WO2016175425A1 - 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 - Google Patents

딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 Download PDF

Info

Publication number
WO2016175425A1
WO2016175425A1 PCT/KR2015/014180 KR2015014180W WO2016175425A1 WO 2016175425 A1 WO2016175425 A1 WO 2016175425A1 KR 2015014180 W KR2015014180 W KR 2015014180W WO 2016175425 A1 WO2016175425 A1 WO 2016175425A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
ship
control
maritime
traffic control
Prior art date
Application number
PCT/KR2015/014180
Other languages
English (en)
French (fr)
Inventor
오재용
김혜진
Original Assignee
한국해양과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국해양과학기술원 filed Critical 한국해양과학기술원
Priority to EP15882906.9A priority Critical patent/EP3291206A4/en
Publication of WO2016175425A1 publication Critical patent/WO2016175425A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G3/00—Traffic control systems for marine craft
    • G08G3/02—Anti-collision systems

Definitions

  • the present invention relates to a Vessel Traffic Service System (VTS) system. More specifically, a large amount of data is identified using deep learning technology to identify an abnormal state vessel, and a danger in a harbor.
  • VTS Vessel Traffic Service System
  • the present invention relates to a marine traffic control expert system using a deep learning algorithm that can prevent marine accidents by detecting an area, and a control method thereof.
  • VTS maritime traffic control system
  • the maritime traffic control system can provide a variety of services to the vessel in operation using a variety of sensors, including radar for the safe operation of the vessel.
  • the maritime traffic control system can provide port services that can enhance port safety or port operation efficiency and prevent maritime accidents from the congestion of maritime traffic, the increase of dangerous cargo, and the potential risk of environmental pollution. .
  • the maritime traffic control system may provide information services such as surrounding conditions and maritime traffic conditions in a VTS zone in a timely manner to assist in the navigation decision-making process on a ship.
  • the condition and the work ability of the controller are greatly affected. In addition, it takes a lot of experience to have a professional control ability, and therefore requires time and effort.
  • the present invention has been made to solve the above problems, it is possible to automatically recognize the vessel and the port situation from a large amount of data without using the deep learning (Deep Learning) algorithm (method)
  • the purpose of the present invention is to provide a marine traffic control expert system and its control method using deep learning algorithm.
  • the present invention without setting other criteria for the sea state, the system generates a standard, by automatically identifying the abnormal (abnormal) vessels, detection of dangerous areas in the port and notified the results of the marine accident to the controller
  • the purpose of the present invention is to provide a marine traffic control expert system and a control method using deep learning algorithm that can effectively prevent the problem.
  • the marine traffic control expert system using the deep learning algorithm includes a vessel traffic service (VTS) center providing real-time marine traffic information including ship information and port area information of a ship in operation;
  • VTS vessel traffic service
  • the marine traffic information database unit for storing the marine traffic information provided by the VTS center in real time, the marine traffic information of the set range from the maritime traffic information database unit is received, the vessel status using a deep learning algorithm
  • a maritime traffic control learning unit generating control reference information for determining an area condition, and comparing the marine traffic information and the control standard information stored in real time with the ship traffic information and area status information in real time.
  • the sea traffic control analysis unit to generate and the sea control information generated
  • the marine traffic control information display unit to display through, and the control standard information includes ship state reference information and area status reference information.
  • the deep learning method as artificial intelligence (AI)
  • AI artificial intelligence
  • the system can generate the judgment criteria by itself without automatically determining the criteria, and automatically identify the abnormal state vessels, detect dangerous areas in the port, and notify the controller of the results. For example, there is an advantage in that marine accidents can be effectively prevented by proactively recognizing and taking measures of dangerous situations that the controller has not found.
  • FIG. 1 is a block diagram schematically showing the configuration of a marine traffic control expert system using a deep learning algorithm according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a control method of a marine traffic control expert system using a deep learning algorithm according to an embodiment of the present invention.
  • FIG 3 is an exemplary view showing marine traffic control information provided according to the present invention by way of example.
  • Embodiments according to the concept of the present invention may be variously modified and may have various forms, and specific embodiments will be illustrated in the drawings and described in detail in the present specification or application. However, this is not intended to limit the embodiments in accordance with the concept of the present invention to a particular disclosed form, it should be understood to include all changes, equivalents, and substitutes included in the spirit and scope of the present invention.
  • FIG. 1 is a block diagram schematically showing the configuration of a marine traffic control expert system using a deep learning algorithm according to an embodiment of the present invention
  • Figure 2 is a flow chart showing a control method of a marine traffic control expert system using a deep learning algorithm.
  • 3 is an exemplary view showing marine traffic control information by way of example.
  • the maritime traffic control expert system 100 using the deep learning algorithm is a VTS (Vessel Traffic Service) center 110, maritime traffic information database unit 120, maritime traffic control learning unit 130 ), The maritime traffic control analysis unit 140 and the maritime traffic control information display unit 150 may be configured.
  • VTS Virtual Traffic Service
  • VTS Vessel Traffic Service
  • S101 real time
  • the VTS center 110 can determine the maritime traffic situation by using an automatic identification system (AIS) installed on each ship and a radar device installed on land (land).
  • AIS automatic identification system
  • the AIS includes information such as the vessel name, vessel type, specification, position and speed of the vessel.
  • the marine traffic information database unit 120 stores marine traffic information provided in real time from the VTS center 110 (S102).
  • the maritime traffic information database 120 may classify and store maritime traffic information by item, and specifically, maritime traffic information may include ship information and port area information of a ship.
  • the ship information may include a ship name, ship type, ship specifications, the position information of the ship over time, the speed information of the ship over time, the course information of the ship over time, accident history information and shipping cargo information.
  • the maritime traffic information database unit 120 may include various maritime information, such as climate information in addition to maritime traffic information.
  • the maritime traffic control learning unit 130 is provided with maritime traffic information of a set range from the maritime traffic information database unit (S103), and uses a deep learning algorithm to determine the ship state and the area state. Control criteria information can be generated.
  • the maritime traffic control learning unit 130 may generate control reference information that may distinguish between a normal state or an abnormal state through neuron learning of a neural network having a multi-layered input information.
  • the maritime traffic control learning unit 130 may receive the maritime traffic information continuously stored in real time to update the existing control standard information with the new control standard information. In this case, the maritime traffic control learning unit 130 may perform an update for a set period of time, or may perform the update in real time.
  • control standard information may include ship status reference information and area status reference information.
  • the maritime traffic control learning unit 130 may include a track information learning module 131 and a port information learning module 132, as shown in the figure.
  • the track information learning module 131 may receive ship information of a predetermined period as input data and generate ship state reference information for distinguishing a normal state or an abnormal state of a ship.
  • the port information learning module 132 may receive the area information of the port divided into grids at regular intervals as input data to generate area state reference information for distinguishing a dangerous state of the area (port area).
  • the track information learning module 131 and the port information learning module 132 may continuously generate and update ship state reference information and area state reference information through a deep learning algorithm.
  • the maritime traffic control learning unit 130 of the present invention is capable of setting and continuously updating the criterion based on information input in real time using a deep learning algorithm or method by artificial intelligence (AI). There is this.
  • AI artificial intelligence
  • the maritime traffic control analysis unit 140 receives the control standard information generated and updated through the maritime traffic control learning unit 130 (S105) and simultaneously stores maritime traffic information stored in the maritime traffic information database unit 120 in real time. It is provided (S106).
  • the maritime traffic control analysis unit 140 may analyze the maritime traffic information stored in real time and the control standard information or the updated control standard information to generate the maritime control information including ship status information and area status information in real time ( S107).
  • the maritime traffic control analysis unit 140 may obtain an abnormal state probability (0.0 to 1.0) for each ship and region by using the result generated by the maritime traffic control learning unit 130.
  • the maritime traffic control analysis unit 140 may generate the ship state information by adding or considering the weight of the accident history information and the shipment cargo information of the ship.
  • the risk for each region that is, region state information, may use the risk values of regions divided into grids.
  • the maritime control information generated by the maritime traffic control analysis unit 140 is provided to the maritime control information display unit 150 (S108), and displays information through a separate display (S109).
  • the maritime control information display unit 150 may display maritime control information for each ship and region on the electronic chart 151.
  • the maritime control information display unit 150 may display the ship status information and the area status information in stage colors (for example, colors according to a predetermined range of the obtained probability values) or in a separate form.
  • the vessel is marked with ' ⁇ '
  • the area is marked with ' ⁇ '
  • the abnormality or danger is red (or diagonal)
  • the safety is blue (or bold)
  • the caution is green ( Thin dots) and the like.
  • the marine traffic control expert system 100 automatically identifies an abnormal ship, detects a dangerous area in the port, and displays the result on the electronic chart 151, thereby notifying the controller of the real-time status. can do.
  • the maritime traffic control analysis unit 140 of the present invention if an abnormal state for ship status information and area status information, the alarm signal to the controller, the central management center and rescue headquarters, etc. You can also be aware of dangerous situations.
  • a deep learning (Deep Learning) method by processing the information using a deep learning (Deep Learning) method has a feature that can be automatically provided to the controller to recognize the situation of the ship and the port from the data stored in real time.
  • VTS Vessel Traffic Service
  • a sea traffic information database unit for real-time storing the sea traffic information provided by the center, the VTS center and the sea traffic information within a range set by the sea traffic information database unit are provided, and a deep learning algorithm is used.
  • Maritime traffic control learning unit for generating the control standard information for determining the ship status and area status by comparing the marine traffic information and the control standard information is stored in real time maritime control including ship status information and area status information
  • the maritime traffic control analysis unit for generating information in real time and the generated maritime traffic control information
  • a maritime traffic control information display unit displayed through the self-sea wherein the control standard information includes ship state reference information and area state reference information.
  • the maritime traffic control learning unit receives the vessel information of a predetermined period as input data based on the ship state to distinguish the normal state or abnormal state of the vessel And a port information learning module for generating information and the port information learning module for generating the area state reference information for distinguishing the dangerous state of the area by receiving the port area information divided into grid data at regular intervals as input data. It features.
  • the maritime traffic control learning unit receives the new maritime traffic information stored in real time in the maritime traffic information database unit to update the control standard information generated The information on the updated control criteria is provided to the maritime traffic control analysis unit.
  • the maritime traffic control expert system using the deep learning algorithm according to the present invention characterized in that the track information learning module uses the remaining vessel information except the accident vessel as input data.
  • the vessel information is the vessel name, vessel type, vessel specifications, the position information of the ship over time, the speed information of the ship over time, the ship over time
  • the course information includes accident path information, accident history information, and shipment cargo information
  • the port area information includes accident bundle location information and dangerous area location information.
  • the maritime traffic control analysis unit is characterized by generating the ship state information by adding weights to the accident history information and shipping cargo information of the vessel do.
  • the maritime traffic control expert system using the deep learning algorithm according to the present invention characterized in that the maritime traffic control information display unit displays the ship status information and area status information in a step-by-step color, respectively.
  • a method for controlling a marine traffic control expert system comprising: receiving, in real time, marine traffic information including vessel information, port area information, and climate information of a vessel in operation by a Vessel Traffic Service (VTS) center; Deep learning (Deep Learning) to store the maritime traffic information received in real time through the VTS center, the maritime traffic control learning unit is provided with the maritime traffic information of the set range, to determine the ship status and area status Generating control standard information including ship status reference information and area status reference information by using an algorithm, and comparing the marine traffic information and the control standard information stored in real time by the maritime traffic control analysis unit to compare ship status information. And generating marine control information in real time including area status information and maritime traffic.
  • the information is characterized in that the display comprises a step of displaying the generated control information sea.
  • the present invention uses the deep learning method as an artificial intelligence (AI) to automatically recognize ship and port conditions from a large amount of data stored in real time without setting a criterion for determining a risk situation in advance. It can be applied to marine traffic control expert system and its control method using deep learning algorithm.
  • AI artificial intelligence
  • the present invention can not only determine an abnormal state vessel by automatically generating the judgment criteria by the system itself without determining the criterion criteria, but also detect the danger zone in the port and notify the controller of the result. It can be applied to marine traffic control expert system and its control method using deep learning algorithm that can effectively prevent marine accidents by proactively recognizing and taking measures of dangerous situations not found.

Landscapes

  • Engineering & Computer Science (AREA)
  • Ocean & Marine Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 딥러닝(Deep Learning) 알고리즘을 이용한 해상교통관제 전문가 시스템에 관한 것으로, 운항중인 선박의 선박정보 및 항만영역 정보를 포함하는 해상교통 정보를 실시간으로 제공하는 VTS(Vessel Traffic Service) 센터와, 상기 VTS 센터에서 제공하는 해상교통 정보를 실시간 저장하는 해상교통 정보 데이터베이스부와, 상기 해상교통 정보 데이터베이스부로부터 설정된 범위의 상기 해상교통 정보를 제공받고, 딥러닝(Deep Learning) 알고리즘을 사용하여 선박상태 및 영역상태를 판단하는 관제기준 정보를 생성하는 해상교통관제 학습부와, 실시간 저장되는 상기 해상교통 정보 및 상기 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간 생성하는 해상교통관제 분석부 및 생성된 상기 해상관제 정보를 전자해도를 통해 표시하는 해상교통관제 정보 표시부를 포함하고, 상기 관제기준 정보는 선박상태 기준정보 및 영역상태 기준정보를 포함하는 것을 특징으로 한다.

Description

딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
본 발명은, 해상교통관제 시스템(Vessel Traffic Service System, VTS) 시스템에 관한 것으로, 보다 상세하게는, 대용량의 데이터를 딥러닝(Deep Learning) 기술을 이용하여 이상 상태 선박을 식별하고, 항만 내 위험 영역을 탐지함으로써 해양사고를 방지할 수 있는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법에 관한 것이다.
일반적으로, 해상교통관제 시스템(VTS)는 선박의 안전한 운항을 위해 레이더를 비롯한 다양한 센서들을 이용하여 운항 중인 선박에 다양한 서비스를 제공할 수 있다.
특히, 해상교통관제 시스템은 해상 교통량의 폭주, 위험 화물의 증가와 잠재적인 환경오염의 위험 등에서 항만의 안전 또는 항만운영의 효율성을 제고하고, 해난사고를 방지할 수 있는 통항 서비스를 제공할 수 있다.
구체적으로, 해상교통관제 시스템은 VTS 구역 내에서 주변상황 및 해상교통 상황 등을 적시에 제공하여 선박에서 항해의사 결정 과정에 도움을 주는 정보서비스 등을 제공할 수 있다.
이러한 해상교통관제 시스템을 통한 정보는 해상교통관제 센터에 근무하는 관제사가 해당 항만의 특성 및 시간, 통항 선박의 특수성을 고려하여 제공하고 있기 때문에, 관제사의 상태 및 업무 능력에 영향을 많이 받고 있다. 또한, 전문적인 관제 능력을 갖추기까지는 많은 경험이 필요하고, 이에 따른 시간과 노력이 필요하다.
상기와 같은, 관제사의 관제 업무를 지원하기 위한 시스템이 많이 개발되고 있다. 그러나, 기존의 해상교통관제 시스템은 대부분 룰 베이스(Rule-base)로 동작하고 있다. 즉, 시스템 구축과정에서 판단 기준을 설정하여 시스템을 구축하고 있다.
따라서, 정의된 규칙에 어긋나는 상황을 정확히 판단하는데 어렵고, 모든 해상교통 상황을 정의하는 것은 불가능하기 때문에 관제사로 하여금 위험 상황을 사전에 인식시키는데 어렵다는 단점이 있다.
본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 딥 러닝(Deep Learning) 알고리즘(방식)을 이용하여 판단의 기준을 설정하지 않고 대용량의 데이터로부터 선박 및 항만 상황을 자동으로 인지할 수 있는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법의 제공을 목적으로 한다.
또한, 본 발명은 해상 상태에 다른 판단 기준을 정하지 않고 시스템이 판단 기준을 생성함으로써, 이상(abnormal) 상태 선박을 자동으로 식별하고, 항만 내 위험 영역을 탐지하여 그 결과를 관제사에게 통보하여 해양사고를 효과적으로 방지할 수 있는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법의 제공을 목적으로 한다.
그러나 본 발명의 목적은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명에 따른 딥러닝(Deep Learning) 알고리즘을 이용한 해상교통관제 전문가 시스템은, 운항중인 선박의 선박정보 및 항만영역 정보를 포함하는 해상교통 정보를 실시간으로 제공하는 VTS(Vessel Traffic Service) 센터와, 상기 VTS 센터에서 제공하는 해상교통 정보를 실시간 저장하는 해상교통 정보 데이터베이스부와, 상기 해상교통 정보 데이터베이스부로부터 설정된 범위의 상기 해상교통 정보를 제공받고, 딥러닝(Deep Learning) 알고리즘을 사용하여 선박상태 및 영역상태를 판단하는 관제기준 정보를 생성하는 해상교통관제 학습부와, 실시간 저장되는 상기 해상교통 정보 및 상기 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간 생성하는 해상교통관제 분석부 및 생성된 상기 해상관제 정보를 전자해도를 통해 표시하는 해상교통관제 정보 표시부를 포함하고, 상기 관제기준 정보는 선박상태 기준정보 및 영역상태 기준정보를 포함한다.
본 발명의 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법에 따르면, 인공지능(AI)으로 딥 러닝(Deep Learning) 방식을 사용함으로써시스템 구축시 위험상황에 대한 판단의 기준을 미리 설정하지 않고 실시간 저장되는 대용량의 데이터로부터 선박 및 항만 상황을 자동으로 인지할 수 있는 이점이 있다.
또한, 본 발명에 따르면, 판단 기준을 정하지 않고 시스템이 판단 기준을 스스로 생성하여 이상(abnormal) 상태 선박을 자동으로 식별할 뿐만 아니라, 항만 내 위험 영역을 탐지하여 그 결과를 관제사에게 통보할 수 있어, 관제사가 미처 발견하지 못한 위험 상황을 사전에 인식하여 조치함으로써 해양사고를 효과적으로 방지할 수 있는 이점이 있다.
도 1은, 본 발명의 실시예에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 구성을 개략적으로 나타내는 블럭도이다.
도 2는, 본 발명의 실시예에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 제어 방법을 나타내는 흐름도이다.
도 3은, 본 발명에 따라 제공되는 해상교통관제 정보를 예시적으로 나타내는 예시도이다.
이하, 본 발명의 바람직한 실시 예의 상세한 설명은 첨부된 도면들을 참조하여 설명할 것이다. 하기에서 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 발명의 개념에 따른 실시 예는 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있으므로 특정 실시 예들을 도면에 예시하고 본 명세서 또는 출원에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예를 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은, 본 발명의 실시예에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 구성을 개략적으로 나타내는 블럭도이고, 도 2는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 제어 방법을 나타내는 흐름도이며, 도 3은 해상교통관제 정보를 예시적으로 나타내는 예시도이다.
도면을 참조하면, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템(100)은 VTS(Vessel Traffic Service) 센터(110), 해상교통 정보 데이터베이스부(120), 해상교통관제 학습부(130), 해상교통관제 분석부(140) 및 해상교통관제 정보 표시부(150)를 포함하여 구성될 수 있다.
이러한, 구성을 통해 해상교통관제 전문가 시스템 및 제어 방법을 설명하면, 먼저, VTS(Vessel Traffic Service) 센터(110)는, 구체적으로 도시하지는 않았지만, 다수의 지역에 설치되어 운항중인 선박의 선박정보 및 항만영역 정보를 포함하는 해상교통 정보를 실시간으로 제공한다(S101).
일반적으로, VTS 센터(110)에서는 각 선박에 설치되는 선박자동식별장치(Automatic Identification System, AIS)와 육지(육상)에 설치되는 레이더(radar) 장치를 사용하여 해상교통 상황을 파악할 수 있다.
이때, AIS에는 해당 선박의 선박명, 선박의 종류, 제원, 위치 및 속도 등의 정보를 포함하고 있다.
해상교통 정보 데이터베이스부(120)는 VTS 센터(110)에서 실시간으로 제공되는 해상교통 정보를 저장한다(S102).
이때, 해상교통 정보 데이터베이스부(120)는 해상교통 정보를 항목별로 분류하여 저장할 수 있는 것으로, 구체적으로, 해상교통 정보는 선박의 선박정보 및 항만영역정보를 포함할 수 있다.
또한, 선박정보는 선박명, 선박 종류, 선박 제원, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보, 사고이력 정보 및 선적화물 정보를 포함할 수 있다.
또한, 해상교통 정보 데이터베이스부(120)는 해상교통 정보 이외에 기후정보 등 다양한 해상정보도 포함할 수 있다.
이후, 해상교통관제 학습부(130)에서는 해상교통 정보 데이터베이스부로부터 설정된 범위의 해상교통 정보를 제공받고(S103), 선박상태 및 영역상태를 판단할 수 있도록 딥러닝(Deep Learning) 알고리즘을 사용하여 관제기준 정보를 생성할 수 있다.
해상교통관제 학습부(130)는 입력되는 정보를 다층 레이어로 구성된 신경망의 뉴런학습을 통해 정상상태 또는 비정상상태를 구분할 수 있는 관제기준 정보를 생성할 수 있다.
또한, 해상교통관제 학습부(130)에서는 지속적으로 실시간 저장되는 해상교통 정보를 제공받아 기존의 관제기준 정보를 새로운 관제기준 정보로 업데이트할 수 있다. 이때, 해상교통관제 학습부(130)에서는 설정된 기간 동안 업데이트를 수행하거나, 실시간으로 업데이트를 수행할 수 있다.
또한, 관제기준 정보는 선박상태 기준정보 및 영역상태 기준정보를 포함할 수 있다.
구체적으로, 해상교통관제 학습부(130)는 도면에 나타낸 바와 같이, 항적정보 학습모듈(131)과 항만정보 학습모듈(132)을 포함할 수 있다.
항적정보 학습모듈(131)에서는 일정 기간의 선박정보를 입력 데이터로 제공받아 선박의 정상상태 또는 비정상상태를 구분하는 선박상태 기준정보를 생성할 수있다.
또한, 항만정보 학습모듈(132)에서는 일정 간격의 그리드 형태로 나누어진 항만영역 정보를 입력 데이터로 제공받아 영역(항만영역)의 위험상태를 구분할 수 있는 영역상태 기준정보를 생성할 수 있다.
또한, 항적정보 학습모듈(131) 및 항만정보 학습모듈(132)은 딥러닝 알고리즘을 통해 선박상태 기준정보와 영역상태 기준정보를 생성 및 업데이트를 지속적으로 수행할 수 있다.
특히, 본 발명의 해상교통관제 학습부(130)는 인공지능(Artificial Intelligence, AI) 방식으로 딥러닝 알고리즘 또는 방법을 사용하여 실시간으로 입력되는 정보로 판단기준을 설정하고 지속적으로 업데이트할 수 있는 특징이 있다.
해상교통관제 분석부(140)는 해상교통관제 학습부(130)를 통해 생성 및 업데이트되는 관제기준 정보를 제공받고(S105), 동시에 해상교통 정보 데이터베이스부(120)에 실시간 저장되는 해상교통 정보를 제공받는다(S106).
해상교통관제 분석부(140)에서는 실시간 저장되는 해상교통 정보와 관제기준 정보 또는 업데이트되는 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간으로 생성할 수 있다(S107).
예를 들어, 해상교통관제 분석부(140)는 해상교통관제 학습부(130)를 통해 생성된 결과를 이용하여 선박별 및 영역별 이상상태 확률(0.0 ∼ 1.0)을 구할 수 있다.
이때, 해상교통관제 분석부(140)에서 선박의 사고이력 정보와 선적화물 정보에 대한 가중치를 추가 또는 고려하여 선박상태 정보를 생성할 수 있다. 또한, 영역별 위험도, 즉 영역상태 정보는 그리드로 구분된 영역의 위험도 값을 이용할 수 있다.
이후, 해상교통관제 분석부(140)에서 생성된 해상관제 정보는 해상관제 정보 표시부(150)에 제공되어(S108), 별도의 디스플레이를 통해 정보를 표시한다(S109).
해상관제 정보 표시부(150)는 도 3에 나타낸 바와 같이, 해상관제 정보를 전자해도(151) 상에 선박별 및 영역별로 표시할 수 있다.
구체적으로, 해상관제 정보 표시부(150)는 선박상태 정보 및 영역상태 정보를 단계별 색상(예를 들어, 구해진 확률 값의 일정 범위에 따른 색상)으로 표시하거나 별도의 형태로 표시할 수 있다.
예를 들어, 전자해도(151) 상에 선박은 '○', 영역은 '□'로 표시되고, 이상 또는 위험은 적색(또는 사선), 안전은 청색(또는 굵은 점) 그리고, 주의는 녹색(가는 점) 등으로 표시될 수 있다.
따라서, 해상교통관제 전문가 시스템(100)을 통해 이상(abnormal)상태 선박을 자동으로 식별하고, 항만 내 위험 영역을 탐지한 후 그 결과를 전자해도(151)에 표시함으로써, 관제사에게 실시간 상태를 통보할 수 있다.
또한, 본 발명의 해상교통관제 분석부(140)에서는 구체적으로 도시하지는 않았지만, 선박상태 정보 및 영역상태 정보에 대해 이상상태에 해당하는 경우, 관제사, 중앙의 관리센터 및 구조본부 등에 경보신호를 송신하여 위험 상황을 인지하도록 할 수도 있다.
상기와 같이, 본 발명에 따르면, 딥러닝(Deep Learning) 방식을 사용하여 정보를 처리함으로써 실시간 저장되는 데이터로부터 선박 및 항만에 대한 상황을 자동으로 인지하여 관제사에게 제공할 할 수 있는 특징이 있다.
상기 본 발명의 내용은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
본 발명의 실시예에 따른 딥러닝(Deep Learning) 알고리즘을 이용한 해상교통관제 전문가 시스템은, 운항중인 선박의 선박정보 및 항만영역 정보를 포함하는 해상교통 정보를 실시간으로 제공하는 VTS(Vessel Traffic Service) 센터와, 상기 VTS 센터에서 제공하는 해상교통 정보를 실시간 저장하는 해상교통 정보 데이터베이스부와, 상기 해상교통 정보 데이터베이스부로부터 설정된 범위의 상기 해상교통 정보를 제공받고, 딥러닝(Deep Learning) 알고리즘을 사용하여 선박상태 및 영역상태를 판단하는 관제기준 정보를 생성하는 해상교통관제 학습부와, 실시간 저장되는 상기 해상교통 정보 및 상기 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간 생성하는 해상교통관제 분석부 및 생성된 상기 해상관제 정보를 전자해도를 통해 표시하는 해상교통관제 정보 표시부를 포함하고, 상기 관제기준 정보는 선박상태 기준정보 및 영역상태 기준정보를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템은, 상기 해상교통관제 학습부가 일정 기간의 상기 선박정보를 입력 데이터로 제공받아 선박의 정상상태 또는 비정상상태를 구분하는 상기 선박상태 기준정보를 생성하는 항적정보 학습모듈 및 일정 간격의 그리드 형태로 나누어진 상기 항만영역 정보를 입력 데이터로 제공받아 영역의 위험상태를 구분하는 상기 영역상태 기준정보를 생성하는 항만정보 학습모듈을 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템은, 상기 해상교통관제 학습부가 상기 해상교통 정보 데이터베이스부에서 실시간 저장되는 새로운 해상교통 정보를 제공받아 생성된 상기 관제기준 정보를 업데이트하고, 업데이트된 관제기준 정보를 상기 해상교통관제 분석부에 제공하는 것을 특징으로 한다.
또한, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템은, 상기 항적정보 학습모듈이 사고 선박을 제외한 나머지 선박정보를 입력 데이터로 사용하는 것을 특징으로 한다.
또한, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템은, 상기 선박정보가 선박명, 선박 종류, 선박 제원, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보, 사고이력 정보 및 선적화물 정보를 포함하고, 상기 항만영역 정보는 사고 다발 위치 정보 및 위험지역 위치 정보를 포함하는 것을 특징으로 한다.
또한, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템은, 상기 해상교통관제 분석부가 상기 선박의 사고이력 정보와 선적화물 정보에 대한 가중치를 추가하여 상기 선박상태 정보를 생성하는 것을 특징으로 한다.
또한, 본 발명에 따른 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템은, 상기 해상교통관제 정보 표시부가 상기 선박상태 정보 및 영역상태 정보를 단계별 색상으로 각각 표시하는 것을 특징으로 한다.
본 발명에 따른 해상교통관제 전문가 시스템의 제어 방법은, VTS(Vessel Traffic Service) 센터가 운항중인 선박의 선박정보, 항만영역 정보 및 기후 정보를 포함하는 해상교통 정보를 실시간 수신하는 단계와, 해상교통 정보 데이터베이스부가 상기 VTS 센터를 통해 실시간 수신하는 상기 해상교통 정보를 저장하는 단계와, 해상교통관제 학습부가 설정된 범위의 상기 해상교통 정보를 제공받아, 선박상태 및 영역상태를 판단하도록 딥러닝(Deep Learning) 알고리즘을 사용하여 선박상태 기준정보 및 영역상태 기준정보를 포함하는 관제기준 정보를 생성하는 단계와, 해상교통관제 분석부가 실시간 저장되는 상기 해상교통 정보 및 상기 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간 생성하는 단계 및 해상교통관제 정보 표시부가 생성된 상기 해상관제 정보를 표시하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 인공지능(AI)으로 딥 러닝(Deep Learning) 방식을 사용함으로써 시스템 구축시 위험상황에 대한 판단의 기준을 미리 설정하지 않고 실시간 저장되는 대용량의 데이터로부터 선박 및 항만 상황을 자동으로 인지할 수 있는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법에 적용할 수 있다.
또한, 본 발명은 판단 기준을 정하지 않고 시스템이 판단 기준을 스스로 생성하여 이상(abnormal) 상태 선박을 자동으로 식별할 뿐만 아니라, 항만 내 위험 영역을 탐지하여 그 결과를 관제사에게 통보할 수 있어, 관제사가 미처 발견하지 못한 위험 상황을 사전에 인식하여 조치함으로써 해양사고를 효과적으로 방지할 수 있는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법에 적용할 수 있다.

Claims (12)

  1. 운항중인 선박의 선박정보 및 항만영역 정보를 포함하는 해상교통 정보를 실시간으로 제공하는 VTS(Vessel Traffic Service) 센터;
    상기 VTS 센터에서 제공하는 해상교통 정보를 실시간 저장하는 해상교통 정보 데이터베이스부;
    상기 해상교통 정보 데이터베이스부로부터 설정된 범위의 상기 해상교통 정보를 제공받고, 딥러닝(Deep Learning) 알고리즘을 사용하여 선박상태 및 영역상태를 판단하는 관제기준 정보를 생성하는 해상교통관제 학습부;
    실시간 저장되는 상기 해상교통 정보 및 상기 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간 생성하는 해상교통관제 분석부; 및
    생성된 상기 해상관제 정보를 전자해도를 통해 표시하는 해상교통관제 정보 표시부;를 포함하고,
    상기 관제기준 정보는 선박상태 기준정보 및 영역상태 기준정보를 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  2. 제 1 항에 있어서,
    상기 해상교통관제 학습부는,
    일정 기간의 상기 선박정보를 입력 데이터로 제공받아, 선박의 정상상태 또는 비정상상태를 구분하는 상기 선박상태 기준정보를 생성하는 항적정보 학습모듈; 및
    일정 간격의 그리드 형태로 나누어진 상기 항만영역 정보를 입력 데이터로 제공받아, 영역의 위험상태를 구분하는 상기 영역상태 기준정보를 생성하는 항만정보 학습모듈;을 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  3. 제 1 항에 있어서,
    상기 해상교통관제 학습부는,
    상기 해상교통 정보 데이터베이스부에서 실시간 저장되는 새로운 해상교통 정보를 제공받아 생성된 상기 관제기준 정보를 업데이트하고, 업데이트된 관제기준 정보를 상기 해상교통관제 분석부에 제공하는 것을 특징으로 하는 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  4. 제 2 항에 있어서,
    상기 항적정보 학습모듈은 사고 선박을 제외한 나머지 선박정보를 입력 데이터로 사용하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  5. 제 1 항에 있어서,
    상기 선박정보는 선박명, 선박 종류, 선박 제원, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보, 사고이력 정보 및 선적화물 정보를 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  6. 제 1 항에 있어서,
    상기 항만영역 정보는 사고 다발 위치 정보 및 위험지역 위치 정보를 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  7. 제 5 항에 있어서,
    상기 해상교통관제 분석부는, 상기 선박의 사고이력 정보와 선적화물 정보에 대한 가중치를 추가하여 상기 선박상태 정보를 생성하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  8. 제 1 항에 있어서,
    상기 해상교통관제 정보 표시부는, 상기 선박상태 정보 및 영역상태 정보를 단계별 색상으로 각각 표시하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템.
  9. 해상교통관제 전문가 시스템의 제어 방법에 있어서,
    VTS(Vessel Traffic Service) 센터가 운항중인 선박의 선박정보, 항만영역 정보 및 기후 정보를 포함하는 해상교통 정보를 실시간 수신하는 단계;
    해상교통 정보 데이터베이스부가 상기 VTS 센터를 통해 실시간 수신하는 상기 해상교통 정보를 저장하는 단계;
    해상교통관제 학습부가 설정된 범위의 상기 해상교통 정보를 제공받아, 선박상태 및 영역상태를 판단하도록 딥러닝(Deep Learning) 알고리즘을 사용하여 선박상태 기준정보 및 영역상태 기준정보를 포함하는 관제기준 정보를 생성하는 단계;
    해상교통관제 분석부가 실시간 저장되는 상기 해상교통 정보 및 상기 관제기준 정보를 비교분석하여 선박상태 정보 및 영역상태 정보를 포함하는 해상관제 정보를 실시간 생성하는 단계; 및
    해상교통관제 정보 표시부가 생성된 상기 해상관제 정보를 표시하는 단계;를 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 제어 방법.
  10. 제 9 항에 있어서,
    상기 관제기준 정보의 생성 단계에서,
    상기 해상교통관제 학습부는,
    일정 기간의 상기 선박정보를 입력 데이터로 제공받아, 선박의 정상상태 또는 비정상상태를 구분하는 상기 선박상태 기준정보를 생성하고,
    일정 간격의 그리드 형태로 나누어진 상기 항만영역 정보를 입력 데이터로 제공받아, 영역의 위험상태를 구분하는 상기 영역상태 기준정보를 생성하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 제어 방법.
  11. 제 9 항에 있어서,
    상기 선박정보는 선박명, 선박 종류, 선박 제원, 시간에 따른 선박의 위치 정보, 시간에 따른 선박의 속도 정보, 시간에 따른 선박의 침로 정보, 사고이력 정보 및 선적화물 정보를 포함하고,
    상기 항만영역 정보는 사고 다발 위치 정보 및 위험지역 위치 정보를 포함하는 것을 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 제어 방법.
  12. 제 9 항에 있어서,
    상기 해상교통관제 학습부는 관제기준 정보를 생성한 이후,
    상기 해상교통 정보 데이터베이스부에서 실시간 저장되는 새로운 해상교통 정보를 제공받아 생성된 상기 관제기준 정보를 업데이트하고,
    업데이트된 관제기준 정보를 상기 해상교통관제 분석부에 제공하는 것을 특징으로 하는 특징으로 하는 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템의 제어 방법.
PCT/KR2015/014180 2015-04-30 2015-12-23 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법 WO2016175425A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP15882906.9A EP3291206A4 (en) 2015-04-30 2015-12-23 Vessel traffic service expert system using deep learning algorithm, and control method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2015-0061044 2015-04-30
KR1020150061044A KR101541808B1 (ko) 2015-04-30 2015-04-30 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법

Publications (1)

Publication Number Publication Date
WO2016175425A1 true WO2016175425A1 (ko) 2016-11-03

Family

ID=53884610

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/014180 WO2016175425A1 (ko) 2015-04-30 2015-12-23 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법

Country Status (4)

Country Link
EP (1) EP3291206A4 (ko)
JP (1) JP6257687B2 (ko)
KR (1) KR101541808B1 (ko)
WO (1) WO2016175425A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563303A (zh) * 2017-08-09 2018-01-09 中国科学院大学 一种基于深度学习的鲁棒性舰船目标检测方法

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101657495B1 (ko) * 2015-09-04 2016-09-30 (주)한국플랫폼서비스기술 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법
JP6646219B2 (ja) * 2016-03-31 2020-02-14 富士通株式会社 回避行動判定プログラム、回避行動判定方法および回避行動判定装置
CN105702094B (zh) * 2016-04-14 2018-03-06 上海海事大学 一种智慧航标
KR101843363B1 (ko) * 2016-05-31 2018-05-14 대우조선해양 주식회사 환경 규제 모니터링 시스템의 유저 인터페이스 화면 및 그 제공방법
KR101752354B1 (ko) * 2016-06-02 2017-07-11 대우조선해양 주식회사 해양 환경 오염 물질 배출 현황 분석처리 데이터 운영 및 서비스 장치 및 그 방법
KR101870271B1 (ko) * 2016-06-02 2018-07-20 대우조선해양 주식회사 육상관제 시스템 및 데이터 구조와 그 운영 방법
KR101941521B1 (ko) * 2016-12-07 2019-01-23 한국해양과학기술원 해상객체의 자동추적 시스템 및 방법
JP6789848B2 (ja) * 2017-02-27 2020-11-25 株式会社東芝 アイソレーション管理システムおよびアイソレーション管理方法
KR101902997B1 (ko) * 2018-03-29 2018-10-01 한국해양과학기술원 비지도 학습방법을 이용한 선박의 이상 운항 상태 자동 식별 시스템 및 그 방법
KR102171671B1 (ko) 2018-08-09 2020-10-29 (주)인터아이 딥 러닝 및 인공지능 플래닝 기반 교통신호 통합제어 시스템
KR102112935B1 (ko) 2018-09-04 2020-05-21 씨드로닉스(주) 장애물 지도를 이용한 경로 생성 방법
WO2020050498A1 (ko) 2018-09-04 2020-03-12 씨드로닉스㈜ 이미지 세그멘테이션을 이용한 주변 환경 감지 방법 및 장치
US11776250B2 (en) 2018-09-04 2023-10-03 Seadronix Corp. Method and device for situation awareness
US11514668B2 (en) 2018-09-04 2022-11-29 Seadronix Corp. Method and device for situation awareness
KR101982084B1 (ko) * 2018-11-19 2019-05-24 (주)엔디씨에스 항로 생성 시스템 및 그의 딥러닝 기술에 기반한 항로 생성 방법
FR3090976B1 (fr) * 2018-12-21 2021-06-18 Thales Sa Procédé d’échanges de données entre des entités
KR102195378B1 (ko) * 2019-02-21 2020-12-24 충북대학교 산학협력단 컨볼루션 신경망 기반의 선박 교통 밀도 예측 방법 및 장치
CN109887338B (zh) * 2019-03-13 2021-11-19 大连海大船舶导航国家工程研究中心有限责任公司 一种基于智能搭靠预警算法的海上边防预警方法
CN110060508B (zh) * 2019-04-08 2020-11-20 武汉理工大学 一种用于内河桥区的船舶自动检测方法
US20220144392A1 (en) * 2019-04-18 2022-05-12 Orca Ai Ltd. Marine data collection for marine artificial intelligence systems
US11814506B2 (en) 2019-07-02 2023-11-14 Marathon Petroleum Company Lp Modified asphalts with enhanced rheological properties and associated methods
KR102161147B1 (ko) * 2019-10-31 2020-09-29 한국해양과학기술원 이상운항 선박 식별 장치 및 방법
KR102251381B1 (ko) * 2019-11-22 2021-05-12 국방과학연구소 선박 이동경로 예측장치 및 선박 이동경로 예측방법
KR20210065024A (ko) * 2019-11-26 2021-06-03 주식회사 희망에어텍 빅데이터를 이용한 인공지능 기술 기반 이상징후 표적 감지 방법 및 그 시스템
KR102215137B1 (ko) * 2019-12-20 2021-02-10 한국이네비정보기술주식회사 그리드 셀 방식 해상교통 평가 시스템
KR102182037B1 (ko) * 2020-04-02 2020-11-23 한국해양과학기술원 선박의 이동경로 네트워크 생성 장치 및 방법
KR102320142B1 (ko) * 2020-05-22 2021-11-02 주식회사 리안 인공지능 기반의 해양안전사고 모니터링 방법 및 시스템
KR102587014B1 (ko) 2023-04-11 2023-10-10 한국해양과학기술원 해상교통관제 신고 사항 처리 방법
KR102615735B1 (ko) * 2023-07-17 2023-12-20 (주)오투컴퍼니 인공지능 기술을 이용한 선박 항적을 분석하는 모니터링시스템 및 방법
CN116978260B (zh) * 2023-07-21 2024-05-10 交通运输部规划研究院 基于ais船舶标准化的海上交通流态势评估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000009706A (ko) * 1998-07-28 2000-02-15 황해웅 인공지능형 해난 경보 시스템
KR20080006294A (ko) * 2006-07-12 2008-01-16 한국해양연구원 선박의 항행 위험도 제공 방법 및 그 시스템
KR101050376B1 (ko) * 2011-04-25 2011-07-19 (주)동남티디에스 브이티에스 상에서 비상상황의 진행과정을 예측하기 위한 해상감시시스템, 이를 이용한 해상감시방법
US20120150363A1 (en) * 2010-12-08 2012-06-14 Electronics And Telecommunications Research Institute Apparatus and method for vessel traffic management
US20140022107A1 (en) * 2012-07-17 2014-01-23 Electronics And Telecommunications Research Institute Method and apparatus for managing tracking information using unique id in vessel traffic system

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6249241B1 (en) * 1995-09-21 2001-06-19 The United States Of America As Represented By The Secretary Of The Navy Marine vessel traffic system
US7047114B1 (en) * 2003-10-23 2006-05-16 Charles David Rogers System and apparatus for automatic and continuous monitoring, proactive warning and control of one or more independently operated vessels
JP4355833B2 (ja) 2006-10-13 2009-11-04 独立行政法人電子航法研究所 航空管制業務支援システム、航空機の位置を予測する方法及びコンピュータプログラム
KR20100016840A (ko) * 2008-08-05 2010-02-16 한국전자통신연구원 선박 제어 장치 및 그 방법
FI20095914A0 (fi) * 2009-09-04 2009-09-04 Valtion Teknillinen Älykäs vesiväylän riskien indikoimisjärjestelmä ja siihen liittyvä menetelmä
KR101314308B1 (ko) * 2010-02-26 2013-10-02 한국전자통신연구원 운항체의 운항 상황별 운항경로정보를 이용한 교통관제장치 및 그 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000009706A (ko) * 1998-07-28 2000-02-15 황해웅 인공지능형 해난 경보 시스템
KR20080006294A (ko) * 2006-07-12 2008-01-16 한국해양연구원 선박의 항행 위험도 제공 방법 및 그 시스템
US20120150363A1 (en) * 2010-12-08 2012-06-14 Electronics And Telecommunications Research Institute Apparatus and method for vessel traffic management
KR101050376B1 (ko) * 2011-04-25 2011-07-19 (주)동남티디에스 브이티에스 상에서 비상상황의 진행과정을 예측하기 위한 해상감시시스템, 이를 이용한 해상감시방법
US20140022107A1 (en) * 2012-07-17 2014-01-23 Electronics And Telecommunications Research Institute Method and apparatus for managing tracking information using unique id in vessel traffic system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3291206A4 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563303A (zh) * 2017-08-09 2018-01-09 中国科学院大学 一种基于深度学习的鲁棒性舰船目标检测方法
CN107563303B (zh) * 2017-08-09 2020-06-09 中国科学院大学 一种基于深度学习的鲁棒性舰船目标检测方法

Also Published As

Publication number Publication date
JP2016212849A (ja) 2016-12-15
EP3291206A1 (en) 2018-03-07
KR101541808B1 (ko) 2015-08-04
JP6257687B2 (ja) 2018-01-10
EP3291206A4 (en) 2018-05-02

Similar Documents

Publication Publication Date Title
WO2016175425A1 (ko) 딥러닝 알고리즘을 이용한 해상교통관제 전문가 시스템 및 그 제어 방법
CA2883345C (en) A method and an on-board system for ensuring the minimum longitudinal separation distance under wake turbulence conditions
US20210287318A1 (en) Method and System for Managing an Emergency
WO2017007221A1 (ko) 시계열 그래픽 표시를 이용한 선박 충돌회피 안내시스템
JP2019175462A (ja) 教師なし学習方法を用いた船舶の異常運航状態自動識別システムおよびその方法
WO2016032068A1 (ko) 이상 조기 감지 장치 및 방법
WO2021118304A1 (ko) 이동형 iot 통합 기반 안전 운행 지원 시스템 및 그의 처리 방법
CN105684050A (zh) 一种安全定位校车接送系统
KR20130104475A (ko) 선박내의 위험감시 통합모니터링 시스템 및 방법
CN104260686A (zh) 公交车安全控制方法及系统
CN112820148B (zh) 一种基于航行路线规划的船舶航行安全综合预警方法
WO2023177277A1 (ko) 인공지능 기반 교통 안전 관리 방법
CN106530543A (zh) 地铁车站火灾逃生指示系统
CN112349015B (zh) 基于物联网的方舱管控系统及方法
KR102498442B1 (ko) 리얼타임 기반의 선박 유지관리 시스템
WO2016047852A1 (ko) 규칙 기반 알고리즘을 이용한 선박 항행 감시 시스템 및 방법
KR20140115684A (ko) 선박용 융합형 선박위치 자동 발신시스템
CN109118788A (zh) 一种高速违规提示系统
CN110675659A (zh) 一种船舶管控平台及其使用方法
CN115662027A (zh) 铁路车站应急事件的处理方法、装置和电子设备
WO2022092393A1 (ko) 승선자 대피 경로 안내 시스템
KR102415979B1 (ko) 주의 선박의 안전거리 침입 경고 방법
Allendoerfer et al. The complexity of signal detection in air traffic control alert situations
Miah et al. Advanced waterway transport system based on internet of things (iot): A novel approach
JP2001067596A (ja) 交通安全支援装置及び交通安全支援システム

Legal Events

Date Code Title Description
REEP Request for entry into the european phase

Ref document number: 2015882906

Country of ref document: EP

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15882906

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2015882906

Country of ref document: EP