equipped with a visible ray camera and a thermal imaging camera, and equipped with a deep learning model for creating virtual goods and a deep learning model for detecting fire situations, it detects the fire situation from newly input dual image data based on the learned deep learning model and detects whether or not there is a fire. Image devices that detect and transmit dual images, visible ray images, and thermal images of a fire detection event state to a fire monitoring center server when it is determined to be a fire;
In conjunction with the deep learning model for creating virtual objects of image devices and the deep learning model for detecting fire situations, learning results are stored, images transmitted from image devices are stored, and fire situation information and images are provided through fire situation comparison and fire situation monitoring. A system for building a fire and disaster prediction response platform comprising a; fire surveillance center server that provides.
물리적 특성 이용 소스 코드와 목적코드 상태에서 Lock을 설치하거나,
S/W가 저장매체에 저장될 때 하드웨어 특정한 위치(Diskette Sector 사이; HDD의 마지막 Cluster 등)에 인증을 위한 Code를 삽입하거나,
사용자 등록을 통해 사용자가 인증된 Key File(HDD의 S/N, Process ID)을 기입하게 해야만 프로그램 사용할 수 있게 하는 방법을 사용하거나, 이들 방법의 조합으로 보안성을 높이는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 1, in order to increase the security of the deep learning model for generating virtual goods and the deep learning model for detecting fire situations mounted on imaging devices,
Install a lock in the state of source code and object code using physical characteristics,
When S/W is stored in a storage medium, insert a code for authentication in a specific hardware location (between diskette sectors; last cluster of HDD, etc.), or
Fire and disaster characterized by using a method that allows the user to use the program only by having the user enter an authenticated key file (HDD S/N, Process ID) through user registration, or enhancing security by combining these methods A system for building a situation prediction response platform.
가시광선 이미지를 촬상하는 가시광선 카메라와,
열화상 이미지를 획득하기 위한 열화상 카메라와,
화재 감시 센터 서버와 연동하여 가상화재 생성 딥러닝 모델을 통하여 화재 요인 데이터 및 화재 데이터를 학습하고, 학습된 데이터를 기반으로 가상의 화재 상황 데이터를 생성하는 가상화재 생성 딥러닝부와,
생성된 가상의 화재 상황 데이터를 학습하고, 실시간으로 영상을 수집하여 화재 상황을 감지할 실제 화재 상황 데이터를 생성하고, 학습된 화재 상황 감지 딥러닝 모델을 기반으로 새로 입력되는 듀얼 영상 데이터에서 화재 상황을 검출하고 화재 유무를 감지하는 화재 상황 감지 딥러닝부를 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 1, wherein the imaging device,
A visible ray camera for capturing a visible ray image;
A thermal imaging camera for obtaining a thermal image;
A virtual material generation deep learning unit that learns fire factor data and fire data through a virtual material generation deep learning model in conjunction with a fire monitoring center server and generates virtual fire situation data based on the learned data;
It learns the created virtual fire situation data, collects images in real time to generate real fire situation data to detect fire situation, and fire situation from newly input dual image data based on the learned fire situation detection deep learning model. A system for building a fire and disaster prediction response platform comprising a fire situation detection deep learning unit that detects and detects the presence or absence of a fire.
가시광선 카메라 및 열화상 카메라를 통하여 획득된 영상 데이터를 학습 및 전송 가능하도록 처리하여 가상화재 생성 딥러닝부 및 화재 상황 감지 딥러닝부에 제공하고,
화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버로 전송하는 이미지 처리 및 전송부를 더 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 3, wherein the imaging device,
The image data obtained through the visible ray camera and the thermal imaging camera are processed to be learned and transmitted, and provided to the deep learning unit for generating virtual goods and the deep learning unit for detecting fire situations,
If it is determined that it is a fire, it further comprises an image processing and transmission unit for transmitting a dual image, a visible ray image, and a thermal image of a fire detection event state to a fire monitoring center server. system.
가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 학습을 화재 감시 센터 서버와 연동되도록 지원하는 딥러닝 연동부를 더 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 3, wherein the imaging device,
A system for building a platform for predicting and responding to fire and disaster situations, further comprising a deep learning interlocking unit that supports learning of a virtual property generation deep learning model and a fire situation detection deep learning model to be interlocked with a fire monitoring center server.
가시광선 카메라 및 열화상 카메라를 통한 영상 획득시에 조명, 촬상 각도 및 촬영 조건을 제어하여 현장에 최적화된 영상을 획득할 수 있도록 하는 듀얼 이미지 최적화부를 더 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 3, wherein the imaging device,
Prediction of fire and disaster situations, characterized in that it further comprises a dual image optimization unit to obtain images optimized for the field by controlling lighting, imaging angle, and shooting conditions when acquiring images through a visible ray camera and a thermal imaging camera A system for building a response platform.
화재 감시 센터 서버로부터 화재 요인 데이터 및 화재 데이터를 제공받을 수 있고, 화재 요인 데이터를 학습하고, 학습된 데이터를 기반으로 화재 요인 객체를 검출하고, 검출된 화재 요인 객체에 따른 화재 발생 가능성을 수치화 하여 출력하고,
화재 데이터를 학습하고, 학습된 데이터를 기반으로 화재 상황을 합성시켜 가상의 화재 상황 데이터를 생성하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 3, wherein the virtual goods generation deep learning model,
It can receive fire factor data and fire data from the fire surveillance center server, learn fire factor data, detect fire factor objects based on the learned data, and quantify the possibility of fire occurrence according to the detected fire factor objects. output,
A system for building a platform for predicting and responding to fire and disaster situations, characterized by learning fire data and generating virtual fire situation data by synthesizing fire situations based on the learned data.
영상 장치의 가상화재 생성 딥러닝부 및 화재 상황 감지 딥러닝부의 딥러닝 프로그램과의 연동을 제어하고, 가상화재 생성 딥러닝 모델 및 화재 상황 감지 딥러닝 모델의 학습 결과를 저장하는 딥러닝 연동 제어 및 결과 저장부와,
영상 장치로부터 전송되는 이미지들을 수신하여 저장하는 이미지 수신 및 저장부와,
영상 장치가 화재인 것으로 판단되어 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 보내오면 화재상황을 비교하는 화재상황 비교부와,
화재상황 비교부의 비교 결과를 기준으로 화재 상황을 감시하는 화재상황 감시부를 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 1, wherein the fire surveillance center server,
Control linkage with the deep learning program of the video device's virtual goods generation deep learning unit and fire situation detection deep learning unit, deep learning interlock control that stores the learning results of the virtual goods generation deep learning model and the fire situation detection deep learning model, and a result storage unit;
an image receiving and storing unit for receiving and storing images transmitted from an imaging device;
A fire situation comparison unit that compares fire conditions when the imaging device determines that there is a fire and sends a dual image, a visible ray image, and a thermal image in a fire detection event state;
A system for building a fire and disaster situation prediction response platform comprising a fire situation monitoring unit for monitoring the fire situation based on the comparison result of the fire situation comparison unit.
실제 화재 상황 발생시에 화재 상황 정보 및 이미지를 관리자 및 관련 기관으로 제공하는 화재 상황 정보 및 이미지 제공부와,
화재 관련 데이터를 저장하고, 화재 요인 데이터 및 화재 데이터를 영상 장치로 제공하는 데이터베이스를 더 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 시스템.The method of claim 9, wherein the fire surveillance center server,
A fire situation information and image provision unit that provides fire situation information and images to managers and related organizations in the event of an actual fire situation;
A system for building a platform for predicting and responding to fire and disaster situations, further comprising a database for storing fire-related data and providing fire factor data and fire data to an imaging device.
화재 감시 센터 서버와 연동하여 듀얼 카메라부에 탑재된 딥러닝 프로그램을 통하여 화재 요인 데이터 및 화재 데이터를 학습하고, 학습된 데이터를 기반으로 가상의 화재 상황 데이터를 생성하는 단계;
생성된 가상의 화재 상황 데이터를 학습하고, 실시간으로 영상을 수집하여 화재 상황을 감지할 실제 화재 상황 데이터를 생성하는 단계;
학습된 딥러닝 모델을 기반으로 새로 입력되는 가시광선 이미지 및 열화상 이미지에서 화재 상황을 검출하고 화재 유무를 감지하는 단계;
화재인 것으로 판단되면 화재감지 이벤트 상태의 듀얼 이미지, 가시광선 이미지, 열화상 이미지를 화재 감시 센터 서버로 전송하는 단계;를 포함하는 것을 특징으로 하는 화재 및 재난상황 예측 대응 플랫폼 구축을 위한 방법.
Acquiring a visible ray image and a thermal image using a dual camera of an imaging device;
Learning fire factor data and fire data through a deep learning program installed in a dual camera unit in conjunction with a fire surveillance center server, and generating virtual fire situation data based on the learned data;
Learning the generated virtual fire situation data and collecting images in real time to generate actual fire situation data to detect the fire situation;
Detecting a fire situation in a newly input visible ray image and a thermal image based on the learned deep learning model and detecting whether or not there is a fire;
A method for constructing a fire and disaster situation prediction response platform comprising the steps of transmitting a dual image, a visible ray image, and a thermal image of a fire detection event state to a fire monitoring center server when it is determined to be a fire.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210191812A KR20230101585A (en) | 2021-12-29 | 2021-12-29 | System and Method for Establishing Fire and Disaster Situation Prediction Response Platform |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210191812A KR20230101585A (en) | 2021-12-29 | 2021-12-29 | System and Method for Establishing Fire and Disaster Situation Prediction Response Platform |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230101585A true KR20230101585A (en) | 2023-07-06 |
Family
ID=87185943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210191812A KR20230101585A (en) | 2021-12-29 | 2021-12-29 | System and Method for Establishing Fire and Disaster Situation Prediction Response Platform |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230101585A (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180021521A (en) | 2016-08-22 | 2018-03-05 | 순천향대학교 산학협력단 | Fire detection system using thermovision camera |
| KR101863530B1 (en) | 2017-08-02 | 2018-05-31 | 주식회사 담우광학전자기술 | System for fire predict and maintenance using visible light and infrared ray thermal image |
| KR102160591B1 (en) | 2019-07-24 | 2020-09-28 | 동아대학교 산학협력단 | Fire situation generation system and its optimization method for fire situation detection model |
-
2021
- 2021-12-29 KR KR1020210191812A patent/KR20230101585A/en not_active Application Discontinuation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180021521A (en) | 2016-08-22 | 2018-03-05 | 순천향대학교 산학협력단 | Fire detection system using thermovision camera |
| KR101863530B1 (en) | 2017-08-02 | 2018-05-31 | 주식회사 담우광학전자기술 | System for fire predict and maintenance using visible light and infrared ray thermal image |
| KR102160591B1 (en) | 2019-07-24 | 2020-09-28 | 동아대학교 산학협력단 | Fire situation generation system and its optimization method for fire situation detection model |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yogameena et al. | Computer vision based crowd disaster avoidance system: A survey | |
| US8558889B2 (en) | Method and system for security system tampering detection | |
| US20110285851A1 (en) | Intruder situation awareness system | |
| WO2015087730A1 (en) | Monitoring system | |
| KR102160591B1 (en) | Fire situation generation system and its optimization method for fire situation detection model | |
| US9292939B2 (en) | Information processing system, information processing method and program | |
| Kumar et al. | Study of robust and intelligent surveillance in visible and multi-modal framework | |
| WO2022078182A1 (en) | Throwing position acquisition method and apparatus, computer device and storage medium | |
| MXPA04003441A (en) | Video tripwire. | |
| CN104981818A (en) | Systems and methods to classify moving airplanes in airports | |
| RU2713876C1 (en) | Method and system for detecting alarm events when interacting with self-service device | |
| KR20210078338A (en) | Intrusion detection system combining high performance rader and machine learning | |
| CN111553305B (en) | System and method for identifying illegal videos | |
| CN114913663A (en) | Anomaly detection method and device, computer equipment and storage medium | |
| CN115410354A (en) | Safety early warning method, device and system for industrial plant | |
| CN114677640A (en) | Intelligent construction site safety monitoring system and method based on machine vision | |
| CN113505704A (en) | Image recognition personnel safety detection method, system, equipment and storage medium | |
| KR20230101585A (en) | System and Method for Establishing Fire and Disaster Situation Prediction Response Platform | |
| Massaro et al. | Image Processing and Post-Data Mining Processing for Security in Industrial Applications: Security in Industry | |
| CN112580470A (en) | City visual perception method and device, electronic equipment and storage medium | |
| KR102647139B1 (en) | Apparatus and method for detecting abnormal behavior through deep learning-based image analysis | |
| KR102507540B1 (en) | Integrated fire monitoring system based on artificial intelligence | |
| US11587420B2 (en) | Systems and methods of combining RFID and VMS for people tracking and intrusion detection | |
| Kim et al. | Intelligent Risk-Identification Algorithm with Vision and 3D LiDAR Patterns at Damaged Buildings. | |
| Flammini et al. | Challenges and emerging paradigms for augmented surveillance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |