KR20240040436A - Ai를 이용한 스마트 재난 관제 시스템 - Google Patents
Ai를 이용한 스마트 재난 관제 시스템 Download PDFInfo
- Publication number
- KR20240040436A KR20240040436A KR1020220119431A KR20220119431A KR20240040436A KR 20240040436 A KR20240040436 A KR 20240040436A KR 1020220119431 A KR1020220119431 A KR 1020220119431A KR 20220119431 A KR20220119431 A KR 20220119431A KR 20240040436 A KR20240040436 A KR 20240040436A
- Authority
- KR
- South Korea
- Prior art keywords
- fire
- image
- information
- sensor
- fire detection
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title description 12
- 238000013473 artificial intelligence Methods 0.000 title 1
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 239000000779 smoke Substances 0.000 claims abstract description 29
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000001931 thermography Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 abstract description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 8
- 239000007789 gas Substances 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 206010053615 Thermal burn Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000036575 thermal burns Effects 0.000 description 1
- 239000011882 ultra-fine particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G06Q50/26—Government or public 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/14—Central alarm receiver or annunciator arrangements
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Abstract
본 발명은, GIS서버(110), 화재발생위험도를 수치화하여 특성정보를 생성하는 지역특성 생성부(120), 기상서버(130), 관리구역단위에 대한 환경계측정보를 제공하는 하나 이상의 IoT 센서부(140), 관리구역단위별로 화재환경정보를 생성하는 화재환경정보 생성부(150), 관리구역단위별로 제1영상정보를 제공하는 하나 이상의 영상 제공부(160), 화재영상의 화염과 연기의 동적 패턴 정보 및 동적 패턴 정보에 따른 화재검출값의 데이터셋을 미리학습하여 구축된 화재검출 알고리즘을 통해서, 제1영상정보의 화재로 인한 화염이미지와 연기이미지와 열영상이미지를 입력으로 하여 화재검출값을 출력하는 딥러닝모델(170), 및 미리설정된 기준값을 초과하는 화재검출값에 상응하는 화재환경정보와 제1영상정보를 수신하고 분석하여, 화재발생을 실시간 모니터링하며, 화재발생가능성을 예측하고, 화재의 확산속도와 확산방향과 확산범위를 예측하여 해당 개별 건물과 인접 건물로 화재발생상황을 전파하고, 예측되는 확산방향과 확산범위에 포함되는 해당지역에서 식별되는 통신가능한 스마트단말기로 경고정보를 제공하는, 관제서버(180)를 포함하여, 딥러닝에 의해 화재를 높은 정확도로 신속하게 검출하여 선제적으로 대처하도록 하는 AI를 이용한 스마트 재난 관제 시스템을 개시한다.
Description
본 발명은 딥러닝에 의해 연기와 화염과 열화상의 동적 패턴을 분석하여 화재의 위험을 높은 정확도로 신속하게 검출하여 선제적으로 대응하도록 하는, AI를 이용한 스마트 재난 관제 시스템에 관한 것이다.
주지하는 바와 같이, 대형 화재, 가스누출, 침수, 붕괴, 교통사고 등의 재해재난은, 예기치 않게 빈번하게 발생하고 있으며, 이에 대처하기 위해, 방재 구호 기관에서는, 예컨대 건물, 지하공간, 물류창고, 유류저장소, 임야, 교통 수단 등과 같은 특정 공간에서의 재난의 발생을 감지하고, 이를 주위에 경고하는 시스템을 지속적으로 개발하고 있다.
특히, 공장, 물류센터, 물류창고, 물류터미널, 집합건물 등에서는, 실제 화재상황이 아닌, 흡연이나 요리중 발생하는 연기에 의해 연기감지기가 작동하여 오탐지할 수 있어서 화재진압을 위한 사회적 비용이 불필요하게 낭비될 수 있고, 오탐지로 인해 화재 예방활동을 소극적으로 만드는 주요 원인이 되기도 한다.
또한, 화재는 자연 발화로도 일어나지만 대부분은 사람들의 부주의에 의한 인재가 많고, 기온이 상승하면서 겨울철 건조해지고 습기가 적어지게 되면 순식간에 대형 화재로 번지는 경우가 빈번하다.
대형 물류창고 등 관리가 쉽지 않은 지역에서 화재가 발생하게 되면 초기 대처가 늦어져 화재를 진압하는데 상당한 예산과 인력이 투입되지만 그 피해 또한 엄청난 경제적 손실을 가져다 준다.
이에, 화재의 발생 시기와 위치를 사전 예측하는 것은 매우 어려운 일이지만, 화재 발생시 화염의 초기발견, 발화점의 정확한 위치 및 화재규모를 파악하는 것은 조기 진화에 매우 중요하다.
따라서, 인적자원에 의존하지 않고, 딥러닝에 의해 연기와 화염과 열화상의 동적 패턴을 분석하여 화재의 위험을 높은 정확도로 신속하게 검출하여 선제적으로 대응하도록 할 수 있는 기술이 요구된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 딥러닝에 의해 연기와 화염과 열화상의 동적 패턴을 분석하여 화재의 위험을 높은 정확도로 신속하게 검출하여 선제적으로 대응하도록 하는, AI를 이용한 스마트 재난 관제 시스템을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 도심지별과 교외별과 주거지역별과 상업지역별과 산업단지별과 물류단지별과 해안지역별과 산악지역별의 권역별로 분할된 특정지역의 지적과 도로와 건물과 항공사진의 지리정보를 제공하는 GIS서버; 빅데이터를 활용하여 상기 특정지역에 대한 건물 밀집도와 인구 밀집도와 통행 집중도에 따른 화재발생위험도를 수치화하여 특성정보를 생성하는 지역특성 생성부; 상기 특정지역에 대한 기상정보를 제공하는 기상서버; 상기 특정지역의 개별 건물의 층별 관리구역단위로 배치되며, 식별번호가 각각 부여되는, 온도센서와 습도센서와 풍향센서와 풍속센서와 조도센서와 열감지센서와 화염감지센서와 연기감지센서와 가스감지센서와 모션센서와 진동계와 누전센서 중 어느 하나 이상으로 그룹핑되어서, 상기 관리구역단위에 대한 환경계측정보를 제공하는 하나 이상의 IoT 센서부; 상기 IoT 센서부로부터 유무선네트워크를 통해 전송되는 상기 환경계측정보를 수집하고 조합하여 상기 관리구역단위별로 화재환경정보를 생성하는 화재환경정보 생성부; 상기 관리구역단위별로 배치되며, 식별번호가 각각 부여되는, 광학카메라와 열화상카메라로 구성되어 제1영상정보를 제공하는 하나 이상의 영상 제공부; 화재영상의 화염과 연기의 동적 패턴 정보 및 상기 동적 패턴 정보에 따른 화재검출값의 데이터셋을 미리학습하여 구축된 화재검출 알고리즘을 통해서, 상기 영상 제공부로부터 제공되는 제1영상정보의 화재로 인한 화염이미지와 연기이미지와 열영상이미지를 입력으로 하여 화재검출값을 출력하는 딥러닝모델; 및 미리설정된 기준값을 초과하는 상기 화재검출값에 상응하는 상기 화재환경정보와 상기 제1영상정보를 수신하고 분석하여, 화재발생을 실시간 모니터링하며, 화재발생가능성을 예측하고, 화재의 확산속도와 확산방향과 확산범위를 예측하여 해당 개별 건물과 인접 건물로 화재발생상황을 전파하고, 상기 예측되는 확산방향과 확산범위에 포함되는 해당지역에서 식별되는 통신가능한 스마트단말기로 경고정보를 제공하는, 관제서버;를 포함하는, AI를 이용한 스마트 재난 관제 시스템을 제공한다.
여기서, 상기 화재검출 알고리즘은 SSD(Single Shot MultiBox Detector)일 수 있다.
또한, 상기 딥러닝모델은 상기 영상 제공부의 광학카메라로부터 제공되는 영상의 이미지를 필터링하여 화염이미지와 연기이미지를 각각 생성하고, 상기 영상 제공부의 열영화상카메라로부터 제공되는 열화상 영상으로부터 열영상이미지를 추출하고, 상기 SSD는 상기 화염이미지로부터 제1화재검출값을 출력하는 제1SSD와, 상기 연기이미지로부터 제2화재검출값을 출력하는 제2SSD와, 상기 열영상이미지로부터 제3화재검출값을 출력하는 제3SSD를 포함하고, 상기 제1화재검출값과 상기 제2화재검출값과 상기 제3화재검출값을 통합 연산하여 최종 화재검출값을 도출할 수 있다.
또한, 상기 관제서버는 미리설정된 기준값을 초과하는 상기 화재검출값에 상응하는 상기 제1영상정보를 수신하여 화재이미지를 추출하고, 빅데이터로 축적된 화재이미지와 비교분석하여 화재발생가능성을 산출할 수 있다.
또한, 상기 관제서버는 상기 IoT 센서부의 정상가동시 전기신호특성과 장애발생시 전기신호특성을 분석하여, 상기 환경계측정보의 오류여부를 판단할 수 있다.
본 발명에 의하면, 인적자원에 의존하지 않고, 딥러닝에 의해 연기와 화염과 열화상의 동적 패턴을 분석하여 화재의 위험을 높은 정확도로 신속하게 검출하여 선제적으로 대응하도록 하고, 화재 예측지역을 집중 모니터링하여 선제적으로 대응하도록 할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 의한 AI를 이용한 스마트 재난 관제 시스템의 개략적인 구성도를 도시한 것이다.
도 2는 도 1의 AI를 이용한 스마트 재난 관제 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 AI를 이용한 스마트 재난 관제 시스템의 딥러닝모델을 예시한 것이다.
도 2는 도 1의 AI를 이용한 스마트 재난 관제 시스템의 구현도를 예시한 것이다.
도 3은 도 1의 AI를 이용한 스마트 재난 관제 시스템의 딥러닝모델을 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 AI를 이용한 스마트 재난 관제 시스템은, 지리정보를 제공하는 GIS서버(110), 화재발생위험도를 수치화하여 특성정보를 생성하는 지역특성 생성부(120), 기상서버(130), 관리구역단위에 대한 환경계측정보를 제공하는 하나 이상의 IoT 센서부(140), 관리구역단위별로 화재환경정보를 생성하는 화재환경정보 생성부(150), 관리구역단위별로 제1영상정보를 제공하는 하나 이상의 영상 제공부(160), 화재영상의 화염과 연기의 동적 패턴 정보 및 동적 패턴 정보에 따른 화재검출값의 데이터셋을 미리학습하여 구축된 화재검출 알고리즘을 통해서, 제1영상정보의 화재로 인한 화염이미지와 연기이미지와 열영상이미지를 입력으로 하여 화재검출값을 출력하는 딥러닝모델(170), 및 미리설정된 기준값을 초과하는 화재검출값에 상응하는 화재환경정보와 제1영상정보를 수신하고 분석하여, 화재발생을 실시간 모니터링하며, 화재발생가능성을 예측하고, 화재의 확산속도와 확산방향과 확산범위를 예측하여 해당 개별 건물과 인접 건물로 화재발생상황을 전파하고, 예측되는 확산방향과 확산범위에 포함되는 해당지역에서 식별되는 통신가능한 스마트단말기로 경고정보를 제공하는, 관제서버(180)를 포함하여, 딥러닝에 의해 화재를 높은 정확도로 신속하게 검출하여 선제적으로 대처하도록 하는 것을 요지로 한다.
이하, 도 1 내지 도 3을 참조하여, 전술한 구성의 AI를 이용한 스마트 재난 관제 시스템을 구체적으로 상술하면 다음과 같다.
우선, GIS(Geographic Information System)서버(110)는, 관제서버(180)에 의해 통합되어 관제되는 지역내에 속하는, 도심지별과 교외별과 주거지역별과 상업지역별과 산업단지별과 물류단지별과 해안지역별과 산악지역별의 권역별로 분할된 특정지역의 지적과 도로와 건물과 항공사진의 지리정보를 관제서버(180)로 제공한다.
여기서, GIS서버(110)는 특정지역에 대한 2D 지리정보, 및 인공위성(400)으로부터 제공되는 위성사진과 2D 지리정보로부터 변환된 3D 지리정보를 관제서버(180)와 드론비행제어부(195)로 각각 전송할 수 있다.
다음, 지역특성 생성부(120)는 과거 축적된 빅데이터를 활용하여 특정지역에 대한 건물 밀집도와 인구 밀집도와 통행 집중도에 따른 화재발생위험도를 수치화하여 지역별 특성정보를 생성한다.
예컨대, 지역특성 생성부(120)는 과거 축적된 화재관련 빅데이터를 활용하여 일자별과 주별과 월별과 계절별 온도와 습도의 변화추이 및 과거 화재발생패턴을 분석하고, 건물 밀집도와 인구 밀집도와 통행 집중도에 따라 가중치를 부여하여 화재발생위험도를 수치화하여 지역별 특성정보를 생성하여서, 관제서버(180)와 드론비행제어부(195)로 각각 전송할 수 있다.
여기서, 화재발생위험도는 화재발생시에 인명피해 또는 재산상의 피해가 심각해질 수 있는 정도를 나타내는 상대적인 지수일 수 있으며, 온도와 습도의 변화추이 및 과거 화재발생패턴에 따라 가중치가 부여될 수 있다.
한편, 관제서버(180)는 지역별 특성정보에 따라 실시간 모니터링의 감시강도를 차별화시키고, 드론비행제어부(195)는 지역별 특성정보에 따라 드론(190)에 의한 감시강도를 차별화시켜서, 관제서버(180)와 드론비행제어부(195)의 한정된 감시자원을 효율적으로 운영하도록 할 수 있다.
다음, 기상서버(130)는 특정지역에 대한 실시간 기상정보와 예측 기상정보를 관제서버(180)로 제공하여서, 기상상황에 따른 실시간 재난진행상황을 모니터링하도록 하거나 화재발생가능성을 예측하도록 하고, 드론비행제어부(195)로 제공하여 드론(190)의 비행여부와 비행범위와 비행고도와 비행패턴과 비행속도를 제어하도록 할 수 있다.
예컨대, 관제서버(180)는 고온건조한 기상조건에서는 화재발생가능성을 상대적으로 높게 예측하고, 저온습한 기상조건에서는 화재발생가능성을 상대적으로 낮게 예측할 수 있다.
다음, IoT 센서부(140)는 하나 이상으로 구성되어, 특히 특정지역의 공장, 물류센터, 물류창고, 물류터미널, 집합건물 등의 개별 건물의 층별 관리구역단위로 배치되며, 식별번호가 각각 부여되는, 온도센서와 습도센서와 풍향센서와 풍속센서와 조도센서와 열감지센서와 화염감지센서와 연기감지센서와 가스감지센서와 모션센서와 진동계와 누전센서의 화재 등의 재난을 감지하는 센서 중 어느 하나 이상으로 그룹핑되어서, 각 센서에 의해 계측된 관리구역단위에 대한 환경계측정보를 유무선 네트워크를 통해 화재환경정보 생성부(150)로 제공한다.
여기서, 각 센서에는 식별번호가 각각 부여되어서, 관제서버(180)에 의해 배치된 관리구역단위와 해당 센서가 개별적으로 식별되도록 할 수 있다.
또한, 각 센서별로 임베디드 코딩을 수행하여 화재환경정보 생성부(150)에 의해 규격에 맞게 변환되어 관제서버(180)에 의해 통합되어 모니터링되도록 할 수 있다.
또한, 가스감지센서는 화재발생시 생성되는 CO 등의 연소가스의 성분 및 농도를 감지하여, 관제서버(180)에 의해 실제 화재발생여부와 발화원인물질을 식별하여, 발화원인물질에 따라 화재를 신속하게 진화할 수 있는 소화장비정보를 제공하도록 할 수도 있다.
다음, 화재환경정보 생성부(150)는 IoT 센서부(140)로부터 유무선네트워크를 통해 전송되는 환경계측정보를 수집하고 조합하여 관리구역단위별로 화재환경정보를 생성하여서, 관제서버(180)로 제공하여 지리정보상에 화재환경정보를 오버랩시켜서 관리구역단위별로 실시간 모니터링되도록 한다.
다음, 영상 제공부(160)는 하나 이상으로 구성되어 관리구역단위별로 배치되며, 식별번호가 각각 부여되는, 광학카메라와 열화상카메라로 구성되어 관리구역단위 내외부 및 해당 건물 내외부에 대한 광학영상과 열화상영상을 포함하는 제1영상정보를 생성하여서 딥러닝모델(170)과 관제서버(180)로 제공한다.
다음, 딥러닝모델(170)은, 인적자원에 의하지 않고, 화재의 위험을 신속하고 신뢰성있게 예측하는 구성으로서, 빅데이터의 관리구역단위와 유사한 환경에서의 화재영상의 화염과 연기의 동적 패턴 정보 및 동적 패턴 정보에 따른 화재검출값의 데이터셋을 미리학습하여 구축된 화재검출 알고리즘을 통해서, 영상 제공부(160)로부터 제공되는 제1영상정보의 화재로 인한 화염이미지와 연기이미지와 열영상이미지를 입력으로 하여 화재검출값을 출력하여서, 관리구역단위별로 화재를 예측하도록 한다.
한편, 관리구역단위와 유사한 환경에서의 화재영상은 실제 화재영상일 수 있으나, 생성적 적대 신경망(GAN;Generative Adversarial Network)에 의해, 화재 상황인 아닌 관리구역단위 내부 또는 외부의 환경 데이터로부터 실존하지 않지만 있을 법한 화재 상황에 대한 이미지를 시간대별로 예측하여 화재가 확산되는 화재영상을 생성하도록 하여 학습을 위한 데이터셋을 확보할 수도 있다.
여기서, 화재검출 알고리즘은 SSD(Single Shot MultiBox Detector)을 적용하여 화재를 검출하도록 할 수 있는데, SSD는 객체 검출 알고리즘으로서, 재샘플링과정(resampling)없이, VGG-16에서 추출한 특징에 대해 다양한 해상도의 레이어로부터 검출을 수행하여 보다 신속하고 정확하게 화재를 검출할 수 있다.
또한, 데이터셋의 신속한 학습을 위한 백본(backbone)으로 ResNet-50을 사용할 수 있다.
또한, 도 3을 참고하면, 딥러닝모델(170)은 영상 제공부(160)의 광학카메라로부터 제공되는 영상의 이미지를 필터링하여 화염이미지와 연기이미지를 각각 생성하고, 영상 제공부(160)의 열영화상카메라로부터 제공되는 열화상 영상으로부터 열영상이미지를 추출하고, SSD는 화염이미지로부터 제1화재검출값을 출력하는 제1SSD(171)와, 연기이미지로부터 제2화재검출값을 출력하는 제2SSD(172)와, 열영상이미지로부터 제3화재검출값을 출력하는 제3SSD(173)를 포함하고, 제1화재검출값과 제2화재검출값과 제3화재검출값을 통합 연산하여 최종 화재검출값을 도출할 수 있다.
여기서, 화재의 초기발생시, 경과시간에 따라, 화염과 연기와 열화상의 크기와 강도와 동적 패턴이 시계열적으로 상이할 수 있으므로, 경과시간별로 제1화재검출값과 제2화재검출값과 제3화재검출값에 상이한 가중치를 각각 부여하여 최종 화재검출값을 도출할 수도 있다.
또한, 가스감지센서에 의해, 최초 발화시에 생성되는 초미립자 분해 생성물을 감지하고, 제2SSD(172)에 의해, 초기 연소시에 생성되는 연기를 검출하고, 제1SSD(171) 내지 제3SSD(173)에 의해, 확대되는 연소시에 발생하는 화염과 연기와 열화상을 검출할 수 있다.
다음, 관제서버(180)는 미리설정된 기준값을 초과하는 화재검출값에 상응하는 관리구역단위의 화재환경정보와 제1영상정보를 수신하고 분석하여서, 화재발생을 실시간 모니터링하며, 화재발생가능성을 예측하고, 화재의 확산속도와 확산방향과 확산범위를 예측하여 해당 개별 건물과 인접 건물로 화재발생상황을 전파하고, 예측되는 확산방향과 확산범위에 포함되는 해당지역에서 식별되는 통신가능한 스마트단말기(200)로 경고정보를 제공하도록 한다.
한편, 관제서버(180)는 미리설정된 기준값을 초과하는 화재검출값에 상응하는 제1영상정보를 수신하여 화재이미지를 추출하고, 추출된 화재이미지와 빅데이터로 축적된 화재이미지를 상호 비교분석하여 화재발생가능성을 산출할 수도 있다.
또한, 관제서버(180)는 IoT 센서부(140)의 각 센서의 정상가동시 전기신호특성과 센서 자체의 장애발생시의 전기신호특성을 상호 비교 분석하여, 환경계측정보의 오류여부를 판단하여서, 각 센서의 오감지 가능성을 최소화하도록 할 수도 있다.
또한, 관제서버(180)는 기상서버(130)로부터의 기상정보를 분석하여 화재의 확산속도와 확산방향과 확산범위를 예측하고, 예측되는 확산속도와 확산방향과 확산범위에 포함되는 해당지역에 설치된 비상경보설비 및 비상방송설비를 통해 경고정보를 제공하여 대처하거나 대피하도록 할 수도 있다.
또한, 관제서버(180)는 앞서 예측되는 화재의 확산방향과 확산범위에 포함되는 해당지역에서 식별되는 통신가능한 스마트단말기(200)로 경고정보를 제공하여서, 스마트단말기(200)의 소유자에게 재난발생지역을 우회하여 대피하도록 할 수도 있다.
또한, 화재환경정보와 제1영상정보와 제2영상정보는 클라우드서버(300)로 전송되어 저장되어서 빅데이터로 활용되도록 하고, 관제서버(180)는 클라우드서버(300)로부터 화재환경정보와 제1영상정보와 제2영상정보를 실시간 수신할 수도 있다.
또한, 관제서버(180)는 인공위성(400)으로부터 수신되는 화재발생지역에 대한 위성사진 및 화재환경정보와 제1영상정보와 제2영상정보를 분석하여서, 화재발생원점을 특정하여서 구호차량 또는 구호장비의 집중 투입 장소를 제공할 수도 있다.
또한, 관제서버(180)는 지리정보를 분석하여서, 화재발생원점으로의 구호차량의 최단 접근로 정보, 해당 지역에서의 구호장비 보관함 정보 및 화재발생원점으로부터의 대피로 정보를 생성하여 재난 유관 기관서버 또는 재난지역의 거주민의 스마트단말기로 제공하도록 할 수도 있다.
다음, 드론(190)은 다수로 구성되어 각각 광학카메라와 열화상카메라를 구비하며, 특정지역에 설정된 미리설정된 플래그를 따라 주기적으로 비행하여 특정지역에 대한 항공이미지 또는 항공영상의 제2영상정보를 관제서버(180)로 유무선 네트워크를 통해 실시간 제공한다.
다음, 드론비행제어부(195)는 드론(190)의 비행여부와 비행범위와 비행고도와 비행패턴과 비행속도를 제어하되, 3D 지리정보를 활용하여 관제서버(180)에 의해 모니터링되거나 예측되는 화재발생지역으로의 드론(190)의 비행경로를 플래그로 설정하여 드론(190)을 호버링 비행시켜 제2영상정보를 관제서버(180)로 제공하도록 하여서, 화재발생가능성이 높은 지역을 정지비행하여 화재상황을 관제서버(180)에 의해 실시간 모니터링하도록 하거나 실제 화재 발생전에 집중 모니터링하도록 할 수 있다.
한편, 드론비행제어부(195)는 지역특성 생성부(120)에 의해 생성된 화재발생위험도에 따라 특정지역에 대해 드론(190)의 플래그를 순차적으로 추종하는 순회 비행 또는 특정 플래그에서의 호버링 비행의 비행패턴과 비행속도와 비행고도를 제어하도록 하여서, 화재발생위험도가 상대적으로 낮은 지역은 순회 비행하고, 화재발생위험도가 상대적으로 높은 지역은 저속 비행하거나 호버링 비행하도록 할 수 있다.
여기서, 관제서버(180)는, 화재검출값이 기준값 이상이면, 드론(190)으로부터 실시간으로 전송되는 제2영상정보를 분석하여서 실제 화재발생여부를 판단하도록 할 수도 있다.
따라서, 전술한 바와 같은 AI를 이용한 스마트 재난 관제 시스템의 구성에 의해서, 인적자원에 의존하지 않고, 딥러닝에 의해 연기와 화염과 열화상의 동적 패턴을 분석하여 화재의 위험을 높은 정확도로 신속하게 검출하여 선제적으로 대응하도록 하고, 화재 예측지역을 집중 모니터링하여 선제적으로 대응하도록 할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
110 : GIS서버
120 : 지역특성 생성부
130 : 기상서버 140 : IoT 센서부
150 : 화재환경정보 생성부 160 : 영상 제공부
170 : 딥러닝모델 171 : 제1SSD
172 : 제2SSD 173 : 제3SSD
180 : 관제서버 190 : 드론
195 : 드론비행제어부 200 : 스마트단말기
300 : 클라우드서버 400 : 인공위성
130 : 기상서버 140 : IoT 센서부
150 : 화재환경정보 생성부 160 : 영상 제공부
170 : 딥러닝모델 171 : 제1SSD
172 : 제2SSD 173 : 제3SSD
180 : 관제서버 190 : 드론
195 : 드론비행제어부 200 : 스마트단말기
300 : 클라우드서버 400 : 인공위성
Claims (5)
- 도심지별과 교외별과 주거지역별과 상업지역별과 산업단지별과 물류단지별과 해안지역별과 산악지역별의 권역별로 분할된 특정지역의 지적과 도로와 건물과 항공사진의 지리정보를 제공하는 GIS서버;
빅데이터를 활용하여 상기 특정지역에 대한 건물 밀집도와 인구 밀집도와 통행 집중도에 따른 화재발생위험도를 수치화하여 특성정보를 생성하는 지역특성 생성부;
상기 특정지역에 대한 기상정보를 제공하는 기상서버;
상기 특정지역의 개별 건물의 층별 관리구역단위로 배치되며, 식별번호가 각각 부여되는, 온도센서와 습도센서와 풍향센서와 풍속센서와 조도센서와 열감지센서와 화염감지센서와 연기감지센서와 가스감지센서와 모션센서와 진동계와 누전센서 중 어느 하나 이상으로 그룹핑되어서, 상기 관리구역단위에 대한 환경계측정보를 제공하는 하나 이상의 IoT 센서부;
상기 IoT 센서부로부터 유무선네트워크를 통해 전송되는 상기 환경계측정보를 수집하고 조합하여 상기 관리구역단위별로 화재환경정보를 생성하는 화재환경정보 생성부;
상기 관리구역단위별로 배치되며, 식별번호가 각각 부여되는, 광학카메라와 열화상카메라로 구성되어 제1영상정보를 제공하는 하나 이상의 영상 제공부;
화재영상의 화염과 연기의 동적 패턴 정보 및 상기 동적 패턴 정보에 따른 화재검출값의 데이터셋을 미리학습하여 구축된 화재검출 알고리즘을 통해서, 상기 영상 제공부로부터 제공되는 제1영상정보의 화재로 인한 화염이미지와 연기이미지와 열영상이미지를 입력으로 하여 화재검출값을 출력하는 딥러닝모델; 및
미리설정된 기준값을 초과하는 상기 화재검출값에 상응하는 상기 화재환경정보와 상기 제1영상정보를 수신하고 분석하여, 화재발생을 실시간 모니터링하며, 화재발생가능성을 예측하고, 화재의 확산속도와 확산방향과 확산범위를 예측하여 해당 개별 건물과 인접 건물로 화재발생상황을 전파하고, 상기 예측되는 확산방향과 확산범위에 포함되는 해당지역에서 식별되는 통신가능한 스마트단말기로 경고정보를 제공하는, 관제서버;를 포함하는,
AI를 이용한 스마트 재난 관제 시스템.
- 제1항에 있어서,
상기 화재검출 알고리즘은 SSD(Single Shot MultiBox Detector)인 것을 특징으로 하는,
AI를 이용한 스마트 재난 관제 시스템.
- 제1항에 있어서,
상기 딥러닝모델은 상기 영상 제공부의 광학카메라로부터 제공되는 영상의 이미지를 필터링하여 화염이미지와 연기이미지를 각각 생성하고, 상기 영상 제공부의 열영화상카메라로부터 제공되는 열화상 영상으로부터 열영상이미지를 추출하고,
상기 SSD는 상기 화염이미지로부터 제1화재검출값을 출력하는 제1SSD와, 상기 연기이미지로부터 제2화재검출값을 출력하는 제2SSD와, 상기 열영상이미지로부터 제3화재검출값을 출력하는 제3SSD를 포함하고,
상기 제1화재검출값과 상기 제2화재검출값과 상기 제3화재검출값을 통합 연산하여 최종 화재검출값을 도출하는 것을 특징으로 하는,
AI를 이용한 스마트 재난 관제 시스템.
- 제1항에 있어서,
상기 관제서버는 미리설정된 기준값을 초과하는 상기 화재검출값에 상응하는 상기 제1영상정보를 수신하여 화재이미지를 추출하고, 빅데이터로 축적된 화재이미지와 비교분석하여 화재발생가능성을 산출하는 것을 특징으로 하는,
AI를 이용한 스마트 재난 관제 시스템.
- 제1항에 있어서,
상기 관제서버는 상기 IoT 센서부의 정상가동시 전기신호특성과 장애발생시 전기신호특성을 분석하여, 상기 환경계측정보의 오류여부를 판단하는 것을 특징으로 하는,
AI를 이용한 스마트 재난 관제 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220119431A KR20240040436A (ko) | 2022-09-21 | 2022-09-21 | Ai를 이용한 스마트 재난 관제 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220119431A KR20240040436A (ko) | 2022-09-21 | 2022-09-21 | Ai를 이용한 스마트 재난 관제 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240040436A true KR20240040436A (ko) | 2024-03-28 |
Family
ID=90483007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220119431A KR20240040436A (ko) | 2022-09-21 | 2022-09-21 | Ai를 이용한 스마트 재난 관제 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240040436A (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101086221B1 (ko) | 2010-03-11 | 2011-11-23 | 최승욱 | 재난 감시 시스템 및 재난 감시 시스템 운용 방법 |
| KR101439267B1 (ko) | 2013-01-15 | 2014-09-18 | 주식회사 퓨처테크 | 실시간 스마트형 무인 화재 관제 장치 |
-
2022
- 2022-09-21 KR KR1020220119431A patent/KR20240040436A/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101086221B1 (ko) | 2010-03-11 | 2011-11-23 | 최승욱 | 재난 감시 시스템 및 재난 감시 시스템 운용 방법 |
| KR101439267B1 (ko) | 2013-01-15 | 2014-09-18 | 주식회사 퓨처테크 | 실시간 스마트형 무인 화재 관제 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Dhief et al. | A review of forest fire surveillance technologies: Mobile ad-hoc network routing protocols perspective | |
| CN110390789A (zh) | 基于大数据的森林防火数据分析系统 | |
| KR102062500B1 (ko) | 산불 재해 감시 서버 | |
| CN105243627A (zh) | 基于无人机的消防监控系统 | |
| CN109493561A (zh) | 一种基于图像处理的火灾监控系统 | |
| KR20210051376A (ko) | 빅데이터 기반의 건축물 화재 예방 대응 시스템 | |
| Mekni | Design and Implementation of a Smart fire detection and monitoring system based on IoT | |
| Singh et al. | IoT based forest fire detection system in cloud paradigm | |
| Krishnamoorthy et al. | A design and development of the smart forest alert monitoring system using IoT | |
| Wang et al. | Effectiveness evaluation of Internet of Things-aided firefighting by simulation | |
| KR20220071880A (ko) | 지하공동구 맞춤형 디지털트윈 재난 관리 시스템 | |
| KR20240040436A (ko) | Ai를 이용한 스마트 재난 관제 시스템 | |
| KR20150061289A (ko) | Usn 기반의 화재 경로 예측 시스템 | |
| KR102471397B1 (ko) | 화재 관제 시스템 | |
| Cerotti et al. | A markovian agent model for fire propagation in outdoor environments | |
| CN116189372A (zh) | 一种应用大数据技术的森林防火多层预警监测系统及方法 | |
| KR102213204B1 (ko) | 인공 신경망을 이용하여, gis 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치 | |
| KR20240040434A (ko) | 오탐지 방지 기능을 구비한 스마트 재난 감지 시스템 | |
| KR20150061251A (ko) | Usn 기반의 실시간 화재관제 시스템 | |
| Kaur et al. | Wireless sensor networks for fire detection and control | |
| Gao et al. | Data-driven forest fire analysis | |
| KR20240031535A (ko) | 통합 재난 관제 시스템 | |
| Ko et al. | Intelligent wireless sensor network for wildfire detection | |
| Saida et al. | LORA Based Forest Fire Monitoring System | |
| Krishnamoorthy et al. | Research Article A Design and Development of the Smart Forest Alert Monitoring System Using IoT |