KR20230122959A - 안전사고 예방을 위한 위험 상황 모니터링 장치 및 방법 - Google Patents

Abstract

안전사고 예방을 위한 위험 상황 모니터링 장치 및 방법이 개시된다. 본 개시의 일 양상에 따른 위험 상황 모니터링 방법은, 영상 촬영 수단에 의해 실시간 촬영된 영상을 수신하는 단계; 미리 학습된 학습 모델을 이용하여 상기 영상에서 미리 설정된 객체들 중 적어도 하나의 객체를 검출하는 단계; 및 상기 검출된 객체와 상기 영상 촬영 수단의 거리를 추정하여 미리 설정된 위험 영역내에 상기 검출된 객체가 존재하는 것으로 판단되면, 미리 설정된 경고 신호를 제공하는 단계를 포함한다.

Description

안전사고 예방을 위한 위험 상황 모니터링 장치 및 방법 {DANGEROUS SITUSTION MONITORING APPARATUS AND MEHTOD FOR PREVENTING SAFETY ACCIDENTS}

본 개시는 위험 상황 모니터링 장치 및 방법에 관한 것이며, 보다 구체적으로 산업현장 내에서 안정사고 예방을 위한 위험 상황 모니터링 장치 및 방법에 대한 것이다.

건설현장, 제조 공장 및 물류창고와 같은 산업현장의 특정 공간 내에서 운영되는 작업용 차량의 경우, 다른 작업 차량 및 주변 작업자들과 혼재되어 업무를 수행하므로 돌발상황 및 위험요소 대응에 더 높은 집중과 주의가 요구된다. 이러한 상황의 보조장치로써 일반적으로 단순한 블랙박스형 전후방 카메라를 활용하여 주변의 상황을 카메라를 통해 확인해야하기 때문에 특히 가려진 작업자를 운전 중 찾아내기는 사실상 쉽지 않으며, 안전 사고 발생시 사후 증거영상 확인 용도로만 사용되고 있다.

또한 운전자의 사각지대에서 충돌 방지를 위한 초음파 센서를 이용하는 근접 감지 기능의 제품들도 사용되나 접근하는 작업 차량 및 작업자 이외에도 주변에 위치되어 있는 자재, 설비 및 철재기구들도 같이 감지가 되어 과잉 경고 알람이 발생되어 오히려 작업 효율을 저하시키는 악영향을 줄 수 있다.

그 밖에 위험지역의 접근의 위험을 알리는데 사용이 가능한 무선통신을 이용한 근접 감지 제품과 인공지능을 활용한 작업자 인식 제품도 존재하나, 무선통신을 이용하는 경우는 통신이 가능하도록 해당지역의 여러 곳에 송수신기의 설치가 필요하여 특정지역에 한정될 수밖에 없고, 인공지능을 활용한 제품들은 오직 작업자 인식에 한정되고 신체가 가려지는 상황에서 취약하다는 단점이 존재한다.

본 개시의 기술적 과제는, 산업현장 내에서 안정사고 예방을 위한 위험 상황 모니터링 장치 및 방법을 제공하는데 그 목적이 있다.

본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 개시의 일 실시 예에 따르면, 안전사고 예방을 위한 위험 상황 모니터링 장치 및 방법이 개시된다. 본 개시의 일 양상에 따른 위험 상황 모니터링 방법은, 영상 촬영 수단에 의해 실시간 촬영된 영상을 수신하는 단계; 미리 학습된 학습 모델을 이용하여 상기 영상에서 미리 설정된 객체들 중 적어도 하나의 객체를 검출하는 단계; 및 상기 검출된 객체와 상기 영상 촬영 수단의 거리를 추정하여 미리 설정된 위험 영역내에 상기 검출된 객체가 존재하는 것으로 판단되면, 미리 설정된 경고 신호를 제공하는 단계를 포함한다.

이때, 상기 검출하는 단계는, 사람의 신체 일부만이 객체로 검출되는 경우 각 신체 부위별 비율을 고려하여 상기 사람의 전신을 추정할 수 있다.

이때, 상기 검출하는 단계는, 상기 사람의 전신이 추정된 후 추정된 박스와 사람 박스의 관심 영역에 대한 중복 여부를 체크하고, 중복된 경우 미리 설정된 우선순위에 기초하여 하나의 박스를 최종 객체로 검출할 수 있다.

이때, 상기 수신하는 단계는, 170도 이상의 시야각을 갖는 상기 영상 촬영 수단으로부터 상기 영상을 수신할 수 있다.

이때, 상기 경고 신호를 제공하는 단계는, 상기 위험영역을 거리에 따라 적어도 하나 이상의 위험 영역으로 구분하고, 상기 구분된 위험 영역 각각에 대하여 상이한 경고 신호를 제공할 수 있다.

본 개시의 다른 양상에 따른 위험 상황 모니터링 장치는, 영상 촬영 수단에 의해 실시간 촬영된 영상을 수신하는 수신부; 미리 학습된 학습 모델을 이용하여 상기 영상에서 미리 설정된 객체들 중 적어도 하나의 객체를 검출하는 검출부; 및 상기 검출된 객체와 상기 영상 촬영 수단의 거리를 추정하여 미리 설정된 위험 영역내에 상기 검출된 객체가 존재하는 것으로 판단되면, 미리 설정된 경고 신호를 제공하는 알림부를 포함한다.

본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.

본 개시에 따르면, 산업현장 내에서 안정사고 예방을 위한 위험 상황 모니터링 장치 및 방법을 제공할 수 있다.

본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시 예에 따른 위험 상황 모니터링 방법의 동작 흐름도를 나타낸 도면이다.
도 2는 딥러닝 기반 인공지능 객체 검출의 예시를 나타낸 도면이다.
도 3은 신체 일부 검출 후 전신 추정 과정을 설명하기 위한 예시를 나타낸 도면이다.
도 4는 위험 상황 모니터링 과정을 설명하기 위한 예시를 나타낸 도면이다.
도 5는 위험 객체 근접 감지 및 경고 알림의 예를 나타낸 도면이다.
도 6은 위험 상황 모니터링 방법이 사용되는 예를 나타낸 도면이다.
도 7은 본 개시의 다른 실시 예에 따른 위험 상황 모니터링 장치의 구성을 나타낸 도면이다.
도 8은 본 개시의 다른 실시 예에 따른 위험 상황 모니터링 장치가 적용되는 디바이스의 구성도를 도시한 도면이다.

이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결 관계 뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들 간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.

본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위한 것일 뿐, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.

본 개시에 있어서, 본 명세서에 사용되는 위치 관계의 표현, 예컨대 상부, 하부, 좌측, 우측 등은 설명의 편의를 위해 기재된 것이고, 본 명세서에 도시된 도면을 역으로 보는 경우에는, 명세서에 기재된 위치 관계는 반대로 해석될 수도 있다.

본 개시의 실시예들은, 산업현장 내에서 운영되는 지게차와 같은 중장비를 포함한 모든 작업 차량 또는 접근 위험지역 등을 포함한 사람 및 이동체가 접근시에 위험을 알리는 방법 및 장치를 제공하는 것으로, 작업 차량에 설치 시 이동체들과 충돌을 사전에 예측/감지하여 운전자에게 경고신호를 보내고, 위험지역의 경우, 위험 지역에 접근하는 사람에게 사전에 경고 신호를 주어 사고를 예방할 수 있다.

여기서, 본 개시의 실시예들은, 카메라를 통해 실시간으로 주변환경을 탐색하고 딥러닝 모델이 탑재된 컨트롤러에서 주변환경의 이동체들을 탐지할 수 있다. 특히 170°이상의 시야각을 가지는 카메라 또는 영상 촬영 수단에 의해 촬영된 영상을 이용하여 객체를 검출하고 위험 상황을 모니터링함으로써, 넓은 범위에 대한 모니터링이 가능하고, 차량 운전자의 시야 외곽에 대한 객체 탐지 가능 및 넓은 위험지역 영역을 모니터링을 할 수 있는 장점이 있으며, 작업자의 신체의 일부가 가려진 상황에서 다수의 사고가 발생하는 문제점을 개선하기 위해 사람의 신체 일부가 검출되었을 경우 사람의 전신을 추정하여 위험영역내 작업자 위치를 추정할 수 있다.

그리고, 본 개시의 실시예들은, 모든 이동 객체들의 위험영역내 존재 여부를 판단하여 운전자 및 작업자(사람)에게 알람 기능을 통해 위험 상황을 알릴 수 있기 때문에 지능형 모니터링 제품에 적용할 수 있다.

이러한 본 개시의 실시예에 따른 방법 및 장치에 대한 도 1 내지 도 7을 참조하여 설명한다.

도 1은 본 개시의 일 실시 예에 따른 위험 상황 모니터링 방법의 동작 흐름도를 나타낸 도면이고, 도 4는 위험 상황 모니터링 과정을 설명하기 위한 예시를 나타낸 도면이다.

도 1과 도 4를 참조하면, 본 개시의 일 실시 예에 다른 위험 상황 모니터링 방법은, 영상 촬영 수단 예를 들어, 카메라에 의해 실시간 촬영된 영상을 수신하고, 미리 학습된 학습 모델의 인공지능을 이용하여 영상에서 미리 설정된 객체들 중 적어도 하나의 객체를 검출한다(S110, S115).

여기서, 단계 S110은, 170도 이상의 시야각을 가지는 영상 촬영 수단을 이용하여 객체를 검출하고자 하는 영상을 수신할 수 있으며, 단계 S115는 영상에서 미리 설정된 객체들 예를 들어, 사람 전신, 지게차, 배터리카, 사람 얼굴, 사람 상체, 사람 하체를 검출하기 위해 미리 학습된 학습 모델 예를 들어, 딥러닝 모델의 인공지능을 이용하여 영상에 포함된 적어도 하나의 객체를 검출할 수 있다. 예를 들어, 단계 S115는 도 2에 도시된 바와 같이, 미리 학습된 학습 모델의 인공지능을 이용하여 6개의 객체인 사람 전신, 지게차, 배터리카, 사람 얼굴, 사람 상체, 사람 하체를 검출할 수 있다. 여기서, 사람 얼굴, 사람 상체와 사람 하체는 사람 또는 작업자의 신체가 가려진 경우를 위하여 검출하는 것으로, 사람의 신체가 가려진 경우에도 신체의 일부를 검출함으로써, 다수의 사고 발생과 낮은 검출율을 보완할 수 있다. 물론, 인공지능은 검출하고자 하는 객체가 추가되는 경우 추가 객체를 포함하는 학습 데이터를 이용한 학습을 통해 인공지능의 학습 모델을 학습시킬 수 있다.

입력 영상에서 객체들을 검출하기 위한 인공지능은, CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DNN(Deep Neural Network), FPN(Feature Pyramid Network) 뿐만 아니라 본 개시의 실시예에 적용 가능한 모든 종류의 인공지능을 포함할 수 있다.

이러한 인공지능의 학습 모델은, 미리 수집된 학습 데이터와 학습된 학습 모델을 검증하기 위한 검증 데이터를 이용하여 학습될 수 있으며, 이렇게 학습된 학습 모델의 인공지능을 이용하여 입력 영상으로부터 미리 설정된 객체들을 검출할 수 있다.

단계 S115에 의해 영상에서 적어도 하나의 객체가 검출되면 검출된 객체의 클래스를 분류한다(S120). 즉, 단계 S120은 단계 S115에 의해 검출된 객체의 검출 값을 통해 클래스를 분류함으로써, 검출된 객체가 사람 전신, 지게차, 배터리카, 사람 얼굴, 사람 상체, 사람 하체인지를 분류할 수 있다.

사람 또는 작업자의 신체 일부를 검출해낸다 할지라도 작업자의 실제 위치를 판단하기 어렵고, 이는 위험 영역 내에 작업자가 존재하는지 여부를 판단할 수 없음을 뜻한다. 결과적으로 검출된 영상을 운전자 또는 모니터링 관계자가 실시간으로 직접 판단을 해야 하는 어려움이 생긴다. 따라서, 본 개시의 실시예에 따른 방법은, 이러한 불편함을 해소하기 위하여, 신체의 일부 검출 시 전신을 추정할 수 있다.

즉, 단계 S120에 의해 검출된 객체의 클래스가 분류되면, 분류된 클래스를 통해 작업자의 신체 일부가 검출되었는지 판단하고, 신체 일부가 검출된 경우 신체 일부를 이용하여 전신을 추정하는 과정을 수행한다(S125 내지 S140). 구체적으로, 영상으로부터 검출된 객체가 사람의 신체 일부 예를 들어, 물건 등에 의해 가려져서 얼굴, 상체, 하체와 같이 신체 일부만이 검출되는지 판단하고, 신체 일부만이 검출되는 경우 미리 설정된 각 신체 부위별 비율에 따라 신체 일부가 검출된 사람의 전신을 추정하고, 전신 추정에 의해 추정된 박스와 사람 박스의 관심 영역에 대한 중복 여부를 체크한 후 중복된 경우 우선순위에 따라 최종 결과로 하나의 검출 박스를 도출함으로써, 최종 결과로 도출된 전신을 최종 객체로 검출하게 된다. 예를 들어, 도 3에 도시된 바와 같이, 얼굴이 검출(310)된 경우 상체와 하체 비율을 이용하여 상체와 하체를 추정(320)하고, 상체가 검출(310)된 경우 얼굴과 하체 비율을 이용하여 얼굴과 하체를 추정(320)하며, 하체가 검출(310)된 경우 얼굴과 상체 비율을 이용하여 얼굴과 상체를 추정(320)함으로써, 전신을 추정한다. 전신추정이 된 후 여러 객체가 중첩되어 검출되는 상황이 발생한다. 따라서, 전신추정 이후 추정된 박스와 사람 박스의 관심영역 중복여부를 체크(330)한다. 만약 중복이 된 경우 우선순위에 따라서 최종 결과로 하나의 검출 박스(340)를 도출한다. 이때, 우선 순위는 미리 설정될 수 있으며, 실시예에 따라 사람 전신이 1순위, 상체가 2순위, 하체가 3순위, 얼굴이 4순위로 안정적인 검출 순위로 설정될 수 있다.

전신 추정 결과 최종적으로 남은 검출 박스는 총 3객체 예를 들어, 사람, 지게차, 배터리카로 결정되며, 해당 객체들 각각과 영상 촬영 수단(예를 들어, 카메라)의 거리를 추정하여 검출된 객체의 위험 영역내 존재 여부를 판단하고 위험 영역 내에 해당 객체가 존재하면 경고 신호를 보내게 된다(S145, S150, S155).

여기서, 위험 영역은 거리에 따라 적어도 하나 이상의 위험 영역 예를 들어, 고위험 영역과 위험 경고 영역으로 구분할 수 있고, 적어도 하나 이상의 위험 영역 내에서 충돌 위험이 있는 객체가 검출되었을 때 고위험 영역과 위험 경고 영역에 따라 알람을 다르게 지정하여 사용자에게 서비스 또는 제공할 수 있다.

산업 현장 특성에 맞게 위험 영역은 재설정 할 수 있으며 그 위험 영역 안에서 충돌 위험 객체가 검출되면 사용자에게 알람을 제공할 수 있다. 예를 들어, 본 개시의 실시예에 따른 방법은, 고위험 영역을 3m, 경고 영역을 7m로 설정할 수 있으며, 본 개시의 방법을 수행하는 장치의 설치 과정에서 높이, 각도 등의 가변성이 있을 수 있기 때문에 장치의 설치가 완료된 후 캘리브레이션을 수행할 수도 있다. 예를 들어, 근접 거리를 3m로 설정하고 모니터 화면의 3m 지점을 클릭하면 자동으로 근접 감지선이 생성되고 그 정보가 저장되어 사용자가 변경을 하기 전까지 그 세팅 대로 장치가 작동할 수 있다.

위험 감지는, 도 5에 도시된 영상의 예와 같이, 캘리브레이션 작업이 끝나면 위험 영역 감지선이 실시간으로 그려질 수 있으며, 객체의 검출 박스(a) 또는 신체 일부가 감지되어 전신을 추정한 결과 전신추정 박스(b)가 위험 영역 감지선 내부에 들어오면 객체가 위험 영역 내에 있다는 것을 인지하고 모니터, 경고음, 진동 등 다양한 형태의 알람을 사용자에게 제공할 수 있다.

본 개시의 실시예에 따른 방법은, 위험 상황을 모니터링하여 접근이 금지되거나 그 과정에서 위험이 생길 수 있는 상황을 사전에 예측하고 위험 상황을 경고 신호로 알려주어 사고를 예방하는 것으로, 다방면에서 효율적으로 사용할 수 있다. 특히 산업환경에서 인명피해를 줄이기 위해 신체를 부위별로 탐지하고 현 위치를 추정하는 기술을 통해 보다 안정적인 성능을 낼 수 있다. 예를 들어, 본 개시의 실시예에 따른 방법은, 도 6에 도시된 예와 같이 작업 차량과의 충돌 예방(a)에 적용하여 통해 작업자 및 이동체 안전사고를 예방하고, 위험 장비 주변 작업자 업무 과정(b)에 적용하여 위험 장비 접근 경고 알림을 제공하며, 접근 금지 구역(c)에 적용하여 위험지역 접근 경고 알림을 제공할 수 있다. 물론, 본 개시의 실시예에 따른 방법이 도 6에 도시된 적용 분야에 한정되거나 제한되지 않으며, 본 개시의 실시예에 따른 방법을 이용할 수 있는 모든 분야에 적용할 수 있다.

이와 같이, 본 개시의 실시예에 따른 방법은, 영상 장치와 딥 러닝 기반 인공지능 기술을 활용하여 실시간으로 작업현장의 위험요소들을 감지하고 위험 경고 알람을 운전자 및 작업자(사람)에게 제공하여 접근 과정에서 발생할 수 있는 안전사고를 예방할 수 있다. 특히 기존과 다르게 신체 부위별 감지를 통하여 가려지는 상황이 많은 현장에서 안정적으로 사람을 감지할 수 있으며, 전신 추정 기능을 통해서 사람의 실제 위치를 추정해내어 인명 피해를 최소화할 수 있다. 즉, 본 개시의 실시예에 따른 방법은, 기존의 블랙박스와 초음파 근접센서 등의 단편적인 장치와는 달리 실시간으로 위험요소를 판별하여 안전사고 예방을 위한 사전 알람을 제공하며, 저장된 영상을 통해 사후 분석 및 원인 분석이 가능하다.

또한, 본 개시의 실시예에 따른 방법은, 운전자의 시야 외곽의 위험요소, 이동물체의 가려짐 및 갑작스러운 사람의 출현 또는 위험지역 작업자(사람) 접근 등의 돌발상황에 효율적 대응이 가능하도록 하여 안전사고를 예방할 수 있다.

도 7은 본 개시의 다른 실시 예에 따른 위험 상황 모니터링 장치의 구성을 나타낸 도면으로, 도 1 내지 도 6의 방법을 수행하는 장치의 구성을 나타낸 도면이다.

도 7을 참조하면, 본 개시의 다른 실시 예에 따른 위험 상황 모니터링 장치(700)는, 수신부, 검출부와 알림부를 포함한다.

수신부(710)는, 영상 촬영 수단 예를 들어, 카메라에 의해 실시간 촬영된 영상을 수신한다.

이때, 수신부(710)는, 170도 이상의 시야각을 가지는 영상 촬영 수단을 이용하여 객체를 검출하고자 하는 영상을 실시간으로 수신할 수 있다.

검출부(720)는, 미리 학습된 학습 모델의 인공지능을 이용하여 영상에서 미리 설정된 객체들 중 적어도 하나의 객체를 검출한다.

이때, 검출부(720)는, 미리 설정된 객체들 예를 들어, 사람 전신, 지게차, 배터리카, 사람 얼굴, 사람 상체, 사람 하체를 검출하기 위해 미리 학습된 학습 모델 예를 들어, 딥러닝 모델의 인공지능을 이용하여 영상에 포함된 적어도 하나의 객체를 검출할 수 있다.

나아가, 검출부(720)는, 영상에서 적어도 하나의 객체가 검출되면 검출된 객체의 클래스를 분류하고, 분류된 클래스를 통해 검출된 객체가 신체 일부인 경우 미리 설정된 각 신체 부위별 비율에 따라 신체 일부가 검출된 사람의 전신을 추정하고, 전신 추정에 의해 추정된 박스와 사람 박스의 관심 영역에 대한 중복 여부를 체크한 후 중복된 경우 우선순위에 따라 최종 결과로 하나의 검출 박스를 도출함으로써, 최종 결과로 도출된 전신을 최종 객체로 검출할 수 있다. 예를 들어, 검출부(720)는, 검출된 객체가 얼굴인 경우 상체와 하체 비율을 이용하여 상체와 하체를 추정하고, 검출된 객체가 상체인 경우 얼굴과 하체 비율을 이용하여 얼굴과 하체를 추정하며, 검출된 객체가 하체인 경우 얼굴과 상체 비율을 이용하여 얼굴과 상체를 추정함으로써, 전신을 추정할 수 있다.

알림부(730)는, 검출된 객체와 영상 촬영 수단의 거리를 추정하여 검출된 객체의 위험 영역내 존재 여부를 판단하고 위험 영역 내에 해당 객체가 존재하면 경고 신호 또는 알림을 제공한다.

이때, 알림부(730)는, 위험 영역을 거리에 따라 적어도 하나 이상의 위험 영역 예를 들어, 고위험 영역과 위험 경고 영역으로 구분하고, 적어도 하나 이상의 위험 영역 내에서 충돌 위험이 있는 객체가 검출되었을 때 고위험 영역과 위험 경고 영역에 따라 알람을 다르게 지정하여 제공할 수 있다.

비록, 도 7의 장치에서 그 설명이 생략되더라도, 본 개시의 실시 예에 따른 장치는 도 1 내지 도 6의 방법에서 설명한 모든 내용을 포함할 수 있으며, 이는 해당 기술 분야에 종사하는 당업자에게 있어서 자명하다.

도 8은 본 개시의 또 다른 실시 예에 따른 위험 상황 모니터링 장치가 적용되는 디바이스의 구성도를 나타낸 도면이다.

예를 들어, 도 7의 본 개시의 다른 실시 예에 따른 위험 상황 모니터링 장치는 도 8의 디바이스(1600)가 될 수 있다. 도 8을 참조하면, 디바이스(1600)는 메모리(1602), 프로세서(1603), 송수신부(1604) 및 주변 장치(1601)를 포함할 수 있다. 또한, 일 예로, 디바이스(1600)는 다른 구성을 더 포함할 수 있으며, 상술한 실시 예로 한정되지 않는다. 이때, 상기 디바이스(1600)는 예를 들어 이동 가능한 사용자 단말기(예를 들어, 스마트 폰, 노트북, 웨어러블 기기 등) 이거나 고정된 관리 장치(예를 들어, 서버, PC 등) 일 수 있다.

보다 상세하게는, 도 8의 디바이스(1600)는 위험 상황 알림 장치, 위험 지역 경고 장치, 위험 알림 제공 장치 등과 같은 예시적인 하드웨어/소프트웨어 아키텍처일 수 있다. 이때, 일 예로, 메모리(1602)는 비이동식 메모리 또는 이동식 메모리일 수 있다. 또한, 일 예로, 주변 장치(1601)는 디스플레이, GPS 또는 다른 주변기기들을 포함할 수 있으며, 상술한 실시 예로 한정되지 않는다.

또한, 일 예로, 상술한 디바이스(1600)는 상기 송수신부(1604)와 같이 통신 회로를 포함할 수 있으며, 이에 기초하여 외부 디바이스와 통신을 수행할 수 있다.

또한, 일 예로, 프로세서(1603)는 범용 프로세서, DSP(digital signal processor), DSP 코어, 제어기, 마이크로제어기, ASIC들(Application Specific Integrated Circuits), FPGA(Field Programmable Gate Array) 회로들, 임의의 다른 유형의 IC(integrated circuit) 및 상태 머신과 관련되는 하나 이상의 마이크로프로세서 중 적어도 하나 이상일 수 있다. 즉, 상술한 디바이스(1600)를 제어하기 위한 제어 역할을 수행하는 하드웨어적/소프트웨어적 구성일 수 있다. 또한 상기 프로세서(1603)는 전술한 도 7의 검출부(620)와 알림부(630)의 기능을 모듈화하여 수행할 수 있다.

이때, 프로세서(1603)는 위험 상황 모니터링 장치의 다양한 필수 기능들을 수행하기 위해 메모리(1602)에 저장된 컴퓨터 실행가능한 명령어들을 실행할 수 있다. 일 예로, 프로세서(1603)는 신호 코딩, 데이터 처리, 전력 제어, 입출력 처리 및 통신 동작 중 적어도 어느 하나를 제어할 수 있다. 또한, 프로세서(1603)는 물리 계층, MAC 계층, 어플리케이션 계층들을 제어할 수 있다. 또한, 일 예로, 프로세서(1603)는 액세스 계층 및/또는 어플리케이션 계층 등에서 인증 및 보안 절차를 수행할 수 있으며, 상술한 실시 예로 한정되지 않는다.

일 예로, 프로세서(1603)는 송수신부(1604)를 통해 다른 장치들과 통신을 수행할 수 있다. 일 예로, 프로세서(1603)는 컴퓨터 실행가능한 명령어들의 실행을 통해 위험 상황 모니터링 장치가 네트워크를 통해 다른 장치들과 통신을 수행하게 제어할 수 있다. 즉, 본 개시에서 수행되는 통신이 제어될 수 있다. 일 예로, 송수신부(1604)는 안테나를 통해 RF 신호를 전송할 수 있으며, 다양한 통신망에 기초하여 신호를 전송할 수 있다.

또한, 일 예로, 안테나 기술로서 MIMO 기술, 빔포밍 등이 적용될 수 있으며, 상술한 실시 예로 한정되지 않는다. 또한, 송수신부(1604)를 통해 송수신한 신호는 변조 및 복조되어 프로세서(1603)에 의해 제어될 수 있으며, 상술한 실시 예로 한정되지 않는다.

본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.

본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.

또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.

본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

700 위험 상황 모니터링 장치
710 수신부
720 검출부
730 알림부

Claims (1)

1. 영상 촬영 수단에 의해 실시간 촬영된 영상을 수신하는 단계;
   미리 학습된 학습 모델을 이용하여 상기 영상에서 미리 설정된 객체들 중 적어도 하나의 객체를 검출하는 단계; 및
   상기 검출된 객체와 상기 영상 촬영 수단의 거리를 추정하여 미리 설정된 위험 영역내에 상기 검출된 객체가 존재하는 것으로 판단되면, 미리 설정된 경고 신호를 제공하는 단계
   를 포함하는, 위험 상황 모니터링 방법.
   

Images