WO2022131439A1 - 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법 - Google Patents

기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법 Download PDF

Info

Publication number
WO2022131439A1
WO2022131439A1 PCT/KR2021/000962 KR2021000962W WO2022131439A1 WO 2022131439 A1 WO2022131439 A1 WO 2022131439A1 KR 2021000962 W KR2021000962 W KR 2021000962W WO 2022131439 A1 WO2022131439 A1 WO 2022131439A1
Authority
WO
WIPO (PCT)
Prior art keywords
accident
road
information
data
processor
Prior art date
Application number
PCT/KR2021/000962
Other languages
English (en)
French (fr)
Inventor
김진술
이동수
에케이엠아시크자만
오승민
김영광
Original Assignee
전남대학교산학협력단
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 전남대학교산학협력단 filed Critical 전남대학교산학협력단
Publication of WO2022131439A1 publication Critical patent/WO2022131439A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits

Definitions

  • the present invention relates to an accident occurrence prediction device and a control method therefor, and more particularly, to an accident occurrence prediction device and a control method for predicting an accident by identifying a road condition based on public data and personal data.
  • Traffic accidents are largely caused by complex problems such as road environment, weather, drivers, and vehicles. In particular, it is necessary to install additional safety facilities or improve the road in the section of the road with a high risk of traffic accidents.
  • Korean Patent Registration No. 10-1498582 discloses a method of providing traffic accident data that can effectively prevent a traffic accident based on traffic accident data for a site where a traffic accident occurred, provided from a user terminal.
  • Korean Patent Registration No. 10-2150034 discloses a data providing method for preventing traffic accidents by collecting and analyzing various types of information on the driver's state and vehicle running state during vehicle operation.
  • Korean Patent Registration No. 10-2063404 discloses a platform-based traffic system safety system that analyzes traffic conditions through image data.
  • An object of the present invention for solving the above-described problems is to provide an accident occurrence prediction device and a control method thereof for predicting the occurrence of an accident by identifying a road condition based on public data and personal data.
  • the accident occurrence prediction device of the present invention includes: a communication unit for receiving public data and personal data; and using a machine learning model to analyze a road image included in at least one of the public data and the personal data, determine a road condition based on the analyzed road image, and an accident based on the identified road condition Predicting the possibility of occurrence, generating the accident possibility related information based on the predicted accident possibility, and transmitting at least one of a new dangerous area list and the accident possibility related information to a manager device through the communication unit, and a processor for transmitting the accident possibility related information to the user device through the communication unit, wherein the road condition includes at least one of fog, porthole, black ice, and contact accident, and the public data includes a road image; It includes accident site information and current traffic situation information, and the personal data may include a road image.
  • the processor may determine the black ice by using an autoencoder, and the autoencoder assigns a weight to each of the R, G, and B values of the road image using the machine learning model to give the weight. Converts the R, G, B values to IR values through 1D Vector Representation, and the learning data for the machine learning model may be composed of the public data, the personal data, and the road condition.
  • the accident probability related information includes predicted damage information
  • the predicted damage is a value obtained by dividing the number of casualties during a preset period occurring on the road by the number of accidents
  • the processor based on the public data, The predicted damage amount information may be generated.
  • the accident possibility-related information includes guide information that allows a driver of a vehicle to drive a braking device of the vehicle, and the processor, when the user device is included in the vehicle, based on Equation 1 to calculate a stopping distance of the vehicle, and generate the guide information based on the calculated stopping distance.
  • the processor may transmit the accident probability related information to a plurality of user devices located within a predetermined area in the accident occurrence area.
  • the method of predicting the occurrence of an accident through a computer includes the steps of: receiving public data and personal data; analyzing a road image included in at least one of the public data and the personal data by using a machine learning model; recognizing a road condition based on the analyzed road image; predicting the possibility of an accident based on the identified road condition; generating the accident probability related information based on the predicted accident probability; and transmitting a new dangerous area list and the accident possibility related information to the manager device and transmitting the accident possibility related information to the user device; may include, wherein the road condition is fog, pothole, black ice and contact Including at least one of the accidents, the public data may include a road image, accident frequent location information, and current traffic situation information, and the personal data may include a road image.
  • FIG. 1 is a schematic diagram of an accident occurrence prediction system according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating an accident occurrence prediction apparatus according to an embodiment of the present invention.
  • FIG. 3 is a diagram for identifying black ice according to an embodiment of the present invention.
  • FIG. 4 is a diagram for identifying black ice according to an embodiment of the present invention.
  • FIG. 5 is a diagram for identifying black ice according to an embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating an accident occurrence prediction method according to an embodiment of the present invention.
  • the term “unit” refers to a hardware element such as software, FPGA, or ASIC, and “unit” performs certain roles. However, “part” is not meant to be limited to software or hardware. A “unit” may be configured to reside on an addressable storage medium and may be configured to refresh one or more processors. Thus, by way of example, “part” refers to elements such as software elements, object-oriented software elements, class elements and task elements, and processes, functions, properties, procedures, subroutines, and programs. It includes segments of code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. The functionality provided within elements and “parts” may be combined into a smaller number of elements and “parts” or further separated into additional elements and “parts”.
  • all “units” may be controlled by at least one processor, and at least one processor may perform operations performed by the “units” of the present disclosure.
  • Embodiments of the present specification may be described in terms of a function or a block performing a function.
  • Blocks which may be referred to as 'parts' or 'modules', etc. in the present disclosure include logic gates, integrated circuits, microprocessors, microcontrollers, memories, passive electronic components, active electronic components, optical components, hardwired circuits, and the like. It may be physically implemented by analog or digital circuitry, such as, and optionally driven by firmware and software.
  • Embodiments of the present specification may be implemented using at least one software program running on at least one hardware device and may perform a network management function to control an element.
  • 'public data' may be traffic information data that can be obtained (or received) through a service provided by a government-related department.
  • the public data includes road images, accident site information and current It may include traffic condition information, etc.
  • 'personal data' may be traffic information data obtainable through a user device.
  • the user device may include a smart device carried by the user and a terminal attached to a power pole or vehicle.
  • FIG. 1 is a schematic diagram of an accident occurrence prediction system according to an embodiment of the present invention.
  • the accident occurrence prediction system 100 of the present invention is a related department site 110 , user devices 120 , 130 , 140 operated by a related department providing public data, an accident occurrence prediction device 150 , and a manager device 160 . ) may be included.
  • the accident occurrence prediction device 150 of the present invention is, for example, a server, computer, UMPC (Ultra Mobile PC), workstation, net-book, PDA (Personal Digital Assistants), portable (portable) computer, web It may be one of electronic devices such as a web tablet, a wireless phone, a mobile phone, a smart phone, and a portable multimedia player (PMP). Also, the accident occurrence prediction device 150 may be an electronic device included in a server (not shown) operating a specific site.
  • the traffic accident prediction device 150 receives public data including road images, accident site information and current traffic situation information, etc. from the relevant ceremonies site 110 , and receives the road images from the user devices 120 , 130 , 140 . may receive personal data, including
  • the road image may be at least one of a moving image and a still image.
  • the relevant ceremonies site 110 may provide a video captured through an electronic device (eg, CCTV) that takes a road image in real time, and the accident occurrence prediction device 150 uses the road image included in the public data. By analyzing the road condition, it is possible to predict the possibility of an accident.
  • CCTV electronic device
  • the user device 130 is a PDA (Personal Digital Assistants), a portable (portable) computer, a web tablet (web tablet), a wireless phone (wireless phone), a mobile phone (mobile phone), a smart phone (smart) carried by a pedestrian. phone) or an electronic device such as a portable multimedia player (PMP).
  • PDA Personal Digital Assistants
  • the user device 140 may capture a road image in real time, and the accident occurrence prediction device 150 may receive personal data from the user device 140 and analyze the road image included in the personal data to determine the road condition.
  • the user device 120 may be a smart power pole capable of road shooting and data communication.
  • the user device 120 may be an electronic device that is built-in or attachable to a power pole as a terminal having a photographing function and a data communication function.
  • the user device 140 is a terminal having a photographing function and a data communication function, and may be an electronic device that can be installed or attached to a vehicle.
  • the user device 140 may be an electronic device such as a navigation device that is a traffic guide device.
  • the road image may be captured through a vehicle photographing device (eg, a camera) and transmitted to the accident occurrence prediction device 150 through a vehicle communication device.
  • the accident occurrence prediction device 150 predicts the likelihood of an accident based on personal data, generates accident-related information based on the predicted accident probability, and transmits it to the user device 140 to provide the driver with the current traffic situation. can give you information about
  • the user devices 120, 130, and 140 are electronic devices or terminals having a photographing function and a data communication function
  • the user devices 120, 130, and 140 are sensors (eg, a thermal image sensor and an RGB sensor). It is possible to photograph a road image through a photographing device (eg, a camera) having a , and transmit personal data to the accident occurrence prediction apparatus 150 through a communication module having a wireless communication function.
  • the accident occurrence prediction device 150 generates accident probability related information based on the received public data and personal data, and uses the generated accident probability related information to the user devices 130 and 140 . and transmits the accident possibility related information and a new dangerous area list to the manager device 160 .
  • the new dangerous area list may be a list of areas where an accident has occurred, other than the accident site recorded in the memory as the occurrence of the accident.
  • the accident occurrence prediction apparatus 200 of FIG. 2 may correspond to the accident occurrence prediction apparatus 100 of FIG. 1 .
  • the accident occurrence prediction apparatus 100 may include a communication unit 210 , a memory 220 , and a processor 230 .
  • the communication unit 210 may receive public data from the relevant department site 110 , and may receive personal data from the user devices 120 , 130 , and 140 .
  • the communication unit 210 of the present invention may communicate with various types of external devices according to various types of communication methods.
  • the communication unit 210 may include at least one of a Wi-Fi chip, a Bluetooth chip, a wireless communication chip, and an NFC chip.
  • the Wi-Fi chip and the Bluetooth chip may perform communication using a WiFi method and a Bluetooth method, respectively.
  • various types of connection information such as an SSID and a session key are first transmitted and received, and various types of information can be transmitted/received after communication connection using this.
  • the wireless communication chip refers to a chip that performs communication according to various communication standards such as IEEE, ZigBee, 3rd Generation (3G), 3rd Generation PartnershIP Project (3GPP), and Long Term Evolution (LTE).
  • the NFC chip refers to a chip operating in an NFC (Near Field Communication) method using a 13.56 MHz band among various RF-ID frequency bands such as 135 kHz, 13.56 MHz, 433 MHz, 860 to 960 MHz, and 2.45 GHz.
  • NFC Near Field Communication
  • the memory 220 of the present invention is a local storage medium that may include a database.
  • the database may include public data, personal data, and accumulated accident location information received by the communication unit 210 .
  • the memory 220 of the present invention may store instructions for operating the processor 230 .
  • the memory 220 of the present invention must retain data even when the power supplied to the accident occurrence prediction device 200 is cut off, and can be provided as a writable non-volatile memory (Writable Rom) to reflect the changes.
  • the memory 220 may be provided with either a flash memory, an EPROM, or an EEPROM.
  • the accident prediction apparatus 200 may include a plurality of memories.
  • the processor 230 may analyze a road image included in at least one of received public data and personal data by using a machine learning model.
  • the received road image may be a moving image or a still image.
  • the public data may include a road image, accident site information, and current traffic situation information
  • the personal data may include a road image.
  • the processor 230 may use a machine learning model to perform various operations.
  • the deep neural network (DNN) of the present invention includes a system or network that builds one or more layers in one or more computers and performs judgment based on a plurality of data. can do.
  • the deep neural network may be implemented as a set of layers including a convolutional pooling layer, a locally-connected layer, and a fully-connected layer.
  • the convolutional pooling layer or local connection layer may be configured to extract features in an image.
  • the fully connected layer may determine a correlation between features of an image.
  • the overall structure of the deep neural network of the present invention may be formed in a form in which a local access layer is connected to a convolutional pooling layer, and a fully connected layer is formed in the local access layer.
  • the deep neural network may include various judgment criteria (ie, parameters), and may add new judgment criteria (ie, parameters) through input image analysis.
  • a deep neural network is a structure called a convolutional neural network suitable for image analysis, and a feature extraction layer that learns by itself the feature with the greatest discriminative power from given image data. ) and a prediction layer that learns a predictive model to obtain the highest predictive performance based on the extracted features may have an integrated structure.
  • the feature extraction layer spatially integrates a convolution layer that creates a feature map by applying a plurality of filters to each region of the image and a feature map that is invariant to changes in position or rotation. It can be formed in a structure that alternately repeats the pooling layer several times to allow the extraction of . Through this, various level features can be extracted from low-level features such as points, lines, and planes to complex and meaningful high-level features.
  • the convolution layer obtains a feature map by taking a nonlinear activation function on the dot product of the filter and the local receptive field for each patch of the input image.
  • CNNs are characterized by using filters with sparse connectivity and shared weights. Such a connection structure reduces the number of parameters to be learned, makes learning through the backpropagation algorithm efficient, and consequently improves prediction performance.
  • the integration layer (Pooling Layer or Sub-sampling Layer) generates a new feature map by using local information of the feature map obtained from the previous convolutional layer.
  • the newly created feature map by the integration layer is reduced to a smaller size than the original feature map.
  • Representative integration methods include Max Pooling, which selects the maximum value of the corresponding region in the feature map, and the corresponding feature map in the feature map. There is an average pooling method that obtains the average value of a region.
  • the feature map of the integrated layer may be less affected by the position of an arbitrary structure or pattern existing in the input image than the feature map of the previous layer.
  • the integration layer can extract features that are more robust to regional changes such as noise or distortion in the input image or previous feature map, and these features can play an important role in classification performance.
  • Another role of the integration layer is to reflect the features of a wider area as you go up to the upper learning layer in the deep structure. More and more abstract features can be generated that reflect the features of the entire image.
  • the features finally extracted through the iteration of the convolutional layer and the integration layer are fully connected to a classification model such as a multi-layer perception (MLP) or a support vector machine (SVM). -connected layer) and can be used for classification model training and prediction.
  • MLP multi-layer perception
  • SVM support vector machine
  • training data for machine learning may be generated based on the U-Net-dhSgement model.
  • the U-Net-dhSgement model is based on an end-to-end fully connected convolutional network (FCN), and contracts an expansive path and a symmetric path. It could be a model that created a U-shaped architecture with a skip connection for each level by setting it to .
  • FCN fully connected convolutional network
  • the machine learning model of the present invention may be a model trained to have performance of 96% accuracy, 95% recall, 95% F1-Score, and support 20, and the processor 230 uses the machine learning model to status can be identified.
  • the processor 230 may analyze a road image included in public data or personal data to determine whether the road condition is one of fog, pothole, black ice, and contact accident.
  • the processor 230 may use an autoencoder to determine whether black ice exists. A method of determining black ice will be described later in detail with reference to FIG. 3 .
  • the processor 230 may predict the possibility of an accident based on the identified road condition. In addition, it is possible to generate the accident probability related information based on the predicted accident occurrence probability.
  • the processor 230 analyzes the road image to predict that an accident is likely to occur when the road condition is any one of fog, pothole, black ice, and contact accident, and generates information related to the possibility of occurrence of an accident, so that the manager device 160 ) to transmit at least one of the new hazardous area list and the accident possibility related information through the communication unit 210, and transmit the accident possibility related information to the user devices 130 and 140 through the communication unit 210. have.
  • the information related to the possibility of an accident may include at least one of information on the current road condition identified by the processor 230, information on the amount of damage predicted, and guide information for driving the vehicle's braking system. have.
  • 'accident site information' may include information on the location of a number of accidents provided by the relevant ceremonies site 110, the number of accidents and the number of casualties that occurred during a certain period at the accident site 110. have. Accordingly, if the road on which the current accident is determined to be possible is included in the accident site, the processor 230 may calculate the predicted damage by dividing the number of casualties during the preset period by the number of accidents.
  • the processor 230 may determine the predicted damage amount based on information on the number of accidents and the number of casualties that have occurred in the same road condition.
  • the processor 230 may calculate the expected amount of damage by dividing the number of fatalities in traffic accidents due to fog for 3 hours after sunrise of the same month in the last 3 years by the number of accidents from the accident frequency information included in the public data.
  • the preset period may be December to February for the last three years. Accordingly, the processor 230 may calculate the expected amount of damage by dividing the number of fatalities in traffic accidents due to black ice during December to February over the last three years by the number of accidents from the accident frequency information included in the public data.
  • the accident site information may include information related to an accident that occurred when a pedestrian crossed without permission.
  • the preset period may be 7pm-6am in the same month for the last three years.
  • the processor 230 may calculate the expected amount of damage by dividing the number of fatalities due to jaywalking by the number of accidents during 7pm-6am of the same month for the last three years from the accident site information included in the public data.
  • the processor 230 may generate guide information for driving the vehicle's braking device and transmit it to the user device 140 .
  • the processor 230 calculates a stopping distance of the vehicle based on Equation 1 below, and based on the calculated stopping distance, the guide information can be created.
  • cv n is the current speed (Km) of the nth vehicle to which the user device 140 is attached.
  • Km current speed
  • the processor 230 determines the location of a vehicle running within a predetermined area from the accident point. It is possible to determine the and speed through satellite signals and GPS signals, and transmit guide information to immediately drive the braking device to a vehicle located within a stopping distance calculated according to [Equation 1] from the point of occurrence of the accident.
  • the guide information may include alarm information (sound or light) to enable the driver to immediately drive the braking device.
  • the processor 230 may provide information related to the possibility of an accident to a plurality of user devices located within a predetermined area in the accident occurrence area. For example, when the processor 230 generates information related to the possibility of an accident based on personal data including an image taken by a specific pedestrian, pedestrians located within a 300 m circle diameter around a road point photographed by the specific pedestrian The accident possibility related information may be transmitted to the user device 130 and the user device 140 of the vehicle.
  • the manager can take appropriate measures according to the current road condition.
  • FIG. 3 is a diagram for identifying black ice according to an embodiment of the present invention.
  • Black ice is a phenomenon in which melted snow or rain turns into thin ice sheets as the temperature suddenly drops. As a result, the number of accidents continued to increase. According to embodiments of the present invention, it is possible to prevent an accident by determining whether black ice is present based on a road image.
  • the processor 230 may determine (or identify) black ice on the road using the autoencoder 320 .
  • the autoencoder 320 refers to an unsupervised learning neural network that copies an input to an output through training data.
  • the autoencoder 320 used to identify black ice of the present invention may include an uncompleted autoencoder, a stacked autoencoder, a denoising autoencoder, a sparse autoencoder, and a variational autoencoder.
  • the road image data 310 included in public data or personal data may have R, G, and B values for each pixel.
  • the processor 230 may convert the R, G, and B values of each pixel into an IR value using the autoencoder 320 . Specifically, the processor 230 may output the converted IR value by converting the R, G, and B values into IR values through 1D vector representation.
  • the autoencoder 320 of the present invention assigns a weight to each of the R, G, and B values, and converts the weighted R, G, and B values into an IR value through 1D Vector Representation. can do.
  • the weights given to each of the R, G, and B values may be weights generated by learning the autoencoder 320 .
  • the autoencoder 320 also learns a lot of image data through deep learning (or machine learning, machine learning), and whenever the autoencoder 320 converts one image into an IR value through a one-dimensional vector expression, ⁇ , ⁇ and ⁇ are produced. In this case, ⁇ , ⁇ , and ⁇ generated in one image are the same for all pixels.
  • ⁇ , ⁇ and ⁇ weights are assigned to the input R, G, and B values, respectively, and the ⁇ * R, ⁇ * G, and ⁇ * B values are converted to IR values.
  • the given ⁇ , ⁇ , and ⁇ may be values generated by IR-converting an image most similar to a road image to be recognized currently among road images input as learning data.
  • the source code for learning the autoencoder 320 may be a code written in the python language of the Google colab program, and the library for learning may include openCV and numpy.
  • FIG. 4 is a diagram for identifying black ice according to an embodiment of the present invention.
  • red gray.copy()
  • green gray.copy()
  • blue gray.copy()
  • the values of 0.642, 0.532, and 0.44 may be values generated while IR-converting an image most similar to the input road image.
  • FIG. 5 is a diagram for identifying black ice according to an embodiment of the present invention.
  • the processor 230 determines whether black ice is present in the road image 520 converted through IR conversion using the autoencoder 320 .
  • FIG. 6 is a flowchart illustrating an accident occurrence prediction method according to an embodiment of the present invention.
  • Each step of the accident prediction method of the present invention may be performed by various types of electronic devices including the communication unit 210 , the memory 220 , and the processor 230 .
  • the processor 230 will be described in detail focusing on the accident occurrence prediction method according to the present invention.
  • the embodiments described for the accident occurrence prediction device 200 are applicable to at least some or all of the accident occurrence prediction method, and on the contrary, the embodiments described for the accident occurrence prediction method are implemented for the accident occurrence prediction device 200 At least some or all of the examples are applicable.
  • the accident occurrence prediction method according to the disclosed embodiments is not limited to being performed by the accident occurrence prediction apparatus 200 disclosed in the present specification, and may be performed by various types of electronic devices.
  • the processor 230 may receive public data and personal data through the communication unit 210 [S610].
  • the public data includes road images, accident frequency information, and current It may include traffic condition information and the like.
  • the personal data may include a road image obtained through a terminal attached to a pedestrian, a vehicle, a power pole, or the like.
  • the processor 230 may analyze the road image included in at least one of public data and personal data by using the machine learning model [S620].
  • the processor 230 may determine the road condition based on the analyzed road image [S630].
  • the road condition may include at least one of fog, pothole, black ice, and contact accident.
  • the processor 230 may predict the possibility of an accident based on the identified road condition [S630].
  • the processor 230 may predict (or determine) that an accident is likely to occur when the road condition is any one of fog, pothole, black ice, and contact accident by analyzing the road image.
  • the processor 230 may generate accident probability related information based on the predicted accident probability [S640].
  • the processor 230 transmits at least one of the new hazardous area list and the accident possibility related information to the manager device 160 through the communication unit 210, and related to the accident possibility to the user devices 130 and 140 .
  • Information may be transmitted through the communication unit 210 [S650].
  • the new dangerous area list may be a list of areas where an accident has occurred other than the accident site recorded in the memory 220 as an accident.
  • the memory 220 may store the point where the accident occurred during a preset period, and the processor 230 may store an accident or an accident in a new place other than the point where the accident occurred within the preset period. They are listed and stored in the memory 220 as a new dangerous region list, and the new dangerous region list may be transmitted to the manager device 160 .
  • Various embodiments of the present invention include one or more instructions stored in a storage medium (eg, memory) readable by a machine (eg, the accident prediction device 200 or a computer). It can be implemented as software that includes.
  • the processor eg, the processor 230
  • the device may call at least one of the one or more instructions stored from the storage medium and execute it. This makes it possible for the device to be operated to perform at least one function according to the called at least one instruction.
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • the 'non-transitory storage medium' is a tangible device and only means that it does not include a signal (eg, electromagnetic wave), and this term means that data is semi-permanently stored in the storage medium. and temporary storage.
  • the 'non-transitory storage medium' may include a buffer in which data is temporarily stored.
  • the method according to various embodiments disclosed herein may be provided as included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play StoreTM) or two user devices. It can be distributed (eg downloaded or uploaded) directly or online between devices (eg smartphones).
  • a portion of the computer program product eg, a downloadable app
  • a machine-readable storage medium such as a memory of a manufacturer's server, a server of an application store, or a relay server. It may be temporarily stored or temporarily created.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 사고발생 예측 장치에 있어서, 공공 데이터 및 개인 데이터를 수신하는 통신부; 및 기계학습 모델을 이용하여, 상기 공공 데이터 및 상기 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석하고, 상기 분석된 도로 영상에 기초하여 도로 상태를 파악하고, 상기 파악된 도로 상태에 기초하여 사고발생 가능성을 예측하고, 상기 예측된 사고발생 가능성에 기초하여 상기 사고발생 가능성 관련 정보를 생성하고, 관리자 장치로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보 중 적어도 하나를 상기 통신부를 통해 송신하고, 사용자 장치로 상기 사고발생 가능성 관련 정보를 상기 통신부를 통해 송신하는 프로세서를 포함한다.

Description

기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법
본 발명은 사고발생 예측 장치 및 그 제어방법에 관한 것으로, 보다 구체적으로 공공 데이터 및 개인 데이터에 기초하여 도로 상태를 파악하여 사고발생을 예측하는 사고발생 예측 장치 및 그 제어방법에 관한 것이다.
매년 교통 사고로 인해 많은 교통사고 사망자 또는 부상자가 발생하고 있으며, 그로 인해 많은 사회적 비용이 지출되고 있다. 교통 사고는 크게 도로 환경, 날씨, 운전자, 차량 등의 복합적 문제에 의해 발생한다. 특히, 교통 사고 위험이 높은 도로 구간에는 추가 안전 시설물을 설치하거나 해당 구간의 도로를 개선해야 할 필요가 있다.
종래에 교통사고 방지를 위하여 기존에 많은 특허문헌들이 존재하였다.
일 예로서 대한민국 등록특허 10-1498582에서는, 사용자 단말로부터 제공받은 교통사고가 발생된 현장에 대한 교통사고 데이터를 기반으로 교통사고를 효과적으로 예방할 수 있는 교통사고 데이터 제공 방법을 개시하고 있다. 또한 대한민국 등록특허 10-2150034에서는, 차량 운행 시의 운전자 상태와 차량 운행 상태에 대한 다양한 정보를 수집 및 분석하여 교통사고를 예방하기 위한 데이터 제공 방법을 개시하고 있다. 또한 다른 예로서, 대한민국 등록특허 10-2063404에서는, 영상데이터를 통해 교통상황을 분석하는 플랫폼 기반 교통체계안전시스템에 대하여 개시하고 있다.
그러나 상기 특허들은 운전자, 보행자 및 안전관련 관계부처를 위해 교통사고자료, 기상관측자료 및 사용자정보 등을 복합적으로 이용하여 위험지역을 감지하고 사고발생 가능성 예측하는 방안에 대해서는 전혀 개시하지 못하고 있다.
따라서, 교통사고자료, 기상관측자료 및 사용자정보 등을 복합적으로 이용하여 신규 위험지역 또는 사고발생 가능성을 예측하는 기술에 대한 필요성이 대두되고 있다.
상술한 문제점을 해결하기 위한 본 발명의 목적은, 공공 데이터 및 개인 데이터에 기초하여 도로 상태를 파악하여 사고발생을 예측하는 사고발생 예측 장치 및 그 제어방법을 제공하는데 있다.
상술한 과제를 해결하기 위해 본 발명인 사고발생 예측 장치는, 공공 데이터 및 개인 데이터를 수신하는 통신부; 및 기계학습 모델을 이용하여, 상기 공공 데이터 및 상기 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석하고, 상기 분석된 도로 영상에 기초하여 도로 상태를 파악하고, 상기 파악된 도로 상태에 기초하여 사고발생 가능성을 예측하고, 상기 예측된 사고발생 가능성에 기초하여 상기 사고발생 가능성 관련 정보를 생성하고, 관리자 장치로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보 중 적어도 하나를 상기 통신부를 통해 송신하고, 사용자 장치로 상기 사고발생 가능성 관련 정보를 상기 통신부를 통해 송신하는 프로세서를 포함할 수 있으며, 상기 도로 상태는 안개, 포트홀, 블랙아이스 및 접촉사고 중 적어도 하나를 포함하며, 상기 공공 데이터는 도로 영상, 사고다발지 정보 및 현재 교통상황 정보를 포함하고, 상기 개인 데이터는 도로 영상을 포함할 수 있다.
또한, 상기 프로세서는, 오토인코더를 이용하여 상기 블랙아이스를 파악할 수 있으며, 상기 오토인코더는 상기 기계학습 모델을 이용하여 상기 도로 영상의 R, G, B 값 각각에 가중치를 부여하여 상기 가중치가 부여된 R, G, B 값을 1차원 벡터 표현(1D Vector Representation)을 통해 IR 값으로 변환하며, 상기 기계학습 모델을 위한 학습데이터는 상기 공공 데이터, 상기 개인 데이터 및 도로 상태로 구성될 수 있다.
또한, 상기 사고발생 가능성 관련 정보는 예측 피해량 정보를 포함하고, 상기 예측 피해량은 도로에서 발생된 기 설정된 기간 동안의 사상자수를 사고건수로 나눈 값이며, 상기 프로세서는, 상기 공공 데이터에 기초하여, 상기 예측 피해량 정보를 생성할 수 있다.
또한, 상기 사고발생 가능성 관련 정보는 차량의 운전자가, 상기 차량의 제동 장치를 구동시키도록 하는 가이드 정보를 포함하고, 상기 프로세서는, 상기 사용자 장치가 상기 차량에 포함된 경우, 수학식 1에 기초하여 상기 차량의 정지 거리를 계산하고, 상기 계산된 정지 거리에 기초하여 상기 가이드 정보를 생성할 수 있다.
또한, 상기 프로세서는 사고 발생 지역에서 미리 정해진 영역 내에 위치한 복수의 사용자 장치로 상기 사고발생 가능성 관련 정보를 송신할 수 있다.
또한 상술한 과제를 해결하기 위해 본 발명인 컴퓨터를 통한 사고발생 예측 방법은, 공공 데이터 및 개인 데이터를 수신하는 단계; 기계학습 모델을 이용하여, 상기 공공 데이터 및 상기 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석하는 단계; 상기 분석된 도로 영상에 기초하여 도로 상태를 파악하는 단계; 상기 파악된 도로 상태에 기초하여 사고발생 가능성을 예측하는 단계; 상기 예측된 사고발생 가능성에 기초하여 상기 사고발생 가능성 관련 정보를 생성하는 단계; 및 관리자 장치로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보를 송신하고 사용자 장치로 상기 사고발생 가능성 관련 정보를 송신하는 단계;를 포함할 수 있고, 상기 도로 상태는 안개, 포트홀, 블랙아이스 및 접촉사고 중 적어도 하나를 포함하며, 상기 공공 데이터는 도로 영상, 사고다발지 정보 및 현재 교통상황 정보를 포함하고, 상기 개인 데이터는 도로 영상을 포함할 수 있다.
본 발명에 개시된 실시예들에 따르면, 공공 데이터 및 개인 데이터에 기초하여 도로 상태를 파악하고 사고발생 가능성을 예측할 수 효과가 있다.
또한, 도로에 존재하는 블랙아이스를 정확하게 파악하여 사고를 미리 방지할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 사고발생 예측 시스템의 개략도이다.
도 2는 본 발명의 일 실시예에 따른 사고발생 예측 장치를 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 블랙아이스를 파악하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 블랙아이스를 파악하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 블랙아이스를 파악하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 사고발생 예측 방법을 나타낸 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제 1", "제 2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제 1 구성요소는 본 발명의 기술적 사상 내에서 제 2 구성요소일 수도 있음은 물론이다.
"예시적인"이라는 단어는 본 명세서에서 "예시 또는 예증으로서 사용된"의 의미로 사용된다. 본 명세서에서 "예시적인"것으로 설명된 임의의 실시예는 반드시 바람직한 것으로서 해석되거나 다른 실시예들보다 이점을 갖는 것으로 해석되어서는 안된다.
또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 엘리먼트를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 엘리먼트들, 객체지향 소프트웨어 엘리먼트들, 클래스 엘리먼트들 및 태스크 엘리먼트들과 같은 엘리먼트들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 엘리먼트들과 "부"들 안에서 제공되는 기능은 더 작은 수의 엘리먼트들 및 "부"들로 결합되거나 추가적인 엘리먼트들과 "부"들로 더 분리될 수 있다.
또한, 본 명세서에서 모든 “부”는 적어도 하나의 프로세서에 의해 제어될 수 있으며 본 개시의 “부”가 수행하는 동작을 적어도 하나의 프로세서가 수행할 수도 있다.
본 명세서의 실시예들은 기능 또는 기능을 수행하는 블록의 관점에서 설명될 수 있다. 본 개시의 ‘부’ 또는 ‘모듈’ 등으로 지칭될 수 있는 블록은 논리 게이트, 집적 회로, 마이크로 프로세서, 마이크로 컨트롤러, 메모리, 수동 전자 부품, 능동 전자 부품, 광학 컴포넌트, 하드와이어드 회로(hardwired circuits) 등과 같은 아날로그 또는 디지털 회로에 의해 물리적으로 구현되고, 선택적으로 펌웨어 및 소프트웨어에 의해 구동될 수 있다.
본 명세서의 실시예는 적어도 하나의 하드웨어 디바이스 상에서 실행되는 적어도 하나의 소프트웨어 프로그램을 사용하여 구현될 수 있고 엘리먼트를 제어하기 위해 네트워크 관리 기능을 수행할 수 있다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 발명에서, '공공 데이터'는 정부 관계 부처에서 제공하는 서비스를 통해 획득(또는 수신) 가능한 교통정보 데이터일 수 있다. 예를 들어, 상기 공공 데이터는 공데이터 포털(data.go.kr), 교통사고정보 개방시스템(taas.koroad.or.kr) 및 기상청 사이트 등을 통해 획득가능한 도로 영상, 사고다발지 정보 및 현재 교통상황 정보등을 포함할 수 있다.
본 발명에서, '개인 데이터'는 사용자 장치를 통해 획득 가능한 교통정보 데이터일 수 있다. 여기서, 사용자 장치는 사용자가 휴대하고 다니는 스마트 장치 및 전봇대 또는 차량에 부착된 단말기를 포함할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 사고발생 예측 시스템의 개략도이다.
본 발명의 사고발생 예측 시스템(100)은 공공 데이터를 제공하는 관계 부처에서 운영하는 관계 부처 사이트(110), 사용자 장치(120, 130, 140), 사고발생 예측 장치(150) 및 관리자 장치(160)를 포함할 수 있다.
본 발명의 사고발생 예측 장치(150)는 예를 들어, 서버, 컴퓨터, UMPC(Ultra Mobile PC), 워크스테이션, 넷북(net-book), PDA(Personal Digital Assistants), 포터블(portable) 컴퓨터, 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트폰(smart phone), PMP(portable multimedia player) 같은 전자 장치 중 하나일 수 있다. 또한, 사고발생 예측 장치 (150)는 특정 사이트를 운영하는 서버(미도시)에 포함된 전자 장치일 수도 있다.
교통사고 예측 장치(150)는 관계 부처 사이트(110)에서 도로 영상, 사고다발지 정보 및 현재 교통상황 정보 등을 포함하는 공공 데이터를 수신하고, 사용자 장치(120, 130, 140)로부터 도로 영상을 포함하는 개인 데이터를 수신할 수 있다.
본 발명의 일 실시예에 따르면, 도로 영상은 동영상 및 정지 영상 중 적어도 하나일 수 있다. 관계 부처 사이트(110)는 실시간으로 도로 영상을 촬영하는 전자 장치(예를 들어, CCTV)를 통해 촬영된 동영상을 제공할 수 있으며, 사고발생 예측 장치(150)는 공공 데이터에 포함된 도로 영상을 분석하여 도로 상태를 파악하여 사고발생 가능성을 예측할 수 있다.
또한, 사용자 장치(130)는 보행자가 소지하는 PDA(Personal Digital Assistants), 포터블(portable) 컴퓨터, 웹 타블렛(web tablet), 무선 전화기(wireless phone), 모바일 폰(mobile phone), 스마트폰(smart phone), PMP(portable multimedia player)와 같은 전자 장치 중 하나일 수 있다. 사용자 장치(140)는 실시간으로 도로 영상을 촬영하고, 사고발생 예측 장치(150)는 사용자 장치(140)로부터 개인 데이터를 수신하고 개인 데이터에 포함된 도로 영상을 분석하여 도로 상태를 파악할 수 있다.
또한, 사용자 장치(120)는 도로 촬영 및 데이터 통신이 가능한 스마트 전봇대일 수 있다. 또는, 사용자 장치(120)는 촬영 기능 및 테이터 통신 기능을 구비한 단말기로서 전봇대에 내장 또는 부착 가능한 전자 장치일 수 있다.
또한, 사용자 장치(140)는 촬영 기능 및 테이터 통신 기능을 구비한 단말기로서 차량에 내장 또는 부착 가능한 전자 장치일 수 있다.
또한, 사용자 장치(140)는 교통 안내 장치인 네비게이션과 같은 전자 장치일 수 있다. 이 경우, 도로 영상은 차량의 촬영 장치(예를 들어, 카메라)를 통해 촬영되어 차량의 통신 장치를 통해 사고발생 예측 장치(150)로 송신될 수 있다. 사고발생 예측 장치(150)는 개인 데이터에 기초하여 사고발생 가능성을 예측하고 상기 예측된 사고발생 가능성에 기초하여 사고발생 가능성 관련 정보를 생성하여 사용자 장치(140)로 송신함으로써 운전자에게 현재 교통 상황에 대한 정보를 알려줄 수 있다.
상기 사용자 장치(120, 130, 140)가 촬영 기능 및 테이터 통신 기능을 구비한 전자 장치 또는 단말기인 경우, 사용자 장치(120, 130, 140)는 센서(예를 들어, 열화상센서 및 RGB 센서)를 구비한 촬영 장치(예를 들어, 카메라)를 통해 도로 영상을 촬영하고 무선 통신 기능을 갖는 통신모듈을 통해 사고발생 예측 장치(150)로 개인 데이터를 송신할 수 있다.
본 발명의 일 실시예에 따르면, 사고발생 예측 장치(150)는 수신한 공공 데이터 및 개인 데이터에 기초하여 사고발생 가능성 관련 정보를 생성하여 생성된 사고발생 가능성 관련 정보를 사용자 장치(130, 140)로 송신하고 상기 사고발생 가능성 관련 정보 및 신규 위험지역 리스트를 관리자 장치(160)로 송신할 수 있다.
본 발명에서 신규 위험지역 리스트는 사고가 발생한 것으로 메모리에 기록되어 있는 사고발생지외에 새롭게 사고가 발생된 지역의 리스트일 수 있다.
도 2는 본 발명의 일 실시예에 따른 사고발생 예측 장치를 나타낸 블록도이다. 도 2의 사고발생 예측 장치(200)는 도 1의 사고발생 예측 장치(100)와 대응될 수 있다.
본 발명의 일 실시예에 따르면, 사고발생 예측 장치(100)는 통신부(210), 메모리(220) 및 프로세서(230)를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 통신부(210)는 관계 부처 사이트(110)로부터 공공 데이터를 수신하고, 사용자 장치(120, 130, 140)로부터 개인 데이터를 수신할 수 있다.
또한, 본 발명의 통신부(210)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행할 수 있다. 통신부(210)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩 중 적어도 하나를 포함할 수 있다.
와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행할 수 있다. 와이파이 칩 또는 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation PartnershIP Project), LTE(Long Term Evolution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은 135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는 NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.
본 발명의 메모리(220)는 데이터베이스를 구비할 수 있는 로컬 저장 매체이다. 상기 데이터베이스는 통신부(210)가 수신한 공공 데이터, 개인 데이터 및 누적된 사고발생지 정보를 포함할 수 있다. 또한, 본 발명의 메모리(220)는 프로세서(230)가 동작하기 위한 인스트럭션 등을 저장할 수 있다.
또한, 본 발명의 메모리(220)는 사고발생 예측 장치(200)에 공급되는 전원이 차단되더라도 데이터들이 남아있어야 하며, 변동사항을 반영할 수 있도록 쓰기 가능한 비휘발성 메모리(Writable Rom)로 구비될 수 있다. 즉, 메모리(220)는 플래쉬메모리(Flash Memory) 또는 EPROM 또는 EEPROM 중 어느 하나로 구비될 수 있다. 본 발명에서 설명의 편의를 위해 하나의 메모리(220)에 모든 인스트럭션 정보가 저장되는 것으로 설명하고 있으나, 이에 한정되는 것은 아니며, 사고발생 예측 장치(200)는 복수의 메모리를 구비할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(230)는 기계학습 모델을 이용하여, 수신된 공공 데이터 및 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석할 수 있다. 이 경우, 수신된 도로 영상은 동영상 또는 정지 영상일 수 있다. 또한, 상기 공공 데이터는 도로 영상, 사고다발지 정보 및 현재 교통상황 정보를 포함하고, 상기 개인 데이터는 도로 영상을 포함할 수 있다.
본 발명에서, 프로세서(230)는 다양한 동작을 수행하기 위해 기계학습 모델을 이용할 수 있다.
기계학습 모델의 일 예로서, 본 발명의 심층신경망(Deep Neural Network; DNN)은, 하나 이상의 컴퓨터 내에 하나 이상의 레이어(Layer)를 구축하여 복수의 데이터를 바탕으로 판단을 수행하는 시스템 또는 네트워크를 포함할 수 있다.
상기 심층신경망은 컨볼루션 풀링 층(Convolutional Pooling Layer), 로컬 접속 층(a locally-connected layer) 및 완전 연결 층(fully-connected layer)을 포함하는 층들의 세트로 구현될 수 있다.
상기 컨볼루션 풀링 층 또는 로컬 접속 층은 영상 내 특징들을 추출하도록 구성될 수 있다.
상기 완전 연결 층은 영상의 특징 간의 상관 관계를 결정할 수 있다.
다른 예로, 본 발명의 심층신경망의 전체적인 구조는 컨볼루션 풀링 층에 로컬 접속 층이 이어지고, 로컬 접속 층에 완전 연결 층이 이러지는 형태로 이루어질 수 있다. 심층신경망은 다양한 판단기준(즉, 파라미터(Parameter))를 포함할 수 있고, 입력되는 영상 분석을 통해 새로운 판단기준(즉, 파라미터)를 추가할 수 있다.
본 발명의 실시예들에 따른 심층신경망은, 영상분석에 적합한 콘볼루셔널 신경망이라고 부르는 구조로서, 주어진 영상 데이터들로부터 가장 분별력(Discriminative Power)이 큰 특징을 스스로 학습하는 특징 추출층(Feature Extraction Layer)과 추출된 특징을 기반으로 가장 높은 예측 성능을 내도록 예측 모델을 학습하는 예측층(Prediction Layer)이 통합된 구조로 구성될 수도 있다.
상기 특징 추출층은 영상의 각 영역에 대해 복수의 필터를 적용하여 특징 지도(Feature Map)를 만들어 내는 콘볼루션 층(Convolution Layer)과 특징 지도를 공간적으로 통합함으로써 위치나 회전의 변화에 불변하는 특징을 추출할 수 있도록 하는 통합층(Pooling Layer)을 번갈아 수 차례 반복하는 구조로 형성될 수 있다. 이를 통해, 점, 선, 면 등의 낮은 수준의 특징에서부터 복잡하고 의미 있는 높은 수준의 특징까지 다양한 수준의 특징을 추출해낼 수 있다.
상기 콘볼루션 층은 입력 영상의 각 패치에 대하여 필 터와 국지 수용장(Local Receptive Field)의 내적에 비선형 활성 함수(Activation Function)을 취함으로 서 특징지도(Feature Map)을 구하게 되는데, 다른 네트워크 구조와 비교하여, CNN은 희소한 연결성 (Sparse Connectivity)과 공유된 가중치(Shared Weights)를 가진 필터를 사용하는 특징이 있다. 이러한 연결구조는 학습할 모수의 개수를 줄여주고, 역전파 알고리즘을 통한 학습을 효율적으로 만들어 결과적으로 예측 성능을 향상시킨다.
상기 통합 층(Pooling Layer 또는 Sub-sampling Layer)은 이전 콘볼루션 층에서 구해진 특징 지도의 지역 정보를 활용하여 새로운 특징 지도를 생성한다. 일반적으로 통합 층에 의해 새로 생성된 특징지도는 원래의 특징 지도보다 작은 크기로 줄어드는데, 대표적인 통합 방법으로는 특징 지도 내 해당 영역의 최대값을 선택하는 최대 통합(Max Pooling)과 특징 지도 내 해당 영역의 평균값을 구하는 평균 통합(Average Pooling) 등이 있다. 상기 통합 층의 특징지도는 일반적으로 이전 층의 특징 지도보다 입력 영상에 존재하는 임의의 구조나 패턴의 위치에 영향을 적게 받을 수 있다. 즉, 상기 통합층은 입력 영상 혹은 이전 특징 지도에서의 노이즈나 왜곡과 같은 지역적 변화에 보다 강인한 특징을 추출할 수 있게 되고, 이러한 특징은 분류 성능에 중요한 역할을 할 수 있다. 또 다른 통합 층의 역할은, 깊은 구조상에서 상위의 학습 층으로 올라갈수록 더 넓은 영역의 특징을 반영할 수 있게 하는 것으로서, 특징 추출 층이 쌓이면서, 하위 층에서는 지역적인 특징을 반영하고 상위 층으로 올라 갈수록 보다 추상적인 전체 영상의 특징을 반영하는 특징 생성할 수 있다.
이와 같이, 콘볼루션 층과 통합 층의 반복을 통해 최종적으로 추출된 특징은 다중 신경망(MLP: Multi-layer Perception)이나 서포트 벡터 머신(SVM: Support Vector Machine)과 같은 분류 모델이 완전 연결 층(Fully-connected Layer)의 형태로 결합되어 분류 모델 학습 및 예측에 사용될 수 있다.
또한, 본 발명의 일 실시예에 따르면, 기계학습을 위한 학습 데이터는 U-Net-dhSgement 모델에 기초하여 생성될 수 있다. 여기서, U-Net-dhSgement 모델은 종단 간(end-to-end)의 완전 연결 컨벌루션 네트워크 (Fully Convolutional Networks. FCN)를 기초로, 확장(expansive) 경로를 수축(contracting) 경로와 대칭(symmetric)으로 설정하여 각 레벨에 대한 스킵(skip) 연결이 있는 U 자형 아키텍처를 생성한 모델일 수 있다.
또한, 본 발명의 기계학습 모델은 정확도 96%, 재현율 95%, F1-Score 95%, Support 20의 성능을 가지도록 학습된 모델일 수 있으며, 프로세서(230)는 상기 기계학습 모델을 이용하여 도로 상태를 파악할 수 있다. 구체적으로, 프로세서(230)는 공공 데이터 또는 개인 데이터에 포함된 도로 영상을 분석하여 도로 상태가 안개, 포트홀, 블랙아이스 및 접촉사고 중 어떤 상태인지를 파악할 수 있다. 특히, 블랙아이스 존재 여부를 파악하기 위해 프로세서(230)는 오토인코더를 이용할 수 있다. 블랙아이스를 판단하는 방법에 대하여는 도 3을 통해 상세히 후술한다.
본 발명의 일 실시예에 따르면, 프로세서(230)는 파악된 도로 상태에 기초하여 사고발생 가능성을 예측할 수 있다. 또한, 상기 예측된 사고발생 가능성에 기초하여 상기 사고발생 가능성 관련 정보를 생성할 수 있다.
프로세서(230)는 도로 영상을 분석하여 도로 상태가 안개, 포트홀, 블랙아이스 및 접촉사고 중 어느 하나인 경우, 사고가 일어날 가능성이 있다고 예측하고, 사고발생 가능성 관련 정보를 생성하여, 관리자 장치(160)로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보 중 적어도 하나를 통신부(210)를 통해 송신하고, 사용자 장치(130, 140)로 상기 사고발생 가능성 관련 정보를 통신부(210)를 통해 송신할 수 있다.
본 발명의 일 실시예에 따르면, 사고발생 가능성 관련 정보는 프로세서(230)가 파악한 현재 도로 상태에 대한 정보, 예측 피해량 정보 및 차량의 제동 장치를 구동시키도록 하는 가이드 정보 중 적어도 하나를 포함할 수 있다.
본 발명에서, '사고다발지 정보'는 관계 부처 사이트(110)에서 제공하는 다수의 사고가 발생하는 위치 관련 정보, 상기 사고다발지에서의 일정 기간 동안 발생한 사고건수 및 사상자수 정보를 포함할 수 있다. 따라서, 프로세서(230)는 현재 사고발생이 가능하다고 판단된 도로가 사고다발지에 포함된 경우라면, 기 설정된 기간 동안의 사상자수를 사고건수로 나누어 예측 피해량을 계산할 수 있다.
또한, 현재 사고발생이 가능하다고 판단된 도로가 사고다발지에 포함되지 않은 경우라도 프로세서(230)는 동일한 도로 상태에서 발생한 사고건수 및 사상자수 정보에 기초하여 예측 피해량을 판단할 수 있다.
본 발명의 일 실시예에 따르면, 안개의 경우 새벽에 가장 짙으므로 일반적으로 새벽에 안개로 인한 사고가 가장 많이 발생할 수 있다. 따라서, 안개의 경우 기 설정된 기간은 최근 3년간 동월의 일출 후 3시간일 수 있다. 따라서, 프로세서(230)는 공공 데이터에 포함된 사고다발지 정보로부터 최근 3년간 동월의 일출 후 3시간동안 안개로 인한 교통사고의 사상자수를 사고건수로 나누어 예상 피해량을 계산할 수 있다.
또한, 블랙아이스의 경우 겨울에 사고가 발생하는 것이 일반적이므로, 기 설정된 기간은 최근 3년간 12월 내지 2월일 수 있다. 따라서, 프로세서(230)는 공공 데이터에 포함된 사고다발지 정보로부터 최근 3년간 12월 내지 2월 동안 블랙아이스로 인한 교통사고의 사상자수를 사고건수로 나누어 예상 피해량을 계산할 수 있다.
본 발명의 다른 실시예에 따르면, 사고다발지 정보는 보행자가 무단횡단을 하여 발생한 사고 관련 정보를 포함할 수 있다. 무단횡단의 경우, 유동인구가 많은 시간대인 출퇴근 시간 또는 통상적인 활동시간에 빈번히 일어나므로, 기 설정된 기간은 최근 3년간 동월의 7pm-6am 일 수 있다. 따라서, 프로세서(230)는 공공 데이터에 포함된 사고다발지 정보로부터 최근 3년간 동월의 7pm-6am 동안 무단횡단으로 인한 교통사고의 사상자수를 사고건수로 나누어 예상 피해량을 계산할 수도 있다.
본 발명의 일 실시예에 따르면, 프로세서(230)는 차량의 제동 장치를 구동시키도록 하는 가이드 정보를 생성하여 사용자 장치(140)로 송신할 수 있다.
구체적으로, 사용자 장치(140)가 차량에 포함된 단말기인 우, 프로세서(230)는 하기 [수학식 1]에 기초하여 상기 차량의 정지 거리를 계산하고, 상기 계산된 정지 거리에 기초하여 상기 가이드 정보를 생성할 수 있다.
Figure PCTKR2021000962-appb-M000001
여기서 cvn은 사용자 장치(140)가 부착된 n번째 차량의 현재속도(Km)이다. 예를 들어, 공공 데이터 또는 개인 데이터에 기초하여 프로세서(230)는 특정 도로 지점에서 사고가 발생할 가능성이 있는 것으로 예측하면, 프로세서(230)는 상기 사고 발생 지점으로부터 일정 구역내에서 운행중인 차량의 위치와 속도를 위성신호 및 GPS 신호 등을 통해 파악하고 상기 사고 발생 지점으로부터 [수학식 1]에 따라 계산된 정지거리 내에 위치한 차량으로 즉시 제동 장치를 구동시키도록 가이드 정보를 송신할 수 있다. 또한, 상기 가이드 정보는 알람 정보(소리 또는 불빛)를 포함하여 운전자로 하여금 즉시 제동 장치를 구동시키도록 할 수 있다.
본 발명의 일 실시예에 따르면, 프로세서(230)는 사고 발생 지역에서 미리 정해진 영역 내에 위치한 복수의 사용자 장치로 사고발생 가능성 관련 정보를 제공할 수 있다. 예를 들어, 프로세서(230)가 특정 보행자가 촬영한 영상을 포함하는 개인 데이터에 기초하여 사고발생 가능성 관련 정보를 생성한 경우, 상기 특정 보행자가 촬영한 도로 지점 주변의 300m 원 지름 내에 위치한 보행자들의 사용자 장치(130) 및 차량의 사용자 장치(140)로 상기 사고발생 가능성 관련 정보를 송신할 수 있다.
또한, 사고발생 가능성 관련 정보 및 신규 위험지역 리스트 중 적어도 하나를 관리자 장치(160)로 송신함으로써 관리자로 하여금 현재 도로 상태에 따른 적절한 조치를 취하도록 할 수 있다.
도 3은 본 발명의 일 실시예에 따른 블랙아이스를 파악하기 위한 도면이다.
블랙아이스(Black Ice)는 기온이 갑자기 내려가면서 녹았던 눈이나 비가 얇은 빙판으로 변하는 현상으로, 주로 그늘진 도로나 터널, 산모퉁이, 고가도로 등 표면온도가 낮은 곳에서 많이 발생하며, 최근 몇 년간 블랙아이스로 인한 사건 사고는 계속 증가추세였다. 본 발명의 실시예들에 따르면, 도로 영상에 기초하여 블랙아이스 여부를 판단하여 사고 발생을 예방할 수 있는 효과가 있다.
본 발명의 일 실시예에 따르면, 프로세서(230)는 오토인코더(320)를 이용하여 도로 위의 블랙아이스를 판별(또는 파악)할 수 있다.
오토인코더(320)는 학습 데이터를 통해 입력을 출력으로 복사하는 비지도 학습 신경망을 지칭한다. 본 발명의 블랙아이스를 파악하기 위해 사용되는 오토인코더(320)는 Uncompleted 오토인코더, Stacked 오토인코더, Denoising 오토인코더, Sparse 오토인코더 및 Variational 오토인코더 등을 포함할 수 있다.
공공 데이터 또는 개인 데이터에 포함된 도로 영상 데이터(310)는 각 픽셀마다 R, G, B값을 가질 수 있다. 프로세서(230)는 오토인코더(320)를 이용하여 각 픽셀의 R, G, B값을 IR 값으로 변환할 수 있다. 구체적으로, 프로세서(230)는 R, G, B 값을 1차원 벡터 표현(1D Vector Representation)을 통해 IR 값으로 변환하여 변환된 IR 값을 출력할 수 있다.
또한, 본 발명의 오토인코더(320)는 R, G, B 값 각각에 가중치를 부여하여 상기 가중치가 부여된 R, G, B 값을 1차원 벡터 표현(1D Vector Representation)을 통해 IR 값으로 변환할 수 있다. 이 경우, R, G, B 값 각각에 부여되는 가중치는 오토인코더(320)가 학습하며 발생된 가중치일 수 있다. 오토인코더(320) 역시 딥러닝(또는 기계학습, 머신러닝)을 통해 수많은 영상 데이터를 학습하게 되며, 오토인코더(320)는 하나의 영상을 1차원 벡터 표현을 통해 IR 값으로 변환할 때 마다, α, β 및 γ 가 생성된다. 이 경우, 하나의 영상에서 생성되는 α, β 및 γ는 모든 픽셀에 대하여 동일하다.
따라서, 오토인코더(320)는 실제로 도로 영상을 분석하는 경우, 입력된 R, G, B 값 각각에 α, β 및 γ 가중치를 부여하여 α* R, β* G 및 γ* B 값을 IR 값으로 변환할 수 있다. 이 경우, 부여되는 α, β 및 γ는 학습 데이터로 입력된 도로 영상 중 현재 파악해야 하는 도로 영상과 가장 유사한 영상을 IR 변환하며 생성된 값일 수 있다.
본 발명의 일 실시예에 따르면, 오토인코더(320)를 학습시키기 위한 소스코드는 구글 colab 프로그램의 python 언어로 작성된 코드일 수 있으며, 학습을 위한 라이브러리로는 openCV, numpy를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 블랙아이스를 파악하기 위한 도면이다.
도 4는 오토인코더(320)를 통해 도로 영상을 IR 값으로 변환하기 위한 소스코드를 개시하고 있다.
도 4를 참조하면, gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) 함수를 이용하여 입력된 도로 영상을 openCV 라이브러리를 통해 휘도값(그레이 스케일)로 변환이 가능하다.
또한, red = gray.copy(), green = gray.copy(), blue = gray.copy() 함수를 이용하여 각 픽셀의 R, G, B 값의 배열을 새로운 주소에 할당하여 배열을 복사할 수 있다.
또한, R=.642, G=.532, B=.44, sum=R+G+B, R=R/sum, G=G/sum, B=B/sum 함수를 이용하여 R, G, B 값에 부여할 가중치 α, β 및 γ가 결정될 수 있다. 여기서, 0.642, 0.532, 0.44라는 값은 입력된 도로 영상과 가장 유사한 영상을 IR 변환하면서 생성된 값일 수 있다.
또한, red=(R*red), green=(G*green), blue=(B*blue), result=cv2.merge([red,green,blue]) 함수를 이용해 입력된 도로 영상의 R, G, B 값을 IR 값으로 변환이 가능하다.
또한, max=np.amax(result), result = ((255/max)*result). clip(0,255). astype(np.uint8), 　return result　함수를 이용해 영상을 비율로 스케일링한 후 fully dynamic range까지 증가시킨 값을 result 값으로 반환함으로써 도로에 블랙아이스의 존재 여부를 파악할 수 있다.
도 5는 본 발명의 일 실시예에 따른 블랙아이스를 파악하기 위한 도면이다.
도 5에 도시된 바와 같이, 도로 영상(510)이 입력된 경우, 프로세서(230)는 오토인코더(320)를 이용하여 IR 변환을 통해 변환된 도로 영상(520)에서 블랙아이스의 존재 여부를 파악할 수 있다.
도 6은 본 발명의 일 실시예에 따른 사고발생 예측 방법을 나타낸 흐름도이다.
본 발명의 사고발생 예측 방법의 각 단계들은 통신부(210), 메모리(220) 및 프로세서(230)를 포함하는 다양한 형태의 전자 장치에 의해 수행될 수 있다.
이하에서는 도 6을 참조하여 프로세서(230)가 본 발명에 따른 사고발생 예측 방법을 중심으로 상세히 설명한다.
사고발생 예측 장치(200)에 대해 설명된 실시예들은 사고발생 예측 방법에 적어도 일부 또는 모두 적용이 가능하고, 반대로 사고발생 예측 방법에 대해 설명된 실시예들은 사고발생 예측 장치(200)에 대한 실시예들에 적어도 일부 또는 모두 적용이 가능하다. 또한, 개시된 실시예들에 따른 사고발생 예측 방법은 본 명세서에 개시된 사고발생 예측 장치(200)에 의해 수행되는 것으로 그 실시 예가 한정되지 않고, 다양한 형태의 전자장치에 의해 수행될 수 있다.
먼저, 프로세서(230)는 통신부(210)를 통해 공공 데이터 및 개인 데이터를 수신할 수 있다[S610].
상기 공공 데이터는 공데이터 포털(data.go.kr), 교통사고정보 개방시스템(taas.koroad.or.kr) 및 기상청 사이트 등과 같은 관계 부처 사이트를 통해 획득가능한 도로 영상, 사고다발지 정보 및 현재 교통상황 정보 등을 포함할 수 있다. 또한, 상기 개인 데이터는 보행자 또는 차량, 전봇대 등에 부착된 단말기를 통해 획득된 도로 영상을 포함할 수 있다.
다음으로, 프로세서(230)는 기계학습 모델을 이용하여, 공공 데이터 및 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석할 수 있다[S620].
다음으로, 프로세서(230)는 분석된 도로 영상에 기초하여 도로 상태를 파악할 수 있다[S630]. 이 경우 도로 상태는 안개, 포트홀, 블랙아이스 및 접촉사고 중 적어도 하나를 포함할 수 있다.
다음으로, 프로세서(230)는 파악된 도로 상태에 기초하여 사고발생 가능성을 예측할 수 있다[S630].
프로세서(230)는 도로 영상을 분석하여 도로 상태가 안개, 포트홀, 블랙아이스 및 접촉사고 중 어느 하나인 경우, 사고가 일어날 가능성이 있다고 예측 (또는 결정)할 수 있다.
다음으로, 프로세서(230)는 상기 예측된 사고발생 가능성에 기초하여 사고발생 가능성 관련 정보를 생성할 수 있다[S640].
마지막으로, 프로세서(230)는 관리자 장치(160)로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보 중 적어도 하나를 통신부(210)를 통해 송신하고, 사용자 장치(130, 140)로 사고발생 가능성 관련 정보를 통신부(210)를 통해 송신할 수 있다[S650].
신규 위험지역 리스트는 사고가 발생한 것으로 메모리(220)에 기록되어 있는 사고발생지외에 새롭게 사고가 발생된 지역의 리스트일 수 있다. 메모리(220)는 기 설정된 기간 동안 사고가 발생한 지점을 저장할 수 있으며, 프로세서(230)는 상기 기 설정된 기간 내에 사고가 발생한 지점외에 새로운 장소에서 사고가 발생하였거나 사고가 발생할 것으로 예측한 경우, 해당 장소들을 리스트화 하여 신규 위험지역 리스트로 다시 메모리(220)에 저장하고, 상기 신규 위험지역 리스트를 관리자 장치(160)로 송신할 수 있다.
본 발명의 다양한 실시예들은 기기(machine)(예를 들어, 사고발생 예측 장치(200) 또는 컴퓨터)에 의해 읽을 수 있는 저장 매체(storage medium)(예를 들어, 메모리)에 저장된 하나 이상의 인스트럭션들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기의 프로세서(예를 들어, 프로세서(230))는, 저장 매체로부터 저장된 하나 이상의 인스트럭션들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 인스트럭션에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 인스트럭션들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예를 들어, 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예를 들어, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시예에 따르면, 본 명세서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예를 들어, compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다. 이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (10)

  1. 공공 데이터 및 개인 데이터를 수신하는 통신부; 및
    기계학습 모델을 이용하여, 상기 공공 데이터 및 상기 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석하고,
    상기 분석된 도로 영상에 기초하여 도로 상태를 파악하고,
    상기 파악된 도로 상태에 기초하여 사고발생 가능성을 예측하고,
    상기 예측된 사고발생 가능성에 기초하여 상기 사고발생 가능성 관련 정보를 생성하고,
    관리자 장치로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보 중 적어도 하나를 상기 통신부를 통해 송신하고,
    사용자 장치로 상기 사고발생 가능성 관련 정보를 상기 통신부를 통해 송신하는 프로세서를 포함하며,
    상기 도로 상태는 안개, 포트홀, 블랙아이스 및 접촉사고 중 적어도 하나를 포함하며,
    상기 공공 데이터는 도로 영상, 사고다발지 정보 및 현재 교통상황 정보를 포함하고,
    상기 개인 데이터는 도로 영상을 포함하는, 사고발생 예측 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    오토인코더를 이용하여 상기 블랙아이스를 파악하고,
    상기 오토인코더는 상기 기계학습 모델을 이용하여 상기 도로 영상의 R, G, B 값 각각에 가중치를 부여하여 상기 가중치가 부여된 R, G, B 값을 1차원 벡터 표현(1D Vector Representation)을 통해 IR 값으로 변환하며,
    상기 기계학습 모델을 위한 학습데이터는 상기 공공 데이터, 상기 개인 데이터 및 도로 상태로 구성된, 사고발생 예측 장치.
  3. 제 1 항에 있어서,
    상기 사고발생 가능성 관련 정보는 예측 피해량 정보를 포함하고,
    상기 예측 피해량은 도로에서 발생된 기 설정된 기간 동안의 사상자수를 사고건수로 나눈 값이며,
    상기 프로세서는,
    상기 공공 데이터에 기초하여, 상기 예측 피해량 정보를 생성하는, 사고발생 예측 장치.
  4. 제 1 항에 있어서,
    상기 사고발생 가능성 관련 정보는 차량의 운전자가, 상기 차량의 제동 장치를 구동시키도록 하는 가이드 정보를 포함하고,
    상기 프로세서는,
    상기 사용자 장치가 상기 차량에 포함된 경우, 하기 수학식 1에 기초하여 상기 차량의 정지 거리를 계산하고, 상기 계산된 정지 거리에 기초하여 상기 가이드 정보를 생성하는, 사고발생 예측 장치.
    [수학식 1]
    Figure PCTKR2021000962-appb-I000001
    여기서 cvn은 상기 차량의 현재속도(Km) 이다.
  5. 제 1 항에 있어서,
    상기 프로세서는 사고 발생 지역에서 미리 정해진 영역 내에 위치한 복수의 사용자 장치로 상기 사고발생 가능성 관련 정보를 제공하는, 사고발생 예측 장치.
  6. 컴퓨터를 통한 사고발생 예측 방법에 있어서,
    공공 데이터 및 개인 데이터를 수신하는 단계;
    기계학습 모델을 이용하여, 상기 공공 데이터 및 상기 개인 데이터 중 적어도 하나에 포함된 도로 영상을 분석하는 단계;
    상기 분석된 도로 영상에 기초하여 도로 상태를 파악하는 단계;
    상기 파악된 도로 상태에 기초하여 사고발생 가능성을 예측하는 단계;
    상기 예측된 사고발생 가능성에 기초하여 상기 사고발생 가능성 관련 정보를 생성하는 단계; 및
    관리자 장치로 신규 위험지역 리스트 및 상기 사고발생 가능성 관련 정보를 송신하고 사용자 장치로 상기 사고발생 가능성 관련 정보를 송신하는 단계;를 포함하고,
    상기 도로 상태는 안개, 포트홀, 블랙아이스 및 접촉사고 중 적어도 하나를 포함하며,
    상기 공공 데이터는 도로 영상, 사고다발지 정보 및 현재 교통상황 정보를 포함하고,
    상기 개인 데이터는 도로 영상을 포함하는, 사고발생 예측 방법.
  7. 제 6 항에 있어서,
    상기 도로상태를 파악하는 단계는
    오토인코더를 이용하여 상기 블랙아이스를 파악하는 단계를 포함하며,
    상기 오토인코더는 상기 기계학습 모델을 이용하여 상기 도로 영상의 R, G, B 값 각각에 가중치를 부여하여 상기 가중치가 부여된 R, G, B 값을 1차원 벡터 표현(1D Vector Representation)을 통해 IR 값으로 변환하며,
    상기 기계학습 모델을 위한 학습데이터는 상기 공공 데이터, 상기 개인 데이터 및 도로 상태로 구성된, 사고발생 예측 방법.
  8. 제 6 항에 있어서,
    상기 사고발생 가능성 관련 정보는 예측 피해량 정보를 포함하고,
    상기 예측 피해량은 도로에서 발생된 기 설정된 기간 동안의 사상자수를 사고건수로 나눈 값이며,
    상기 공공 데이터에 기초하여, 상기 예측 피해량 정보가 생성되는, 사고발생 예측 장치.
  9. 제 6 항에 있어서,
    상기 사고발생 가능성 관련 정보는 차량의 운전자가 상기 차량의 제동 장치를 구동시키도록 하는 가이드 정보를 포함하고,
    상기 프로세서는,
    상기 사용자 장치가 상기 차량에 포함된 경우, 하기 수학식 1에 기초하여 상기 차량의 정지 거리를 계산하고, 상기 계산된 정지 거리에 기초하여 상기 가이드 정보를 생성하는, 사고발생 예측 방법.
    [수학식 1]
    Figure PCTKR2021000962-appb-I000002
    여기서 cvn은 상기 차량의 현재속도(Km) 이다.
  10. 제 6 항에 기재된 사고발생 예측 방법을 구현하기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
PCT/KR2021/000962 2020-12-17 2021-01-25 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법 WO2022131439A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200177015A KR102244143B1 (ko) 2020-12-17 2020-12-17 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법
KR10-2020-0177015 2020-12-17

Publications (1)

Publication Number Publication Date
WO2022131439A1 true WO2022131439A1 (ko) 2022-06-23

Family

ID=75730927

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/000962 WO2022131439A1 (ko) 2020-12-17 2021-01-25 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법

Country Status (2)

Country Link
KR (1) KR102244143B1 (ko)
WO (1) WO2022131439A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102357529B1 (ko) 2021-09-07 2022-02-08 주식회사 웨더피아 도로 기상 감정 방법 및 이를 수행하기 위한 컴퓨팅 장치
KR102611726B1 (ko) * 2021-09-29 2023-12-08 디토닉 주식회사 결빙 노면 상의 교통 사고 발생 예측 시스템 및 방법
KR102611727B1 (ko) * 2021-09-29 2023-12-08 디토닉 주식회사 딥러닝 이용 결빙 예측 지역에 대한 교통 사고 위험도 실시간 예측 방법 및 시스템
KR20230109877A (ko) 2022-01-14 2023-07-21 주식회사 웨더피아 기상 제보에 따른 블랙 아이스 알림 제공 방법 및 시스템과 이를 수행하기 위한 컴퓨팅 장치
KR20230114947A (ko) 2022-01-26 2023-08-02 주식회사 웨더피아 보험과 연계된 기상 감정 서비스 방법 및 시스템과 이를 수행하기 위한 컴퓨팅 장치
KR102588252B1 (ko) 2022-01-28 2023-10-13 마스코리아 주식회사 도로 교통 사고 예방 통합 서비스 시스템
KR102448174B1 (ko) * 2022-03-18 2022-09-28 한국교통안전공단 인공지능 기반 교통 안전 관리 방법
KR102602387B1 (ko) 2022-03-23 2023-11-17 마스코리아 주식회사 노면 마찰 계수 산출 정보 기반의 복합검지 시스템
KR102504048B1 (ko) 2022-08-22 2023-02-28 마스코리아 주식회사 실시간 도로 상황 사고 위험도 판단에 따른 사고 위험도 알림 시스템
KR102504047B1 (ko) 2022-08-22 2023-02-28 마스코리아 주식회사 실시간 도로 노면 위험도 판단에 따른 차량 속도 가변 단속 시스템

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101061059B1 (ko) * 2009-06-26 2011-09-01 한양대학교 산학협력단 지능형 교통정보시스템 및 이에 있어서 경고 정보 제공 방법
KR101136330B1 (ko) * 2009-12-02 2012-04-20 주식회사 래도 노면 상태 판별 장치 및 노면 상태 판별 방법
KR20160095877A (ko) * 2015-02-04 2016-08-12 한국과학기술원 모바일 데이터와 인프라 데이터를 이용한 차량 충돌 경보 장치 및 그 방법
KR101969842B1 (ko) * 2017-12-18 2019-04-17 한국건설기술연구원 딥 러닝을 기반으로 도로노면 위험 정보를 분류하기 위한 시스템 및 그 방법
KR20200013274A (ko) * 2018-07-24 2020-02-07 주식회사 건영이엔씨 도로 안전성 평가 방법 및 이를 수행하기 위한 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101498582B1 (ko) 2012-08-29 2015-03-06 주식회사 이미지넥스트 교통사고 데이터 제공 시스템 및 방법
KR102156907B1 (ko) * 2020-03-31 2020-09-16 권기혁 블랙 아이스 경보 알림 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101061059B1 (ko) * 2009-06-26 2011-09-01 한양대학교 산학협력단 지능형 교통정보시스템 및 이에 있어서 경고 정보 제공 방법
KR101136330B1 (ko) * 2009-12-02 2012-04-20 주식회사 래도 노면 상태 판별 장치 및 노면 상태 판별 방법
KR20160095877A (ko) * 2015-02-04 2016-08-12 한국과학기술원 모바일 데이터와 인프라 데이터를 이용한 차량 충돌 경보 장치 및 그 방법
KR101969842B1 (ko) * 2017-12-18 2019-04-17 한국건설기술연구원 딥 러닝을 기반으로 도로노면 위험 정보를 분류하기 위한 시스템 및 그 방법
KR20200013274A (ko) * 2018-07-24 2020-02-07 주식회사 건영이엔씨 도로 안전성 평가 방법 및 이를 수행하기 위한 장치

Also Published As

Publication number Publication date
KR102244143B1 (ko) 2021-04-22

Similar Documents

Publication Publication Date Title
WO2022131439A1 (ko) 기계학습한 엣지 서버환경에서 블랙아이스, 포트홀, 안개 등을 포함하는 도로 상태를 파악하여 사고발생을 예측함으로써 교통사고를 예방하는 사고발생 예측 장치 및 그 제어방법
KR102290548B1 (ko) 딥러닝 모델 기반의 도로 상태 판단을 통한 교통 사고 예방 장치 및 방법
EP3859708B1 (en) Traffic light image processing method and device, and roadside device
CN113850123A (zh) 基于视频的公路监控方法及装置、存储介质和监控系统
CN113409587B (zh) 异常车辆的检测方法、装置、设备及存储介质
KR102174556B1 (ko) 차량번호 인식과 인공지능을 이용해 교통정보를 관제하는 영상감시장치
KR102122850B1 (ko) 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션
WO2021184570A1 (zh) 电动自行车驾驶行为的识别方法、装置和计算机设备
US20180114437A1 (en) System of correlated video and lighting for parking management and control
WO2016024680A1 (ko) 주행차량의 번호판 인식이 실시간으로 가능한 차량용 블랙박스
US9984566B1 (en) Method and systems for traffic surveillance and law enforcement
KR102246462B1 (ko) 지능형 엣지 기반 도로교통 상황인지 방법
JP2019079303A (ja) 道路設備点検システムおよび道路設備点検方法、ならびにそれに使用されるサーバ
KR100413382B1 (ko) 통신망을 이용한 감시 카메라의 통합 원격 제어 시스템 및방법과 이를 이용한 영상 데이터 처리 방법
CN112597807A (zh) 一种违章检测系统、方法、装置、图像采集设备及介质
CN112351190A (zh) 数字孪生监测系统和方法
WO2023286917A1 (ko) 심층 신경망을 이용한 도로 노면 손상 및 장애물 동시 탐지 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체.
KR101268316B1 (ko) 다목적 문제차량 지능형 검색 및 자동 인식 통합 플랫폼 및 그의 운영 방법
CN111222394A (zh) 一种渣土车超载检测方法、装置及系统
WO2022139009A1 (ko) 자율 주행을 위한 딥러닝 알고리즘 설정 방법 및 장치
KR102261187B1 (ko) 머신 러닝에 기반한 감시 영상 분석 시스템 및 그 방법
US11823368B1 (en) Automated road surface condition quality assessment using smart (IoT) devices
KR20190136515A (ko) 차량 인식 장치
CN116363100A (zh) 图像质量评价方法、装置、设备及存储介质
KR102308446B1 (ko) 차량 역주행 감시장치 및 그 장치의 구동방법

Legal Events

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

Ref document number: 21906744

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21906744

Country of ref document: EP

Kind code of ref document: A1