KR20240098472A - System for monitoring fire accident of engine room in ship - Google Patents

System for monitoring fire accident of engine room in ship Download PDF

Info

Publication number
KR20240098472A
KR20240098472A KR1020220180252A KR20220180252A KR20240098472A KR 20240098472 A KR20240098472 A KR 20240098472A KR 1020220180252 A KR1020220180252 A KR 1020220180252A KR 20220180252 A KR20220180252 A KR 20220180252A KR 20240098472 A KR20240098472 A KR 20240098472A
Authority
KR
South Korea
Prior art keywords
fire
engine room
prediction unit
image information
possibility
Prior art date
Application number
KR1020220180252A
Other languages
Korean (ko)
Inventor
홍상의
Original Assignee
(주) 일진앤드
Filing date
Publication date
Application filed by (주) 일진앤드 filed Critical (주) 일진앤드
Publication of KR20240098472A publication Critical patent/KR20240098472A/en

Links

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
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C2/00—Fire prevention or containment
    • A62C2/04—Removing or cutting-off the supply of inflammable material
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C2/00—Fire prevention or containment
    • A62C2/06—Physical fire-barriers
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/07—Fire prevention, containment or extinguishing specially adapted for particular objects or places in vehicles, e.g. in road vehicles
    • A62C3/10—Fire prevention, containment or extinguishing specially adapted for particular objects or places in vehicles, e.g. in road vehicles in ships
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C37/00—Control of fire-fighting equipment
    • A62C37/36—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device
    • A62C37/38—Control of fire-fighting equipment an actuating signal being generated by a sensor separate from an outlet device by both sensor and actuator, e.g. valve, being in the danger zone
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/02—Constructional details
    • G01J5/025—Interfacing a pyrometer to an external device or network; User interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08B26/00—Alarm systems in which substations are interrogated in succession by a central station

Abstract

본 발명은, 제1영상정보를 생성하는 광학카메라(110), 제2영상정보와 온도상승정보를 생성하는 열화상카메라(120), 딥러닝기반의 제1예측알고리즘을 통해, 제1영상정보에 의한 미스트오일의 분포와 농도에 따른 화재가능성을 예측하는 제1예측부(130), 딥러닝기반의 제2예측알고리즘을 통해, 제1영상정보 및 제2영상정보로부터 작업자의 객체를 추출하고 행동패턴을 분석하여 행동패턴에 따른 화재가능성을 예측하는 제2예측부(140), 딥러닝기반의 제3예측알고리즘을 통해, 제1영상정보 및 제2영상정보로부터 불꽃패턴과 연기패턴과 온도상승패턴을 추출하고 이에 따른 화재가능성을 예측하는 제3예측부(150), 및 제1예측부(130) 또는 제3예측부(150)에 의한 화재가능성에 따라 화재경고를 전파하고, 통합가능성을 산출하여 실재 화재상황을 식별하여 화재경고를 전파하는, 통합 모니터링부(160)를 포함하여, 화재초기상황을 신속하게 판단하여 신속하게 대응하도록 하는, 선박 엔진룸 화재사고 감지 시스템을 개시한다.
The present invention provides first image information through an optical camera 110 that generates first image information, a thermal image camera 120 that generates second image information and temperature rise information, and a first prediction algorithm based on deep learning. The first prediction unit 130, which predicts the possibility of fire according to the distribution and concentration of mist oil, extracts the worker's object from the first image information and the second image information through a deep learning-based second prediction algorithm and A second prediction unit 140 that analyzes behavior patterns and predicts the possibility of fire according to the behavior patterns, and uses a deep learning-based third prediction algorithm to determine flame patterns, smoke patterns, and temperatures from the first image information and the second image information. The third prediction unit 150 extracts the rising pattern and predicts the fire probability accordingly, and spreads a fire warning according to the fire probability by the first prediction unit 130 or the third prediction unit 150, and integrates the possibility. Disclosed is a ship engine room fire accident detection system that quickly determines the initial fire situation and responds quickly, including an integrated monitoring unit 160 that calculates and identifies the actual fire situation and disseminates a fire warning.

Description

선박 엔진룸 화재사고 감지 시스템{SYSTEM FOR MONITORING FIRE ACCIDENT OF ENGINE ROOM IN SHIP} Ship engine room fire accident detection system {SYSTEM FOR MONITORING FIRE ACCIDENT OF ENGINE ROOM IN SHIP}

본 발명은 인공지능에 기반한 영상분석을 통해 미스트오일을 계측하고 화재가능성을 예측하여, 초기화재시의 전력망의 정전과 센서의 오작동에도, 보다 안정적이고 신속하게 초기화재상황을 파악하여 대처하도록 하는, 선박 엔진룸 화재사고 감지 시스템에 관한 것이다.The present invention measures mist oil and predicts the possibility of fire through image analysis based on artificial intelligence, so that the initial fire situation can be identified and responded to more stably and quickly even in the event of a power grid outage and sensor malfunction in the event of an initial fire. This is about the engine room fire accident detection system.

일반적으로, 선박 내에는 화재, 엔진 미스트오일, 선원 신변 문제 등으로 인한 사고를 방지하기 위한 안전장치 및 이를 감지하기 위한 계측장비가 설치되어 있으나, 설치 환경 또는 운항 환경에 따라 오작동하거나 계측성능이 저하되어 사고에 적절하게 대응하는데 한계가 있다.In general, safety devices and measuring equipment to detect accidents are installed in ships to prevent accidents due to fire, engine mist oil, crew member's personal problems, etc., but they may malfunction or measurement performance may deteriorate depending on the installation or operating environment. There are limits to responding appropriately to accidents.

특히, 압력 배관의 균열로 인해 발생되는 선박 유류 비산, 오일 누유 등으로 인한 사고 사례가 빈번히 발생하지만, 정전기 방진복을 착용하는 수준에서 대처하지만, 정전기 방진복은 근본적인 대책이 되지 못하고, 미스트오일의 농도가 높아지면 화재 또는 폭발로 이어지는 위험성이 상존한다.In particular, accidents due to ship oil scattering and oil leakage caused by cracks in pressure pipes occur frequently. Although these can be dealt with by wearing static dust protective clothing, static dust protective clothing is not a fundamental solution, and the concentration of mist oil is low. If it increases, there is always a risk of fire or explosion.

또한, 미스트오일을 계측하는 센서를 통해 미스트오일을 감지하기도 하지만, 설치 환경과 운항 환경에 영향을 받아 오탐율이 높고 센서에 도달하여야만 탐지되는 특성상 화재의 확산에 따라 실제 감지되기까지 지연시간이 경과하여 초기화재에 대응하는데 한계가 있다.In addition, mist oil can be detected through a sensor that measures mist oil, but the false positive rate is high due to the influence of the installation environment and operating environment, and due to the nature of detection only when it reaches the sensor, there is a delay time until it is actually detected as the fire spreads. Therefore, there are limitations in responding to initial fires.

이에, 인공지능에 기반한 영상분석을 통해 미스트오일을 계측하고 화재가능성을 예측할 수 있는 기술이 요구된다.Accordingly, technology that can measure mist oil and predict the possibility of fire through image analysis based on artificial intelligence is required.

한국 등록특허공보 제10-1433472호Korean Patent Publication No. 10-1433472 한국 등록특허공보 제10-1426040호Korean Patent Publication No. 10-1426040

본 발명의 사상이 이루고자 하는 기술적 과제는, 인공지능에 기반한 영상분석을 통해 미스트오일을 계측하고 화재가능성을 예측하여, 초기화재시의 전력망의 정전과 센서의 오작동에도, 보다 안정적이고 신속하게 초기화재상황을 파악하여 대처하도록 하는, 선박 엔진룸 화재사고 감지 시스템을 제공하는 데 있다.The technical task to be achieved by the idea of the present invention is to measure mist oil and predict the possibility of fire through image analysis based on artificial intelligence, so that the initial fire situation can be more stable and quickly, even in the event of a power grid outage and sensor malfunction in the event of an initial fire. The purpose is to provide a ship engine room fire accident detection system that identifies and responds to fires.

전술한 목적을 달성하고자, 본 발명의 실시예는, 선박의 엔진룸에 설치되어 영상촬영하여 제1영상정보를 생성하는 광학카메라; 선박의 엔진룸에 설치되어 열영상촬영하여 제2영상정보와 온도상승정보를 생성하는 열화상카메라; 과거 축적된 미스트오일의 분포와 농도 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제1예측알고리즘을 통해, 상기 제1영상정보 및 상기 제2영상정보로부터 작업자의 객체를 추출하고, 상기 제1영상정보에 의한 미스트오일의 분포와 농도에 따른 화재가능성을 예측하는 제1예측부; 과거 축적된 엔진룸 작업자의 행동패턴 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제2예측알고리즘을 통해, 상기 제1영상정보 및 상기 제2영상정보로부터 작업자의 객체를 추출하고 행동패턴을 분석하여 상기 행동패턴에 따른 화재가능성을 예측하는 제2예측부; 과거 축적된 엔진룸의 불꽃패턴과 연기패턴과 온도상승패턴 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제3예측알고리즘을 통해, 상기 제1영상정보 및 상기 제2영상정보로부터 불꽃패턴과 연기패턴과 온도상승패턴을 추출하고 이에 따른 화재가능성을 예측하는 제3예측부; 및 엔진룸에 작업자가 식별되지 않는 경우, 상기 제1예측부 또는 상기 제3예측부에 의한 화재가능성에 따라 상기 제1영상정보를 실시간 모니터링하여 실제 화재상황을 식별하여 화재경고를 전파하고, 엔진룸에 작업자가 식별되는 경우, 상기 제1예측부에 의한 화재가능성과 상기 제2예측부에 의한 화재가능성과 상기 제3예측부에 의한 화재가능성을 통합 연산하여 통합가능성을 산출하여 일정 기준값을 초과하면 상기 제1영상정보와 상기 제2영상정보를 실시간 모니터링하여 실재 화재상황을 식별하여 실재 화재상황을 식별하여 화재경고를 전파하는, 통합 모니터링부;를 포함하는, 선박 엔진룸 화재사고 감지 시스템을 제공한다.In order to achieve the above-mentioned object, an embodiment of the present invention includes: an optical camera installed in the engine room of a ship to capture images and generate first image information; A thermal imaging camera installed in the engine room of a ship to capture thermal images and generate second image information and temperature rise information; Through the first prediction algorithm based on deep learning, which was built by pre-learning the distribution and concentration of mist oil accumulated in the past and the corresponding learning data on the possibility of fire, the worker's object is identified from the first image information and the second image information. a first prediction unit that extracts and predicts the possibility of fire according to the distribution and concentration of mist oil based on the first image information; Through a deep learning-based second prediction algorithm built by pre-learning the behavior patterns of engine room workers accumulated in the past and the corresponding learning data on the possibility of fire, the worker's object is identified from the first image information and the second image information. a second prediction unit that extracts and analyzes behavior patterns to predict the possibility of fire according to the behavior patterns; Through a deep learning-based third prediction algorithm built by pre-learning the flame pattern, smoke pattern, temperature rise pattern, and corresponding fire possibility learning data of the engine room accumulated in the past, the first image information and the second image are A third prediction unit that extracts flame patterns, smoke patterns, and temperature rise patterns from the information and predicts the possibility of fire accordingly; And when no worker is identified in the engine room, the first image information is monitored in real time according to the possibility of fire by the first prediction unit or the third prediction unit, the actual fire situation is identified and a fire warning is disseminated, and the engine room is not identified. When a worker is identified in the room, the fire probability by the first prediction unit, the fire probability by the second prediction unit, and the fire probability by the third prediction unit are calculated to calculate the integrated probability and exceed a certain standard value. A ship engine room fire accident detection system comprising: an integrated monitoring unit that monitors the first image information and the second image information in real time to identify the actual fire situation and disseminate a fire warning; to provide.

여기서, 상기 통합 모니터링부는, 상기 제1예측부에 의한 화재가능성과 상기 제2예측부에 의한 화재가능성에 비해, 상기 제3예측부에 의한 화재가능성에 가중치를 두어 통합 연산하여 상기 통합가능성을 산출할 수 있다.Here, the integrated monitoring unit calculates the integrated probability by weighting the fire probability by the third prediction unit compared to the fire probability by the first prediction unit and the fire probability by the second prediction unit. can do.

또한, 상기 통합 모니터링부는 상기 제1예측부에 의한 화재가능성에 따라 엔진룸의 환기팬 및 미스트오일 집진기의 가동을 제어할 수 있다.In addition, the integrated monitoring unit can control the operation of the ventilation fan and the mist oil dust collector in the engine room according to the possibility of fire according to the first prediction unit.

또한, 상기 통합 모니터링부는, 엔진룸에 작업자가 식별되지 않는 경우, 상기 제1예측부 또는 상기 제3예측부에 의한 화재가능성이 기준값을 초과하면, 엔진룸의 방화벽을 차폐하고, 음압을 제공하여 엔진룸을 진공상태로 유지하도록 할 수 있다.In addition, the integrated monitoring unit shields the firewall of the engine room and provides negative pressure when the possibility of fire by the first prediction unit or the third prediction unit exceeds the standard value when no worker is identified in the engine room. The engine room can be maintained in a vacuum state.

또한, 상기 통합 모니터링부는, 엔진룸에 작업자가 식별되는 경우, 상기 통합가능성이 기준값을 초과하면, 상기 제1영상과 상기 제2영상을 분석하여 엔진룸 대피경로를 설정하여 전파하고, 엔진룸의 소화수배관을 통해 소화수를 분사하도록 할 수 있다.In addition, when a worker is identified in the engine room, the integrated monitoring unit analyzes the first image and the second image to set and propagate an engine room evacuation route if the integration possibility exceeds the standard value, and sets and propagates the engine room evacuation route. Fire extinguishing water can be sprayed through the fire extinguishing water pipe.

또한, 상기 제1예측부와 상기 제2예측부와 상기 제3예측부(150)의 각 예측알고리즘은, 영상정보로부터 해당 특징으로 추출하는 특징 추출기와, 상기 추출된 특징으로부터 미스트오일과 작업자와 불꽃과 연기의 관심객체를 각각 검출하는 검출기로 이루어진 CNN일 수 있다.In addition, each prediction algorithm of the first prediction unit, the second prediction unit, and the third prediction unit 150 includes a feature extractor that extracts corresponding features from image information, mist oil, and an operator from the extracted features. It may be a CNN consisting of detectors that respectively detect objects of interest such as flame and smoke.

본 발명에 의하면, 인공지능에 기반한 영상분석을 통해 미스트오일을 계측하고 화재가능성을 예측하여, 초기화재시의 전력망의 정전과 센서의 오작동에도, 보다 안정적이고 신속하게 초기화재상황을 파악하여 대처하도록 하고, 영상분석을 통해 작업자의 비정상 행동패턴 및 초기화재시의 불꽃패턴과 연기패턴과 온도상승패턴으로부터 화재가능성을 예측하여 오탐지 가능성을 낮추도록 할 수 있는 효과가 있다.According to the present invention, by measuring mist oil and predicting the possibility of fire through image analysis based on artificial intelligence, the initial fire situation can be identified and responded to more stably and quickly even in the event of a power grid outage and sensor malfunction at the time of an initial fire. , video analysis has the effect of lowering the possibility of false detection by predicting the possibility of fire from the worker's abnormal behavior pattern and the flame pattern, smoke pattern, and temperature rise pattern during the initial fire.

도 1은 본 발명의 실시예에 의한 선박 엔진룸 화재사고 감지 시스템의 구성도를 도시한 것이다.
도 2는 도 1의 선박 엔진룸 화재사고 감지 시스템의 구현도를 예시한 것이다.
도 3 및 도 4는 도 1의 선박 엔진룸 화재사고 감지 시스템의 예측 알고리즘을 각각 예시한 것이다.

Figure 1 shows the configuration of a ship engine room fire accident detection system according to an embodiment of the present invention.
Figure 2 illustrates an implementation diagram of the ship engine room fire accident detection system of Figure 1.
Figures 3 and 4 respectively illustrate prediction algorithms of the ship engine room fire accident detection system of Figure 1.

이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.Hereinafter, embodiments of the present invention having the above-described features will be described in more detail with reference to the attached drawings.

본 발명의 실시예에 의한 선박 엔진룸 화재사고 감지 시스템은, 제1영상정보를 생성하는 광학카메라(110), 제2영상정보와 온도상승정보를 생성하는 열화상카메라(120), 딥러닝기반의 제1예측알고리즘을 통해, 제1영상정보에 의한 미스트오일의 분포와 농도에 따른 화재가능성을 예측하는 제1예측부(130), 딥러닝기반의 제2예측알고리즘을 통해, 제1영상정보 및 제2영상정보로부터 작업자의 객체를 추출하고 행동패턴을 분석하여 행동패턴에 따른 화재가능성을 예측하는 제2예측부(140), 딥러닝기반의 제3예측알고리즘을 통해, 제1영상정보 및 제2영상정보로부터 불꽃패턴과 연기패턴과 온도상승패턴을 추출하고 이에 따른 화재가능성을 예측하는 제3예측부(150), 및 제1예측부(130) 또는 제3예측부(150)에 의한 화재가능성에 따라 화재경고를 전파하고, 통합가능성을 산출하여 실재 화재상황을 식별하여 화재경고를 전파하는, 통합 모니터링부(160)를 포함하여, 화재초기상황을 신속하게 판단하여 신속하게 대응하도록 하는 것을 요지로 한다.The ship engine room fire accident detection system according to an embodiment of the present invention includes an optical camera 110 that generates first image information, a thermal imaging camera 120 that generates second image information and temperature rise information, and a deep learning-based Through the first prediction algorithm, the first prediction unit 130 predicts the possibility of fire according to the distribution and concentration of mist oil by the first image information, and through the second prediction algorithm based on deep learning, the first image information and a second prediction unit 140 that extracts the worker's object from the second image information, analyzes the behavior pattern, and predicts the possibility of a fire according to the behavior pattern. Through a deep learning-based third prediction algorithm, the first image information and The third prediction unit 150, which extracts the flame pattern, smoke pattern, and temperature rise pattern from the second image information and predicts the possibility of fire accordingly, and the first prediction unit 130 or the third prediction unit 150 Including an integrated monitoring unit 160 that disseminates fire warnings according to the fire probability, calculates the integrated probability, identifies the actual fire situation, and disseminates the fire warning, it quickly determines the initial fire situation and responds quickly. Make this the point.

이하, 도면을 참조하여, 전술한 구성의 선박 엔진룸 화재사고 감지 시스템을 구체적으로 상술하면 다음과 같다.Hereinafter, with reference to the drawings, the ship engine room fire accident detection system of the above-described configuration will be described in detail as follows.

우선, 광학카메라(110)는 선박의 엔진룸에 설치되어 내부공간을 영상촬영하여 제1영상정보를 생성하여서, TCP/IP 등의 유무선네트워크를 통해 제1예측부(130)와 제2예측부(140)와 제3예측부(150)로 각각 전송한다.First, the optical camera 110 is installed in the engine room of the ship to capture images of the interior space to generate first image information, and then to the first prediction unit 130 and the second prediction unit through a wired or wireless network such as TCP/IP. It is transmitted to (140) and the third prediction unit (150), respectively.

한편, 통합 모니터링부(160)는 일정주기단위로 촬영된 영상을 상호비교하여 미스트오일, 먼지 등으로 인한 광학카메라(110)의 렌즈 오염을 식별하여서, 오염물질을 제거하거나 교체하도록 하여 고해상도의 제1영상정보를 지속적으로 생성하여 인식률을 높이도록 할 수 있다.Meanwhile, the integrated monitoring unit 160 compares images taken at regular intervals to identify contamination of the lens of the optical camera 110 due to mist oil, dust, etc., and removes or replaces the contaminants to provide high-resolution products. 1You can increase the recognition rate by continuously generating image information.

또한, 광학카메라(110)는 사각지대없이 엔진룸의 내부공간을 촬영하도록 다수로 설치될 수 있다.Additionally, the optical cameras 110 may be installed in large numbers to photograph the interior space of the engine room without blind spots.

다음, 열화상카메라(120)는 선박의 엔진룸에 설치되어 내부공간을 적외선에 의해 열영상촬영하여 제2영상정보와 온도상승정보를 생성하여서, TCP/IP 등의 유무선네트워크를 통해 제1예측부(130)와 제2예측부(140)와 제3예측부(150)로 각각 전송한다.Next, the thermal imaging camera 120 is installed in the engine room of the ship and takes thermal images of the internal space using infrared rays to generate second image information and temperature rise information and make the first prediction through a wired or wireless network such as TCP/IP. It is transmitted to unit 130, second prediction unit 140, and third prediction unit 150, respectively.

한편, 통합 모니터링부(160)는 일정주기단위로 촬영된 영상을 상호비교하여 미스트오일, 먼지 등으로 인한 열화상카메라(120)의 렌즈 오염을 식별하여서, 오염물질을 제거하거나 교체하도록 하여 고해상도의 제2영상정보를 지속적으로 생성하여 인식률을 높이도록 할 수 있다.Meanwhile, the integrated monitoring unit 160 compares images taken at regular intervals to identify contamination of the lens of the thermal imaging camera 120 due to mist oil, dust, etc., and removes or replaces the contaminants to provide high-resolution The recognition rate can be increased by continuously generating second image information.

또한, 열화상카메라(120)는 사각지대없이 엔진룸의 내부공간을 촬영하도록 다수로 설치될 수 있다.Additionally, the thermal imaging camera 120 may be installed in large numbers to capture the interior space of the engine room without blind spots.

또한, 제1영상정보 및 제2영상정보는 NVR(Network Video Recorder)를 통해 저장하고, 제1예측부(130)와 제2예측부(140)와 제3예측부(150)로 구성된 영상분석서버로 전성할 수 있다.In addition, the first image information and the second image information are stored through an NVR (Network Video Recorder), and image analysis consists of a first prediction unit 130, a second prediction unit 140, and a third prediction unit 150. It can be transformed into a server.

다음, 제1예측부(130)는, 빅데이터로 과거 축적된 미스트오일의 분포와 농도 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제1예측알고리즘을 통해서, 제1영상정보 및 제2영상정보로부터 작업자의 객체를 추출하여 작업자의 존재를 식별하고, 상기 광학카메라(110)로부터 입력되는 제1영상정보로부터 미스트오일의 분포와 농도를 계측하고, 계측된 미스트오일의 분포와 2ppm 이상의 농도에 따른 엔진룸의 화재가능성을 예측하여 출력하도록 한다.Next, the first prediction unit 130 uses a deep learning-based first prediction algorithm built by pre-learning the distribution and concentration of mist oil accumulated in the past using big data and learning data on the possibility of fire accordingly, to determine the first prediction algorithm. The presence of the worker is identified by extracting the worker's object from the image information and the second image information, the distribution and concentration of mist oil are measured from the first image information input from the optical camera 110, and the measured mist oil is measured. Predict and output the possibility of fire in the engine room according to distribution and concentration above 2ppm.

이와 같이, 센서에 의하지 않고, 영상정보를 분석하여 미스트오일의 분포와 농도를 지연없이 계측하도록 하여서, 센서의 오작동 또는 오류에 구애받지 않고, 화재초기상황을 보다 더 신속하게 파악하도록 할 수 있다.In this way, the distribution and concentration of mist oil can be measured without delay by analyzing image information without relying on a sensor, so that the initial fire situation can be identified more quickly without being affected by sensor malfunction or error.

다음, 제2예측부(140)는, 빅데이터로 과거 축적된 엔진룸 작업자의 행동패턴 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제2예측알고리즘을 통해, 제1영상정보 및 제2영상정보로부터의 입력정보를 통해 작업자의 객체를 추출하고 행동패턴을 분석하여 행동패턴에 따른 화재가능성을 예측하여 출력하도록 한다.Next, the second prediction unit 140 uses a deep learning-based second prediction algorithm built by pre-learning the behavioral patterns of engine room workers accumulated in the past as big data and the corresponding learning data on the possibility of fire, to predict the first prediction. The worker's object is extracted through input information from the image information and the second image information, the behavior pattern is analyzed, and the possibility of fire according to the behavior pattern is predicted and output.

여기서, 작업자의 행동패턴의 화재시의 비정상 행동패턴으로서, 장시간 움직임이 없거나, 엔진룸 바닥에 쓰러지거나, 발작을 일으키거나, 긴박한 움직임을 보이는 행동패턴일 수 있다.Here, the worker's abnormal behavior pattern in the event of a fire may be a behavior pattern in which the worker does not move for a long time, falls on the engine room floor, has a seizure, or shows urgent movement.

다음, 제3예측부(150)는, 빅데이터로 과거 축적된 엔진룸의 불꽃패턴과 연기패턴과 온도상승패턴 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제3예측알고리즘을 통해, 제1영상정보 및 제2영상정보로부터의 입력정보를 통해 불꽃패턴과 연기패턴과 온도상승패턴을 추출하고 이에 따른 화재가능성을 예측하여 출력하도록 한다.Next, the third prediction unit 150 is a deep learning-based third prediction built by pre-learning the flame pattern, smoke pattern, temperature rise pattern, and corresponding fire probability learning data in the engine room accumulated in the past using big data. Through an algorithm, flame patterns, smoke patterns, and temperature rise patterns are extracted through input information from the first image information and the second image information, and the possibility of fire is predicted and output accordingly.

예컨대, 제3예측부(150)는 제1영상정보 및 제2영상정보로부터 화재초기시의 불꽃발생과 연기 확산범위 증가와 단기간 비정상적인 급격한 온도 상승을 분석하여서, 초기화재시의 이를 각각 감지하는 해당 센서의 오작동 또는 오류 또는 해당 센서로 전력을 공급하는 전력망의 정전시에도, 이에 따른 화재가능성을 예측하도록 할 수 있다.For example, the third prediction unit 150 analyzes the occurrence of flames at the beginning of a fire, an increase in the spread of smoke, and an abnormal sudden temperature rise in a short period of time from the first image information and the second image information, and uses a corresponding sensor to detect these in the event of an initial fire. Even in the event of a malfunction or error or a power outage in the power grid that supplies power to the sensor, the possibility of a fire can be predicted.

한편, 제1예측부(130)와 제2예측부(140)와 제3예측부(150)의 각 예측알고리즘은, 도 3 및 도 4를 참고하면, 입력되는 영상정보로부터 해당 특징으로 추출하는 특징 추출기(feature extractor)와, 추출된 특징으로부터 미스트오일, 작업자, 불꽃, 연기 등의 관심객체를 검출하는 검출기(detector)로 이루어진 CNN(Convolution Neural Network)일 수 있다.Meanwhile, referring to FIGS. 3 and 4, each prediction algorithm of the first prediction unit 130, the second prediction unit 140, and the third prediction unit 150 extracts corresponding features from input image information. It may be a CNN (Convolution Neural Network) consisting of a feature extractor and a detector that detects objects of interest such as mist oil, workers, flames, and smoke from the extracted features.

다음, 통합 모니터링부(160)는 운영서버로서, 엔진룸을 실시간 모니터링하면서, 앞서 언급된 화재가능성을 앙상블 모듈을 통해 결합하여 통합 연산하여서 화재가능성을 종합적으로 예측하여 오탐지 가능성을 최소화하도록 한다.Next, the integrated monitoring unit 160, as an operation server, monitors the engine room in real time and combines the aforementioned fire possibilities through an ensemble module to perform integrated calculations to comprehensively predict the fire probability and minimize the possibility of false detection.

예컨대, 통합 모니터링부(160)는, 엔진룸에 작업자가 식별되지 않는 경우, 제1예측부(130) 또는 제3예측부(150)에 의한 화재가능성에 따라 제1영상정보를 실시간 모니터링하여 실제 화재상황을 식별하여 화재경고를 전파하여 대처하도록 하고, 엔진룸에 작업자가 식별되는 경우, 제1예측부(130)에 의한 화재가능성과 제2예측부(140)에 의한 화재가능성과 제3예측부(150)에 의한 화재가능성을 통합 연산하여 통합가능성을 산출하여 일정 기준값을 초과하면 제1영상정보와 제2영상정보를 실시간 모니터링하여 실재 화재상황을 식별하여 실재 화재상황을 식별하여 화재경고를 전파하여 대처하도록 할 수 있다.For example, when a worker is not identified in the engine room, the integrated monitoring unit 160 monitors the first image information in real time according to the possibility of fire by the first prediction unit 130 or the third prediction unit 150 to provide actual information. A fire situation is identified and a fire warning is spread to respond, and when a worker is identified in the engine room, the fire possibility by the first prediction unit 130, the fire possibility by the second prediction unit 140, and the third prediction are predicted. The integrated probability of fire is calculated by the unit 150, and if it exceeds a certain standard value, the first image information and the second image information are monitored in real time to identify the actual fire situation and a fire warning is issued. You can deal with it by spreading it.

즉, 통합 모니터링부(160)는, 엔진룸에 작업자가 있는 경우에는, 작업자의 존재로 인한 불꽃패턴과 연기패턴과 온도상승패턴의 간섭 또는 상호 영향에 따른 부정확한 검출로 인한 오탐지 가능성을 줄이도록 할 수 있도록, 미스트오일의 계측값과 작업자의 비정상 행동패턴을 통해 화재가능성을 예측하도록 하고, 엔진룸에 작업자가 없는 경우에는, 작업자의 존재로 인한 간섭 또는 상호 영향을 제거할 수 있어서, 불꽃패턴과 연기패턴과 온도상승패턴으로부터 보다 정확한 화재가능성을 예측하도록 할 수 있다.In other words, when there is a worker in the engine room, the integrated monitoring unit 160 reduces the possibility of false detection due to inaccurate detection due to interference or mutual influence between the flame pattern, smoke pattern, and temperature rise pattern due to the presence of the worker. In order to do this, the possibility of fire is predicted through the measured value of mist oil and the worker's abnormal behavior pattern. In the case where there is no worker in the engine room, interference or mutual influence due to the presence of the worker can be eliminated, It is possible to predict the probability of fire more accurately from patterns, smoke patterns, and temperature rise patterns.

여기서, 통합 모니터링부(160)는, 제1예측부(130)에 의한 화재가능성과 제2예측부(140)에 의한 화재가능성에 비해, 실재 화재와 상관도가 상대적으로 높은 제3예측부(150)에 의한 화재가능성에 가중치를 두어 통합 연산하여 통합가능성을 산출할 수 있다.Here, the integrated monitoring unit 160 is a third prediction unit ( 150), the integrated probability can be calculated by weighting the probability of fire.

한편, 제1예측부(130)에 의한 화재가능성이 일정 기준값을 초과하면, 통합 모니터링부(160)는 해당 화재가능성에 따라 엔진룸의 환기팬 및 미스트오일 집진기의 가동을 제어하여서, 화재를 유발할 수 있는 미스트오일을 외부로 배기하여 화재발생전에 화재가능성을 낮추도록 할 수 있고 화재 초기발생 후에는 확산을 억제하도록 할 수 있다.Meanwhile, if the possibility of fire by the first prediction unit 130 exceeds a certain standard value, the integrated monitoring unit 160 controls the operation of the ventilation fan and mist oil dust collector in the engine room according to the possibility of fire, thereby causing a fire. By discharging the possible mist oil to the outside, the possibility of fire can be reduced before a fire occurs, and the spread of fire can be suppressed after the initial fire outbreak.

또한, 통합 모니터링부(160)는, 엔진룸에 작업자가 식별되지 않는 경우, 제1예측부(130) 또는 제3예측부(150)에 의한 화재가능성이 기준값을 초과하면, 엔진룸의 방화벽을 차폐하고, 음압을 제공하여 엔진룸을 진공상태로 유지하도록 하여서, 초기화재의 확산을 억제하도록 할 수도 있다.In addition, when no worker is identified in the engine room, the integrated monitoring unit 160 closes the firewall of the engine room when the possibility of fire by the first prediction unit 130 or the third prediction unit 150 exceeds the standard value. By shielding and providing negative pressure to maintain the engine room in a vacuum state, the spread of the initial fire can be suppressed.

또한, 통합 모니터링부(160)는, 엔진룸에 작업자가 식별되는 경우, 통합가능성이 기준값을 초과하면, 제1영상과 제2영상을 분석하여 화재원점을 우회할 수 있는 엔진룸 대피경로를 설정하여 엔진룸의 대피경로 지시등을 작동시키거나 작업자의 단말기로 전파하여서 연기 등으로 시야가 확보되지 않은 상황에서도 엔진룸을 신속하게 이탈하도록 하고, 엔진룸의 소화수배관을 통해 소화수를 분사하도록 하여서 초기화재를 신속하게 진압하도록 할 수 있다.In addition, when a worker is identified in the engine room, the integrated monitoring unit 160 analyzes the first and second images and sets an engine room evacuation route that can bypass the fire origin if the integration possibility exceeds the standard value. This activates the evacuation route indicator light in the engine room or transmits it to the worker's terminal, allowing the operator to quickly leave the engine room even in situations where visibility is poor due to smoke, etc., and sprays fire extinguishing water through the fire extinguishing water pipe in the engine room. Initial fires can be extinguished quickly.

또한, 무인선박의 엔진룸에 적용되는 경우, 제2예측부(140)는 엔진룸의 침수상황을 식별하도록 하여서 통합 모니터링부(160)에 의해 이를 모니터링하여 대처하도록 할 수도 있다.In addition, when applied to the engine room of an unmanned ship, the second prediction unit 140 can identify a flooding situation in the engine room and monitor it by the integrated monitoring unit 160 to respond.

또한, 통합 모니터링부(160)는 일정 기준값을 초과하는 화재가능성의 이벤트 발생시, 해당 화재가능성에 상응하는 영상정보를 디테일하게 확대하여 식별하여 화재원점을 쉽게 식별하도록 할 수도 있다.In addition, when an event with the possibility of fire exceeding a certain standard value occurs, the integrated monitoring unit 160 can easily identify the origin of the fire by enlarging and identifying image information corresponding to the possibility of fire in detail.

또한, 통합 모니터링부(160)는 딥러닝기반 화재데이터 생성알고리즘을 통해, 오픈 데이터의 연기와 불꽃으로부터 초기 화재 상황과 특정시간이 경과한 화재 상황에 대한 화재 영상을 생성하여서, 제1예측부(130)와 제2예측부(140)와 제3예측부(150)의 학습데이터로 활용하도록 할 수도 있다.In addition, the integrated monitoring unit 160 generates fire images of the initial fire situation and the fire situation after a specific time from the smoke and flames of open data through a deep learning-based fire data generation algorithm, and the first prediction unit ( 130) and can also be used as learning data for the second prediction unit 140 and the third prediction unit 150.

예컨대, 딥화재데이터 생성알고리즘은 화재 상황인 아닌 엔진룸 내부의 환경 데이터로부터 실존하지 않지만 있을 법한 화재 상황에 대한 이미지를 시간대별로 예측하여 화재가 확산되는 화재 영상을 생성하도록 한다.For example, the deep fire data generation algorithm predicts images of non-existent but likely fire situations by time zone from environmental data inside the engine room, which is not a fire situation, and generates a fire image of the fire spreading.

여기서, 화재데이터 생성알고리즘은, 2쌍의 생성자(generator)와 판별자(discriminator)로 이루어져, 쌍을 이루지 않는 데이터세트의 학습이 가능하여 순환 일관성 손실 함수(cycle-consistencyloss function)를 사용하여 이미지 변환(unpaired image-to-imagetranslation)을 수행하는 생성적 적대 신경망(GAN;GenerativeAdversarial Network)으로 구성될 수 있다. 예컨대, 생성적 적대 신경망은 제1생성자와 제1판별자로 이루어져 환경 데이터로부터 실제 있을 법한 화재 상황 데이터를 예측하여 생성하는 제1신경망, 및 제2생성자와 제2판별자로 이루어져 예측된 화재 상황 데이터로부터 원본 데이터인 환경 데이터를 복원하는 제2신경망으로 구성될 수 있다.Here, the fire data generation algorithm consists of two pairs of generators and discriminators, enabling learning of unpaired datasets, and image conversion using a cycle-consistency loss function. It can be composed of a generative adversarial network (GAN) that performs unpaired image-to-image translation. For example, a generative adversarial network consists of a first neural network consisting of a first generator and a first discriminator that predicts and generates actual fire situation data from environmental data, and a second generator and a second discriminator that generates predicted fire situation data from environmental data. It may be composed of a second neural network that restores environmental data, which is the original data.

또한, 통합 모니터링부(160)는 엔진의 각 오일상태를 전송받고, 제1예측부(130)에 의해 계측된 미스트오일의 분포와 농도와 비교하여 누설되는 배관들의 후보를 특정하고, 특정된 배관 후보들 중에서 미스트오일의 분포의 원점영역과 고농도를 보이는 영역과 상호 중첩되는 배관을 특정하여 식별하도록 하여서, 화재사고 이전에 전파하여 신속하게 보수하도록 할 수도 있다.In addition, the integrated monitoring unit 160 receives the status of each oil in the engine, compares it with the distribution and concentration of the mist oil measured by the first prediction unit 130, specifies candidates for leaking pipes, and specifies candidates for leaking pipes. By specifying and identifying pipes that overlap with the origin area of the distribution of mist oil and the area showing high concentration among the candidates, it is possible to propagate it before a fire accident and make repairs quickly.

따라서, 전술한 바와 같은 선박 엔진룸 화재사고 감지 시스템의 구성에 의해서, 인공지능에 기반한 영상분석을 통해 미스트오일을 계측하고 화재가능성을 예측하여, 초기화재시의 전력망의 정전과 센서의 오작동에도, 보다 안정적이고 신속하게 초기화재상황을 파악하여 대처하도록 하고, 영상분석을 통해 작업자의 비정상 행동패턴 및 초기화재시의 불꽃패턴과 연기패턴과 온도상승패턴으로부터 화재가능성을 예측하여 오탐지 가능성을 낮추도록 할 수 있다.Therefore, by constructing the ship engine room fire accident detection system as described above, mist oil is measured and the possibility of fire is predicted through artificial intelligence-based image analysis, so that even in the event of an initial fire, power grid outage and sensor malfunction, It is possible to stably and quickly identify and respond to the initial fire situation, and predict the possibility of fire based on the worker's abnormal behavior pattern and the flame pattern, smoke pattern, and temperature rise pattern at the time of the initial fire through video analysis, thereby reducing the possibility of false detection. there is.

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.The embodiments described in this specification and the configuration shown in the drawings are only one of the most preferred embodiments of the present invention and do not represent the entire technical idea of the present invention, so various equivalents may be substituted for them at the time of filing the present application. It should be understood that variations and variations may exist.

110 : 광학카메라 120 : 열화상카메라
130 : 제1예측부 140 : 제2예측부
150 : 제3예측부 160 : 통합 모니터링부
110: optical camera 120: thermal imaging camera
130: first prediction unit 140: second prediction unit
150: Third prediction unit 160: Integrated monitoring unit

Claims (6)

선박의 엔진룸에 설치되어 영상촬영하여 제1영상정보를 생성하는 광학카메라;
선박의 엔진룸에 설치되어 열영상촬영하여 제2영상정보와 온도상승정보를 생성하는 열화상카메라;
과거 축적된 미스트오일의 분포와 농도 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제1예측알고리즘을 통해, 상기 제1영상정보 및 상기 제2영상정보로부터 작업자의 객체를 추출하고, 상기 제1영상정보에 의한 미스트오일의 분포와 농도에 따른 화재가능성을 예측하는 제1예측부;
과거 축적된 엔진룸 작업자의 행동패턴 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제2예측알고리즘을 통해, 상기 제1영상정보 및 상기 제2영상정보로부터 작업자의 객체를 추출하고 행동패턴을 분석하여 상기 행동패턴에 따른 화재가능성을 예측하는 제2예측부;
과거 축적된 엔진룸의 불꽃패턴과 연기패턴과 온도상승패턴 및 이에 따른 화재가능성의 학습데이터를 미리학습하여 구축된 딥러닝기반의 제3예측알고리즘을 통해, 상기 제1영상정보 및 상기 제2영상정보로부터 불꽃패턴과 연기패턴과 온도상승패턴을 추출하고 이에 따른 화재가능성을 예측하는 제3예측부; 및
엔진룸에 작업자가 식별되지 않는 경우, 상기 제1예측부 또는 상기 제3예측부에 의한 화재가능성에 따라 상기 제1영상정보를 실시간 모니터링하여 실제 화재상황을 식별하여 화재경고를 전파하고, 엔진룸에 작업자가 식별되는 경우, 상기 제1예측부에 의한 화재가능성과 상기 제2예측부에 의한 화재가능성과 상기 제3예측부에 의한 화재가능성을 통합 연산하여 통합가능성을 산출하여 일정 기준값을 초과하면 상기 제1영상정보와 상기 제2영상정보를 실시간 모니터링하여 실재 화재상황을 식별하여 실재 화재상황을 식별하여 화재경고를 전파하는, 통합 모니터링부;를 포함하는,
선박 엔진룸 화재사고 감지 시스템.
An optical camera installed in the engine room of a ship to capture images and generate first image information;
A thermal imaging camera installed in the engine room of a ship to capture thermal images and generate second image information and temperature rise information;
Through the first prediction algorithm based on deep learning, which was built by pre-learning the distribution and concentration of mist oil accumulated in the past and the corresponding learning data on the possibility of fire, the worker's object is identified from the first image information and the second image information. a first prediction unit that extracts and predicts the possibility of fire according to the distribution and concentration of mist oil based on the first image information;
Through a deep learning-based second prediction algorithm built by pre-learning the behavior patterns of engine room workers accumulated in the past and the corresponding learning data on the possibility of fire, the worker's object is identified from the first image information and the second image information. a second prediction unit that extracts and analyzes behavior patterns to predict the possibility of fire according to the behavior patterns;
Through a deep learning-based third prediction algorithm built by pre-learning the flame pattern, smoke pattern, temperature rise pattern, and corresponding fire possibility learning data of the engine room accumulated in the past, the first image information and the second image are A third prediction unit that extracts flame patterns, smoke patterns, and temperature rise patterns from the information and predicts the possibility of fire accordingly; and
If no worker is identified in the engine room, the first image information is monitored in real time according to the possibility of fire by the first prediction unit or the third prediction unit, the actual fire situation is identified and a fire warning is disseminated, and the engine room If a worker is identified, the integrated probability is calculated by integrating the fire probability by the first prediction unit, the fire probability by the second prediction unit, and the fire probability by the third prediction unit, and exceeds a certain standard value. An integrated monitoring unit that monitors the first image information and the second image information in real time to identify an actual fire situation and disseminate a fire warning.
Ship engine room fire accident detection system.
 제1항에 있어서,
상기 통합 모니터링부는, 상기 제1예측부에 의한 화재가능성과 상기 제2예측부에 의한 화재가능성에 비해, 상기 제3예측부에 의한 화재가능성에 가중치를 두어 통합 연산하여 상기 통합가능성을 산출하는 것을 특징으로 하는,
선박 엔진룸 화재사고 감지 시스템.
According to paragraph 1,
The integrated monitoring unit calculates the integrated probability by weighting the fire probability by the third prediction unit compared to the fire probability by the first prediction unit and the fire probability by the second prediction unit. Characterized by,
Ship engine room fire accident detection system.
 제1항에 있어서,
상기 통합 모니터링부는 상기 제1예측부에 의한 화재가능성에 따라 엔진룸의 환기팬 및 미스트오일 집진기의 가동을 제어하는 것을 특징으로 하는,
선박 엔진룸 화재사고 감지 시스템.
According to paragraph 1,
The integrated monitoring unit is characterized in that it controls the operation of the ventilation fan and the mist oil dust collector in the engine room according to the possibility of fire by the first prediction unit,
Ship engine room fire accident detection system.
 제1항에 있어서,
상기 통합 모니터링부는, 엔진룸에 작업자가 식별되지 않는 경우, 상기 제1예측부 또는 상기 제3예측부에 의한 화재가능성이 기준값을 초과하면, 엔진룸의 방화벽을 차폐하고, 음압을 제공하여 엔진룸을 진공상태로 유지하도록 하는 것을 특징으로 하는,
선박 엔진룸 화재사고 감지 시스템.
According to paragraph 1,
The integrated monitoring unit, when a worker is not identified in the engine room and the possibility of fire by the first prediction unit or the third prediction unit exceeds the standard value, shields the firewall of the engine room and provides negative pressure to the engine room. Characterized in maintaining a vacuum state,
Ship engine room fire accident detection system.
 제1항에 있어서,
상기 통합 모니터링부는, 엔진룸에 작업자가 식별되는 경우, 상기 통합가능성이 기준값을 초과하면, 상기 제1영상과 상기 제2영상을 분석하여 엔진룸 대피경로를 설정하여 전파하고, 엔진룸의 소화수배관을 통해 소화수를 분사하도록 하는 것을 특징으로 하는,
선박 엔진룸 화재사고 감지 시스템.
According to paragraph 1,
If a worker is identified in the engine room and the integration possibility exceeds the standard value, the integrated monitoring unit analyzes the first image and the second image to set and propagate an engine room evacuation route, and to set and propagate the engine room evacuation route. Characterized in spraying fire extinguishing water through pipes,
Ship engine room fire accident detection system.
 제1항에 있어서,
상기 제1예측부와 상기 제2예측부와 상기 제3예측부(150)의 각 예측알고리즘은, 영상정보로부터 해당 특징으로 추출하는 특징 추출기와, 상기 추출된 특징으로부터 미스트오일과 작업자와 불꽃과 연기의 관심객체를 각각 검출하는 검출기로 이루어진 CNN인 것을 특징으로 하는,
선박 엔진룸 화재사고 감지 시스템.
According to paragraph 1,
Each prediction algorithm of the first prediction unit, the second prediction unit, and the third prediction unit 150 includes a feature extractor that extracts corresponding features from image information, mist oil, worker, flame, and Characterized by a CNN consisting of detectors that detect each object of interest in the smoke,
Ship engine room fire accident detection system.
KR1020220180252A 2022-12-21 System for monitoring fire accident of engine room in ship KR20240098472A (en)

Publications (1)

Publication Number Publication Date
KR20240098472A true KR20240098472A (en) 2024-06-28

Family

ID=

Similar Documents

Publication Publication Date Title
KR101775463B1 (en) Fire supervisory apparatus to be installed on building and unite management system having the same
KR102245887B1 (en) System and method for alarming indoor fire prevention
KR102233351B1 (en) Management system and method for facility management based on 3d lidar
Huang et al. A combined real-time intelligent fire detection and forecasting approach through cameras based on computer vision method
Chiu et al. Performance assessment of video-based fire detection system in tunnel environment
KR20180066688A (en) Digital Social Shield System using Deep Active Semi-Supervised Learning
KR20240098472A (en) System for monitoring fire accident of engine room in ship
KR19990074175A (en) Fire monitoring method using probability distribution function for burns
KR101018418B1 (en) System for monitoring image and method thereof
KR20070018485A (en) A fire and trespasser alert system by using infrared rays camera
KR102457492B1 (en) Disaster detection and analysis system using thermal imaging camera
Ho et al. Nighttime fire smoke detection system based on machine vision
KR20230107035A (en) Image recognition-based fire response system and method for power facility
Podržaj et al. Intelligent space as a framework for fire detection and evacuation
Rose-Pehrsson et al. Volume sensor for damage assessment and situational awareness
Singh et al. Real-time fire detection system based on cnn using tensorflow and opencv
KR102668287B1 (en) Monitorable electric vehicle charging station fire prevention distribution panel and the operating method
KR20220057783A (en) Integrated fire monitoring system based on artificial intelligence
KR20090102723A (en) Unmanned blaze early alarm system
CN111882800A (en) Fire-fighting early warning method and system based on multi-dimensional data linkage
KR102531238B1 (en) Ai-based multi-purpose safety surveillance integrated camera system
KR102657015B1 (en) people counter having thermal camera and, industrial site fire detecting system therewith
KR20220095775A (en) Fire monitoring window and building fire point prediction system using it
CN116188920B (en) Intelligent self-temperature-sensing-based fire-fighting and fire-extinguishing directional auxiliary method and system
US20240087439A1 (en) System for and method of safety management based on cascade deep learning network