WO2022245091A1 - Method and computer program product for indicating risk degree in three-dimensional modeling space of construction site - Google Patents

Method and computer program product for indicating risk degree in three-dimensional modeling space of construction site Download PDF

Info

Publication number
WO2022245091A1
WO2022245091A1 PCT/KR2022/007013 KR2022007013W WO2022245091A1 WO 2022245091 A1 WO2022245091 A1 WO 2022245091A1 KR 2022007013 W KR2022007013 W KR 2022007013W WO 2022245091 A1 WO2022245091 A1 WO 2022245091A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
work
risk
type
data
Prior art date
Application number
PCT/KR2022/007013
Other languages
French (fr)
Korean (ko)
Inventor
윤재민
오형안
강신평
Original Assignee
주식회사 플럭시티
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
Priority claimed from KR1020210064397A external-priority patent/KR102321897B1/en
Priority claimed from KR1020220059729A external-priority patent/KR20230160106A/en
Application filed by 주식회사 플럭시티 filed Critical 주식회사 플럭시티
Publication of WO2022245091A1 publication Critical patent/WO2022245091A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Definitions

  • the present disclosure provides a method and a computer program product for representing a degree of risk in a 3D modeling space of a construction site.
  • the person in charge inspects the site and judges the risk level of the construction site based on professional experience, so the risk level is subjectively judged and the risk level applied with the construction progress at the construction site cannot be calculated. have.
  • An object of the present invention is to provide a method and a computer program product for representing a degree of risk in a 3D modeling space of a construction site.
  • the technical problem to be achieved by the present embodiment is not limited to the technical problems described above, and other technical problems can be inferred from the following embodiments.
  • a first aspect of the present disclosure is a method for representing a risk level in a 3D modeling space of a construction site, at information on a work type, information on a work location, or at the time of work. predicting a type of disaster by inputting first data including information about a disaster to a first network; calculating a comprehensive risk index by inputting the first data and the disaster type into a second network; and visually displaying the comprehensive risk index in the 3D modeling space.
  • a color based on the comprehensive risk index may be displayed on an object corresponding to the first data in the 3D modeling space.
  • the 3D modeling space includes at least one spatial grid
  • the step of visually displaying the comprehensive risk index includes the comprehensive risk index and the first data in an object corresponding to the first data in a first spatial grid.
  • a color based on comprehensive risk indices of at least one object in the second spatial grid positioned below the first spatial grid may be displayed.
  • the information on the type of work includes information on the type of work performed by the person performing the task and information on the type of work performed by the person performing the task
  • the information on the work location includes the information on the type of work performed by the person performing the task
  • Information on the number of floors to be performed, and the information on the timing of the work may include information on the date, day, or time at which the work is performed.
  • the first network corresponds to a classification learner that receives the first data as an input and predicts any one disaster type among a plurality of preset disaster types
  • the second network receives the first data and the disaster It may correspond to a deep neural network that receives a shape as an input and calculates the comprehensive risk index.
  • a second aspect of the present disclosure is an apparatus for indicating a degree of risk in a 3D modeling space of a construction site, comprising: a memory for storing at least one program; and at least one processor representing a degree of risk by executing the at least one program, wherein the at least one processor includes first data including information about a work type, information about a work location, or information about a work time point. to the first network to predict the disaster type, input the first data and the disaster type to the second network to calculate the comprehensive risk index, and visually display the comprehensive risk index in the 3D modeling space.
  • a third aspect of the present disclosure may provide a computer-readable recording medium recording a program for executing the method according to the first aspect on a computer.
  • FIG. 1 is a diagram illustrating operations performed in a risk display device in a 3D modeling space according to an embodiment.
  • FIG. 2 is a diagram schematically illustrating a method of predicting a disaster type from first data using a first network according to an embodiment.
  • FIG. 3 is a diagram exemplarily illustrating learning data used to learn a first network according to an embodiment.
  • FIG. 4 shows a simplified representation of training data used to train a first network according to an embodiment.
  • FIG. 5 is a diagram illustrating a disaster type according to an embodiment by way of example.
  • FIG. 6 is a diagram schematically illustrating a method of calculating a comprehensive risk index using a second network according to an embodiment.
  • FIG. 7 is a diagram exemplarily illustrating a second network according to an exemplary embodiment.
  • FIG. 8 is a diagram illustrating preset risk indices according to an exemplary embodiment.
  • FIG. 9 is a diagram showing learning data used to learn a second network according to an exemplary embodiment.
  • FIG. 10 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
  • FIG. 11 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
  • FIG. 12 is a flowchart of a method of indicating a degree of risk in a 3D modeling space according to an embodiment.
  • FIG. 13 is a block diagram of a risk display device in a 3D modeling space according to an embodiment.
  • a method of expressing the degree of risk in a 3D modeling space of a construction site is provided.
  • the method of the present invention inputs first data including information on the type of work, information on the location of work, or information on the timing of work to the first network to predict the type of disaster, and to predict the type of disaster using the first data and the type of disaster.
  • first data including information on the type of work, information on the location of work, or information on the timing of work to the first network to predict the type of disaster, and to predict the type of disaster using the first data and the type of disaster.
  • 2 Input into the network to calculate the comprehensive risk index, and the comprehensive risk index can be visually displayed in the 3D modeling space.
  • Some embodiments of the present disclosure may be represented as functional block structures and various processing steps. Some or all of these functional blocks may be implemented as a varying number of hardware and/or software components that perform specific functions.
  • functional blocks of the present disclosure may be implemented by one or more microprocessors or circuit configurations for a predetermined function.
  • the functional blocks of this disclosure may be implemented in various programming or scripting languages.
  • Functional blocks may be implemented as an algorithm running on one or more processors.
  • the present disclosure may employ prior art for electronic environment setting, signal processing, and/or data processing. Terms such as “mechanism”, “element”, “means” and “component” may be used broadly and are not limited to mechanical and physical components.
  • connecting lines or connecting members between components shown in the drawings are only examples of functional connections and/or physical or circuit connections. In an actual device, connections between components may be represented by various functional connections, physical connections, or circuit connections that can be replaced or added.
  • FIG. 1 is a diagram illustrating operations performed in a risk display device in a 3D modeling space according to an embodiment.
  • the apparatus 100 for displaying risk in a 3D modeling space may receive first data and calculate a total risk point indicating a risk at a specific work position in a 3D modeling space.
  • the comprehensive risk index calculated in the 3D modeling space within the construction site can be visually displayed.
  • the 3D modeling space is a modeling of a construction site in a 3D space based on a digital twin.
  • a digital twin is a software representation of a physical asset, system or process.
  • the 3D modeling space may include object information such as structures, materials, facilities, and construction machines in a construction site and information on types of work being performed at the construction site. For example, object information may be generated through a lightening operation of object polygons in a construction site.
  • the risk level display device 100 of the 3D modeling space matches the coordinates of the real world with the coordinates of the 3D space, and reflects construction site data in the virtual 3D space to create a 3D modeling space.
  • the risk level display device 100 in the 3D modeling space may accurately reflect a specific actual location of a construction site in a virtual 3D space by applying a 3D grid precision address.
  • the risk level display device 100 in the 3D modeling space may display a comprehensive risk index representing the risk level of a specific type of work performed at a specific work location in the 3D modeling space in the 3D modeling space.
  • the risk level display device 100 of the 3D modeling space of FIG. 1 corresponds to a device that displays the risk level of a specific type of work performed at a specific work position in the 3D modeling space based on an artificial neural network.
  • An artificial neural network refers to a model in general that has problem-solving ability by changing synaptic coupling strength through learning of artificial neurons that form a network through synaptic coupling.
  • the risk display device 100 in the 3D modeling space may be implemented in various types of devices such as a personal computer (PC), a server device, a mobile device, and an embedded device, and as a specific example, 3D modeling using an artificial neural network. It may correspond to smartphones, tablet devices, AR (Augmented Reality) devices, IoT (Internet of Things) devices, autonomous vehicles, robotics, etc. that indicate the risk level of a specific type of work performed at a specific work location in a space, but is not limited thereto. don't
  • the risk display device 100 of the 3D modeling space may correspond to a dedicated hardware accelerator (HW accelerator) mounted on the above device.
  • the apparatus 300 for searching for a section in a video may be a hardware accelerator such as a neural processing unit (NPU), a tensor processing unit (TPU), or a neural engine, which are dedicated modules for driving an artificial neural network, but is not limited thereto.
  • NPU neural processing unit
  • TPU tensor processing unit
  • a neural engine which are dedicated modules for driving an artificial neural network, but is not limited thereto.
  • the apparatus 100 for displaying risk in a 3D modeling space may receive first data as an input.
  • the first data may include information on the type of work to be performed at a construction site, information on a work location, or information on a work time, but is not limited thereto.
  • the first data may be received from an external device through a communication unit included in the device 100 for displaying risk in a 3D modeling space.
  • the first data may be input from the user through the user interface of the risk display device 100 in the 3D modeling space.
  • the risk display device 100 in the 3D modeling space may output a comprehensive risk index corresponding to the first data based on the first data received as an input.
  • the risk display device 100 of the 3D modeling space may output a comprehensive risk index of a specific work type to be performed at a specific work location at a specific work time.
  • the risk display device 100 in the 3D modeling space is a comprehensive risk index (temporal characteristic) based on the first data. ), comprehensive risk index according to environmental characteristics (environmental characteristic) ), comprehensive risk index according to work-type characteristics ( ), comprehensive risk index according to work location (site) characteristics ( ) and comprehensive risk index according to accident-type characteristics ( ), at least one comprehensive risk index may be output.
  • the risk display device 100 in the 3D modeling space may determine a final comprehensive risk index by integrating the five comprehensive risk indexes.
  • the risk display device 100 of the 3D modeling space is a comprehensive risk index according to temporal characteristics based on the first data ( ) can be output.
  • the risk display device 100 in the 3D modeling space is based on at least one element of “month”, “week-day” and “time”, and the comprehensive risk index according to temporal characteristics. ( ) can be calculated.
  • the comprehensive risk index according to temporal characteristics ( ) can be calculated according to Equation 1.
  • Equation 1 is the coefficient for the "monthly” risk score, is the coefficient for the "day of the week” risk score, Represents the coefficient for the "time” risk score, is the "Monthly” risk score, is the “day of the week” risk score, represents the “time” risk score.
  • the risk display device 100 of the 3D modeling space is a comprehensive risk index according to environmental characteristics based on the first data ( ) can be output.
  • the risk display device 100 in the 3D modeling space is based on at least one element of "temperature”, “wind speed” and “rainfall”, and the comprehensive risk index according to environmental characteristics. ( ) can be calculated.
  • the comprehensive risk index according to environmental characteristics ( ) can be calculated according to Equation 2.
  • Equation 2 is the coefficient for the "temperature” risk score, is the coefficient for the "wind speed” risk score, Represents the coefficient for the "Rainfall” risk score, a "temperature” risk score; is the “wind speed” risk score, denotes the “Rain condition” risk score.
  • the risk level display device 100 of the 3D modeling space is a comprehensive risk index according to the work type characteristics based on the first data ( ) can be output.
  • the risk level display device 100 of the 3D modeling space is based on at least one element of "work type", “work process” and “temporary work”, based on the work type characteristics.
  • Comprehensive risk index ( ) can be calculated.
  • the comprehensive risk index according to work type characteristics ( ) can be calculated according to Equation 3.
  • Equation 3 is the coefficient for the "species” risk score, is the coefficient for the "task phase” risk score, Represents the coefficient for the "hypothesis work” risk score, is the "species” risk score; is the "task phase” risk score, represents the "hypothesis work” risk score.
  • the risk display device 100 of the 3D modeling space is a comprehensive risk index according to the work position characteristics based on the first data ( ) can be output.
  • the risk level display device 100 of the 3D modeling space is based on at least one element of "height (floor)" and “opening/end”, and comprehensively according to work position characteristics risk index ( ) can be calculated.
  • the composite risk index according to the characteristics of the work location ( ) can be calculated according to Equation 4.
  • Equation 4 is the coefficient for the "height (floor)” risk score, Represents the coefficient for the "opening/end” risk score, is the “height (floor)” risk score, represents the “opening/end” risk score.
  • the risk display device 100 of the 3D modeling space is a comprehensive risk index (according to the accident type characteristics based on the first data) ) can be output.
  • the risk level display device 100 in the 3D modeling space is "Fall Off”, “Fall Down”, “Hit”, “Struck By”, “Collapse””,”Jamming”,”Mutilation/Cut/Puncture”,”ElectricShock”,”Explosion/Blast”,"Fire”,”FallBeneath/Overturn”,”Contact on Abnormal Temperature”, “Imbalance/Immorate Motion”, “Exposure to Chemical Materials” , “Occupational Diseases” and “Others (ETC)", based on at least one element, the comprehensive risk index according to Chemical Materials” , “Occupational Diseases” and “Others (ETC)", based on at least one element, the comprehensive risk index according to Chemical Materials” , “Occupational Diseases” and “Others (ETC)", based on at least one element, the comprehensive risk index according to the
  • the comprehensive risk index according to the accident type characteristics ( ) can be calculated according to Equation 5.
  • Equation 5 is the coefficient for the "falling" risk score, is the coefficient for the "fall” risk score, is the coefficient for the "hit” risk score, is the coefficient for the "hit by object” risk score, is the coefficient for the "collapse” risk score, is the coefficient for the "entrapment” risk score, is the coefficient for the "cut/cut/puncture” risk score, is the coefficient for the "electric shock” risk score, is the coefficient for the "explosion/rupture” risk score, is the coefficient for the "fire” risk score, is the coefficient for the "run/over” risk score, is the coefficient for the "abnormal temperature contact” risk score, is the coefficient for the "imbalance and overexertion” risk score, is the coefficient for the "chemical leak/contact” risk score, is the coefficient for the "occupational disease” risk score, represents the coefficient for the "Other” risk score.
  • the "falling” risk score is the "fall” risk score, a "hit” risk score; is the “hit by object” risk score, is the “collapse” risk score, is the “entrapment” risk score; a “cut/cut/puncture” risk score; a “electric shock” risk score; is the “explosion/rupture” risk score, a "fire” risk score; is a “knock/overturn” risk score; a “overtemperature contact” risk score; a “imbalance and overexertion” risk score, is the “chemical leak/contact” risk score; is the “occupational disease” risk score, represents an “other” risk score.
  • the apparatus 100 for displaying risk in a 3D modeling space may predict a disaster type from first data using a first network 110 .
  • a method of predicting a disaster type from the first data using the first network 110 will be described later with reference to FIGS. 2 to 5 .
  • the apparatus 100 for displaying risk in a 3D modeling space calculates a comprehensive risk index from the first data and the type of disaster predicted from the first network 110 using the second network 120.
  • a method of calculating the comprehensive risk index from the first data and the disaster type using the second network 120 will be described later with reference to FIGS. 6 to 9 .
  • the risk display device 100 of the 3D modeling space may visually display the calculated comprehensive risk index in the 3D modeling space.
  • FIG. 2 is a diagram schematically illustrating a method of predicting a disaster type from first data using a first network according to an embodiment.
  • the risk level display device 100 in the 3D modeling space includes information about the type of work to be performed at the construction site using the first network, information about the work location, or information about the work time.
  • 1 Disaster type can be output from data.
  • the information on the type of work may include information on the type of work performed by the person performing the task and information on the type of work performed by the person performing the task.
  • the information about the work location may include information about the number of floors on which the work is performed or whether the work is performed outside or inside the building.
  • the information on the timing of the task may include information about the month, day, or time in which the task is performed.
  • the first network may correspond to a classification learner, and the first network may correspond to a neural network in which supervised learning is performed to predict a categorical variable. That is, the first network may be configured to predict one of several predefined class labels. Several predefined class labels may correspond to disaster types.
  • Supervised learning is a method of learning using learning data whose characteristics have already been determined.
  • the risk level display device 100 in the 3D modeling space analyzes disaster accidents obtained from disaster casebooks based on a certain classification system to configure learning data. can do.
  • the learning data may include data including information about work type, information about a work location where an accident occurred, or information about a work time point where an accident occurred, and a disaster type (corresponding to a class label) corresponding to the data.
  • FIG. 3 is a diagram exemplarily illustrating learning data used to learn a first network according to an embodiment.
  • the learning data 300 used to train the first network may include information 310 on the type of work, and the information 310 on the type of work is the injured person. It may include information 311 on the type of work in charge and information 312 on the type of work that caused the disaster.
  • the training data used to train the first network may include information 320 on a work location where a disaster has occurred, and the information 320 on a work location where a disaster has occurred is information 321 about the number of floors performed or information 322 about whether the work was performed inside or outside the building.
  • learning data used to train the first network may include information 330 on a work time point in which a disaster occurs, and information 330 on a work time point in which a disaster occurs It may include information 331 about the month performed, information 332 about the day of the week, or information 333 about the time.
  • learning data used to train the first network may include information 340 on the type of disaster that has occurred.
  • Information on the type of accident 340 may correspond to information corresponding to data including information on the type of work 310, information on the location where the accident occurred 320, or information about the time when the accident occurred. have.
  • the information 340 on the type of disaster may correspond to information about the location of the disaster or the cause of death or injury.
  • the risk display device 100 in the 3D modeling space can simply express and code the learning data 300 used to learn the first network, and use the simplified learning data to perform learning of the first network. can be done
  • FIG. 4 shows a simplified representation of training data used to train a first network according to an embodiment.
  • the information about the time of operation when the disaster occurred may be simplified to show only information about when the disaster occurred.
  • the information on the type of work may be simply expressed by coding information on the type of work (injured person's type of work) and information on the type of work that caused the accident (type of work for the victim). Codes may be preset for each of the various types of work types assigned by the victim and the various types of work types that caused the accident.
  • the information on the disaster type may use an abbreviation that can briefly express each of the various disaster types, as shown in FIG. 5 to be described later.
  • FIG. 5 is a diagram illustrating a disaster type according to an embodiment by way of example.
  • FIG. 5 illustrates various examples of types of disasters predicted in response to the first data when first data including information on work type, work location, or work time is input to the first network. . That is, FIG. 4 shows a plurality of predefined class labels.
  • disaster types include fall (FOF), fall (FDN), bump (HIT), object hit (STR), collapse (CLS), jamming (JAM), cut/cut/puncture (MCP), etc. may apply.
  • the first network may be configured to output a predicted disaster type corresponding to the input first data.
  • the risk level display device 100 in the 3D modeling space uses the first network to provide information that temporary construction will be performed outside a building on the 10th floor above the ground at 5:00 pm on May 12, 2021 (Wednesday).
  • a fall FOG
  • the first network may be configured to output a predicted disaster type corresponding to the input first data.
  • FIG. 6 is a diagram schematically illustrating a method of calculating a comprehensive risk index using a second network according to an embodiment.
  • the risk display device 100 in the 3D modeling space may output a total risk point from the first data and the disaster type predicted from the first data using the second network.
  • the first data may include information about work types, information about work locations, or information about work hours.
  • the second network may correspond to a deep neural network (DNN) or an n-layers neural network, but is not limited thereto.
  • the second network may correspond to Recurrent Neural Networks (RNNs), Long Short-Term Memory Networks (LSTMs), Bidirectional Recurrent Deep Neural Networks (BRDNNs), Deep Belief Networks, Restricted Boltzman Machines, and the like. have.
  • RNNs Recurrent Neural Networks
  • LSTMs Long Short-Term Memory Networks
  • BBDNNs Bidirectional Recurrent Deep Neural Networks
  • Deep Belief Networks Deep Belief Networks
  • Restricted Boltzman Machines Restricted Boltzman Machines, and the like.
  • FIG. 7 is a diagram exemplarily illustrating a second network according to an exemplary embodiment.
  • the second network may correspond to a deep neural network including an input layer, at least one hidden layer, and an output layer. Although only one hidden layer is shown in FIG. 7, this is merely an example and the second network may include a plurality of hidden layers.
  • first data including information on work type, work location, or work time
  • a disaster type output from the first network based on the first data may be input.
  • An operation may be performed in the hidden layer based on the input first data and the type of disaster, and finally, a comprehensive risk index may be calculated in the output layer.
  • the comprehensive risk index may be calculated in the form of a score or may be classified into a specific risk level according to a score value. Referring to FIG. 7 , it is shown that the risk level can be classified into 5 levels according to the range of score values of the comprehensive risk index, but the method of representing the comprehensive risk index is not limited thereto.
  • Each of the layers included in the second network is a plurality of artificial nodes, known as “neurons”, “processing elements (PEs)", “units” or similar terms.
  • the input layer may include p nodes and the hidden layer may include m nodes.
  • Nodes included in each of the layers included in the second network may be connected to each other to exchange data.
  • one node may receive data from other nodes, perform calculations, and output calculation results to other nodes.
  • the second network When the second network is implemented as a deep neural network architecture, it may include many layers capable of processing valid information. Meanwhile, the second network may include layers having various structures different from those shown in FIG. 7 .
  • the risk level display device 100 of the 3D modeling space includes first data including information that temporary construction will be performed outside a building on the 10th floor above the ground at 5:00 pm on May 12, 2021 (Wednesday), and When information that a fall (FOF) is predicted as a type of disaster is input corresponding to the first data, a comprehensive risk index corresponding thereto may be output using the second network.
  • first data including information that temporary construction will be performed outside a building on the 10th floor above the ground at 5:00 pm on May 12, 2021 (Wednesday)
  • a comprehensive risk index corresponding thereto may be output using the second network.
  • the risk display device 100 of the 3D modeling space includes a preset risk index for each work process, a risk index for each floor, a risk index for each month, a risk index for each day of the week, or a risk index for each hour.
  • the information can be used to train the second network to output a comprehensive risk index.
  • FIG. 8 is a diagram illustrating preset risk indices according to an exemplary embodiment.
  • each risk index is not limited to the one shown in FIG. 8 .
  • various types of risk index required to calculate the comprehensive risk index may be further stored.
  • a risk index for each type of work may be calculated based on statistical data.
  • calculation may be performed by applying a risk index for each work type included in the first data to the information on the work type included in the first data, and the information on the work location included in the first data may include a preset risk level for each floor number
  • the calculation may be performed by applying an index, and the calculation may be performed by applying a preset monthly risk index, day-of-week risk index, or hourly risk index to the information about the operation timing included in the first data.
  • calculation may be performed by applying a risk index for each disaster type to the disaster type predicted from the first network.
  • FIG. 9 is a diagram showing learning data used to learn a second network according to an exemplary embodiment.
  • the device 100 for displaying the degree of risk in a 3D modeling space may configure learning data by analyzing disaster accidents obtained from a casebook of disasters based on a certain classification system.
  • the learning data used to train the second network is information on the type of work (type of work for the injured, type of work for the injured), information on the work location where the accident occurred (number of floors, inside/outside), and information on the type of work where the disaster occurred, as in FIG. 4 described above. It can include information about the time of operation (month, day, time) or information about the type of disaster that occurred.
  • the risk display device 100 in the 3D modeling space calculates the work type risk index by applying the risk index for each work type described above in FIG.
  • the floor number risk index may be calculated by applying the risk index for each floor number described above in FIG.
  • a time risk index can be calculated.
  • a disaster type risk index may be calculated by applying the risk index for each disaster type described above with reference to FIG. 8 to information on the occurred disaster type.
  • the learning data used to learn the 2 networks may further include information about each risk index described above.
  • the risk display device 100 in the 3D modeling space can learn the second network using the above-described learning data so that the second network can output a comprehensive risk index in response to the input first data and disaster type. have.
  • FIG. 10 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
  • the risk display device 100 in the 3D modeling space may display a color based on the overall risk index on an object corresponding to the first data in the 3D modeling space.
  • the comprehensive risk index may be calculated in the form of a score or may be classified into a specific risk level according to a score value.
  • a specific risk level classified according to a score value may correspond to a specific color.
  • the risk level may be classified into 5 levels according to the range of score values of the comprehensive risk index, and there may be 5 colors corresponding to each risk level, but this is only an example and the score of the comprehensive risk index
  • the number of risk levels according to values and colors corresponding to the risk levels may also vary.
  • the 3D modeling space may include at least one spatial lattice, and the spatial lattice may correspond to a specific actual location of a construction site.
  • the risk level display device 100 in the 3D modeling space is a comprehensive risk level output to an object in any one spatial grid corresponding to first data including information about work types, information about work locations, or information about work hours. Index can be displayed visually.
  • the risk display device 100 in the 3D modeling space may display a color based on a comprehensive risk index output from the second network on an object within any one space grid corresponding to the first data.
  • the risk display device 100 in the 3D modeling space may display a color corresponding to a risk level according to a score value of a comprehensive risk index.
  • each hatch may indicate a color of a different risk level.
  • FIG. 11 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
  • FIG. 11 shows an example in which the risk display device 100 in the 3D modeling space displays a color based on a comprehensive risk index on an object corresponding to first data in the 3D modeling space, similar to FIG. 10 .
  • the spatial lattice corresponding to the first data including information about the type of work, information about the work location, or information about the work time may further include at least one spatial lattice positioned below it. .
  • the risk display device 100 of the 3D modeling space provides a comprehensive risk index corresponding to the first data to an object in the spatial grid corresponding to the first data and a first layer located at a lower layer of the spatial grid corresponding to the first data. All comprehensive risk indices corresponding to at least one object in the two-space grid may be reflected and displayed visually.
  • the risk display device 100 in the 3D modeling space can visually display the overlapping overall risk index as it goes up from the spatial grid located on the lower layer to the spatial grid located on the upper layer.
  • FIG. 12 is a flowchart of a method of indicating a degree of risk in a 3D modeling space according to an embodiment.
  • the device for displaying the risk level of the 3D modeling space inputs first data including information about the type of work, information about the work location, or information about the time of work to the first network to determine the type of disaster. can predict
  • the information on the type of work may include information about the type of work assigned by the person performing the task and information about the type of work performed by the person performing the task.
  • the information about the work location may include information about the number of floors on which the work is performed or information about whether the work is performed outside or inside the building.
  • the information on the timing of the task may include information about the month, day, or time in which the task is performed.
  • the first network may correspond to a classification learner that receives the first data as an input and predicts any one disaster type among a plurality of preset disaster types.
  • the first network may correspond to a neural network in which supervised learning has been performed to predict a categorical variable.
  • the first network includes data including information on work type, information on a work location where an accident occurred, or information on a time point at which a disaster occurred, and learning data including a disaster type (corresponding to a class label) corresponding to the data. It can be supervised learning using .
  • the risk display device of the 3D modeling space may calculate a comprehensive risk index by inputting the first data and the disaster type to the second network.
  • the second network may correspond to a deep neural network that calculates a comprehensive risk index by receiving the first data and the type of disaster predicted from the first network as inputs.
  • first data including information on work type, work location, or work time
  • a disaster type output from the first network based on the first data are input.
  • An operation may be performed in the hidden layer based on the input first data and the type of disaster, and finally, a comprehensive risk index may be calculated in the output layer.
  • the risk display device of the 3D modeling space uses information including a preset risk index for each work process, a risk index for each floor, a risk index for each month, a risk index for each day of the week, or a risk index for each hour. 2
  • the network can be trained to output a comprehensive risk index.
  • the risk display device in the 3D modeling space may visually display the comprehensive risk index in the 3D modeling space.
  • the comprehensive risk index may be calculated in the form of a score or may be classified into a specific risk level according to a score value. Depending on the score value, a specific risk level may correspond to a specific color.
  • the risk display device in the 3D modeling space may display a color based on the comprehensive risk index on an object corresponding to the first data in the 3D modeling space.
  • the 3D modeling space includes at least one spatial grid, and a comprehensive risk index for an object corresponding to the first data in a first spatial grid and a space located below the first spatial grid A color based on a comprehensive risk index of at least one object in the grid may be displayed.
  • FIG. 13 is a block diagram of a risk display device in a 3D modeling space according to an embodiment.
  • the apparatus 1300 for displaying the degree of risk in a 3D modeling space may include a communication unit 1310, a processor 1320, and a DB 1330.
  • the risk level display device 1300 of the 3D modeling space of FIG. 13 only components related to the embodiment are shown. Accordingly, those skilled in the art can understand that other general-purpose components may be further included in addition to the components shown in FIG. 13 .
  • the communication unit 1310 may include one or more components that allow wired/wireless communication with the risk level display device 1300 in the 3D modeling space.
  • the communication unit 1310 may include at least one of a short-range communication unit (not shown), a mobile communication unit (not shown), and a broadcast reception unit (not shown).
  • the DB 1330 is hardware for storing various data processed in the risk level display device 1300 in the 3D modeling space, and may store programs for processing and control of the processor 1320.
  • the DB 1330 includes random access memory (RAM) such as dynamic random access memory (DRAM) and static random access memory (SRAM), read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), and CD-ROM. ROM, Blu-ray or other optical disk storage, hard disk drive (HDD), solid state drive (SSD), or flash memory.
  • the processor 1320 controls the overall operation of the risk display device 1300 in the 3D modeling space.
  • the processor 1320 may generally control an input unit (not shown), a display (not shown), a communication unit 1310, and the DB 1330 by executing programs stored in the DB 1330.
  • the processor 1320 may control the operation of the risk display device 1300 in the 3D modeling space by executing programs stored in the DB 1330 .
  • the processor 1320 may include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, and microcontrollers. It may be implemented using at least one of micro-controllers, microprocessors, and electrical units for performing other functions.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • controllers and microcontrollers. It may be implemented using at least one of micro-controllers, microprocessors, and electrical units for performing other functions.
  • Various embodiments of the present disclosure may be implemented as software (eg, a program) including one or more instructions stored in a storage medium readable by a machine.
  • the processor of the device may call at least one command among one or more commands stored from a storage medium and execute it. This enables the device to be operated to perform at least one function according to the at least one command invoked.
  • 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.
  • 'non-temporary' only means that the storage medium is a tangible device and does not contain signals (e.g., electromagnetic waves), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
  • signals e.g., electromagnetic waves
  • the method according to various embodiments of the present disclosure may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • a computer program product is distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play StoreTM) or between two user devices. It can be distributed (e.g., downloaded or uploaded) directly or online. In the case of online distribution, at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
  • a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
  • the method according to various embodiments of the present disclosure may be provided in the form of a web service through the Internet.
  • users may access a cloud server and execute software stored in the cloud server, and the software may include one or more instructions capable of implementing a method according to various embodiments of the present disclosure.
  • unit may be a hardware component such as a processor or a circuit, and/or a software component executed by the hardware component such as a processor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

A method for indicating a risk degree in a three-dimensional modeling space of a construction site is provided. The method of the present invention may comprise: inputting, to a first network, first data including information on a work type, information on a work location, or information on a time point of work so as to predict a disaster type; inputting the first data and the disaster type to a second network so as to calculate a comprehensive risk degree index; and visually displaying the comprehensive risk degree index in a three-dimensional modeling space.

Description

건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법 및 컴퓨터 프로그램 제품Method and computer program product for expressing risk in 3D modeling space of construction site
본 개시는 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법 및 컴퓨터 프로그램 제품을 제공한다.The present disclosure provides a method and a computer program product for representing a degree of risk in a 3D modeling space of a construction site.
종래에는 건설 현장의 안전 관리를 위하여 담당자가 현장을 시찰하며 전문적 경험에 기초하여 건설 현장의 위험도를 판단하므로, 위험도가 주관적으로 판단되며 건설 현장의 공사 진행 상황이 적용된 위험도가 산출될 수 없다는 문제점이 있다. Conventionally, for the safety management of the construction site, the person in charge inspects the site and judges the risk level of the construction site based on professional experience, so the risk level is subjectively judged and the risk level applied with the construction progress at the construction site cannot be calculated. have.
또는, 종래에는 건설 현장의 안전 교육을 위하여 작업을 실시하기 전 현장 감독관의 구두 설명과 CAD 도면 등의 2차원 현장 정보를 바탕으로 위험도를 숙지시키는 교육이 실시되었으나, 전문 지식이 없는 일용직 근로자 또는 외국인 근로자에게 교육의 효용성이 떨어진다는 문제점이 있다. Alternatively, in the past, for safety education at construction sites, education was conducted to familiarize oneself with risk levels based on verbal explanations by site supervisors and two-dimensional field information such as CAD drawings before work was performed, but day laborers or foreigners without specialized knowledge There is a problem that the effectiveness of education for workers is low.
이에 따라, 현장의 공사 진행 상황을 반영하는 객관적인 위험도를 산출하고, 산출된 위험도를 근로자에게 직관적으로 전달할 수 있는 방법이 요구된다.Accordingly, there is a need for a method that can calculate an objective risk level that reflects the construction progress at the site and intuitively communicate the calculated risk level to workers.
본 발명은 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법 및 컴퓨터 프로그램 제품을 제공하는데 있다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.An object of the present invention is to provide a method and a computer program product for representing a degree of risk in a 3D modeling space of a construction site. The technical problem to be achieved by the present embodiment is not limited to the technical problems described above, and other technical problems can be inferred from the following embodiments.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법에 있어서, 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시점에 관한 정보를 포함하는 제 1 데이터를 제 1 네트워크에 입력하여 재해 형태를 예측하는 단계; 상기 제 1 데이터 및 상기 재해 형태를 제 2 네트워크에 입력하여 종합 위험도 지수를 산출하는 단계; 및 상기 3차원 모델링 공간에서 상기 종합 위험도 지수를 가시적으로 표시하는 단계;를 포함할 수 있다.As a technical means for achieving the above-described technical problem, a first aspect of the present disclosure is a method for representing a risk level in a 3D modeling space of a construction site, at information on a work type, information on a work location, or at the time of work. predicting a type of disaster by inputting first data including information about a disaster to a first network; calculating a comprehensive risk index by inputting the first data and the disaster type into a second network; and visually displaying the comprehensive risk index in the 3D modeling space.
또한, 상기 종합 위험도 지수를 가시적으로 표시하는 단계는, 상기 3차원 모델링 공간 내 상기 제 1 데이터에 대응하는 객체에 상기 종합 위험도 지수에 기초한 색상을 표시할 수 있다. In the visually displaying the comprehensive risk index, a color based on the comprehensive risk index may be displayed on an object corresponding to the first data in the 3D modeling space.
또한, 상기 3차원 모델링 공간은 적어도 하나의 공간 격자를 포함하고, 상기 종합 위험도 지수를 가시적으로 표시하는 단계는, 제 1 공간 격자 내 상기 제 1 데이터에 대응하는 객체에 상기 종합 위험도 지수 및 상기 제 1 공간 격자의 하층에 위치하는 제 2 공간 격자 내 적어도 하나의 객체들의 종합 위험도 지수들에 기초한 색상을 표시할 수 있다. In addition, the 3D modeling space includes at least one spatial grid, and the step of visually displaying the comprehensive risk index includes the comprehensive risk index and the first data in an object corresponding to the first data in a first spatial grid. A color based on comprehensive risk indices of at least one object in the second spatial grid positioned below the first spatial grid may be displayed.
또한, 상기 작업 공종에 관한 정보는, 상기 작업을 수행하는 사람이 맡은 공종에 관한 정보 및 상기 작업을 수행하는 사람이 수행하는 공종에 관한 정보를 포함하고, 상기 작업 위치에 관한 정보는, 상기 작업이 수행되는 층수에 관한 정보를 포함하고, 상기 작업 시점에 관한 정보는, 상기 작업이 수행되는 날짜, 요일 또는 시간에 관한 정보를 포함할 수 있다. In addition, the information on the type of work includes information on the type of work performed by the person performing the task and information on the type of work performed by the person performing the task, and the information on the work location includes the information on the type of work performed by the person performing the task Information on the number of floors to be performed, and the information on the timing of the work may include information on the date, day, or time at which the work is performed.
또한, 상기 제 1 네트워크는 상기 제 1 데이터를 입력으로 수신하여 기 설정된 복수의 재해 형태들 중 어느 하나의 재해 형태를 예측하는 분류 학습기에 해당하고, 상기 제 2 네트워크는 상기 제 1 데이터 및 상기 재해 형태를 입력으로 수신하여 상기 종합 위험도 지수를 산출하는 딥 뉴럴 네트워크에 해당할 수 있다.In addition, the first network corresponds to a classification learner that receives the first data as an input and predicts any one disaster type among a plurality of preset disaster types, and the second network receives the first data and the disaster It may correspond to a deep neural network that receives a shape as an input and calculates the comprehensive risk index.
본 개시의 제 2 측면은, 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 장치에 있어서, 적어도 하나의 프로그램을 저장하는 메모리; 및 상기 적어도 하나의 프로그램을 실행함으로써 위험도를 나타내는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시점에 관한 정보를 포함하는 제 1 데이터를 제 1 네트워크에 입력하여 재해 형태를 예측하고, 상기 제 1 데이터 및 상기 재해 형태를 제 2 네트워크에 입력하여 종합 위험도 지수를 산출하고, 상기 3차원 모델링 공간에서 상기 종합 위험도 지수를 가시적으로 표시할 수 있다.A second aspect of the present disclosure is an apparatus for indicating a degree of risk in a 3D modeling space of a construction site, comprising: a memory for storing at least one program; and at least one processor representing a degree of risk by executing the at least one program, wherein the at least one processor includes first data including information about a work type, information about a work location, or information about a work time point. to the first network to predict the disaster type, input the first data and the disaster type to the second network to calculate the comprehensive risk index, and visually display the comprehensive risk index in the 3D modeling space. can
본 개시의 제 3 측면은, 제 1 측면에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.A third aspect of the present disclosure may provide a computer-readable recording medium recording a program for executing the method according to the first aspect on a computer.
전술한 본 개시의 과제 해결 수단에 의하면, 현장의 공사 진행 상황을 반영하는 객관적인 위험도를 산출할 수 있다. According to the problem solving means of the present disclosure described above, it is possible to calculate an objective risk level reflecting the progress of construction on site.
또한, 본 개시의 과제 해결 수단에 의하면, 산출된 위험도를 건설 현장의 3차원 모델링 공간에서 가시적으로 표현함에 따라, 건설 현장의 근로자에게 위험도에 관한 정보를 직관적으로 전달할 수 있다.In addition, according to the problem solving means of the present disclosure, as the calculated risk is visually expressed in the 3D modeling space of the construction site, it is possible to intuitively convey information about the risk to workers at the construction site.
도 1은 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치에서 이루어지는 동작을 나타내는 도면이다.1 is a diagram illustrating operations performed in a risk display device in a 3D modeling space according to an embodiment.
도 2는 일 실시예에 따른 제 1 네트워크를 이용하여 제 1 데이터로부터 재해 형태를 예측하는 방법을 개략적으로 나타내는 도면이다.2 is a diagram schematically illustrating a method of predicting a disaster type from first data using a first network according to an embodiment.
도 3은 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터를 예시적으로 나타내는 도면이다.3 is a diagram exemplarily illustrating learning data used to learn a first network according to an embodiment.
도 4는 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터를 간략하게 표현한 것을 나타낸다.4 shows a simplified representation of training data used to train a first network according to an embodiment.
도 5는 일 실시예에 따른 재해 형태를 예시적으로 나타내는 도면이다.5 is a diagram illustrating a disaster type according to an embodiment by way of example.
도 6은 일 실시예에 따른 제 2 네트워크를 이용하여 종합 위험도 지수를 산출하는 방법을 개략적으로 나타내는 도면이다.6 is a diagram schematically illustrating a method of calculating a comprehensive risk index using a second network according to an embodiment.
도 7은 일 실시예에 따른 제 2 네트워크를 예시적으로 나타내는 도면이다.7 is a diagram exemplarily illustrating a second network according to an exemplary embodiment.
도 8은 일 실시예에 따른 기 설정된 위험도 지수들을 예시적으로 나타내는 도면이다.8 is a diagram illustrating preset risk indices according to an exemplary embodiment.
도 9는 일 실시예에 따른 제 2 네트워크를 학습시키는 데 이용되는 학습 데이터를 예시적으로 나타내는 도면이다.9 is a diagram showing learning data used to learn a second network according to an exemplary embodiment.
도 10은 일 실시예에 따른 3차원 모델링 공간에서 종합 위험도 지수를 가시적으로 표시하는 방법을 예시적으로 나타내는 도면이다.10 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
도 11은 일 실시예에 따른 3차원 모델링 공간에서 종합 위험도 지수를 가시적으로 표시하는 방법을 예시적으로 나타내는 도면이다.11 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
도 12는 일 실시예에 따른 3차원 모델링 공간에서 위험도를 나타내는 방법의 흐름도이다.12 is a flowchart of a method of indicating a degree of risk in a 3D modeling space according to an embodiment.
도 13은 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치의 블록도이다.13 is a block diagram of a risk display device in a 3D modeling space according to an embodiment.
건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법이 제공된다. A method of expressing the degree of risk in a 3D modeling space of a construction site is provided.
본 발명의 방법은, 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시점에 관한 정보를 포함하는 제 1 데이터를 제 1 네트워크에 입력하여 재해 형태를 예측하고, 제 1 데이터 및 재해 형태를 제 2 네트워크에 입력하여 종합 위험도 지수를 산출하고, 3차원 모델링 공간에서 종합 위험도 지수를 가시적으로 표시할 수 있다.The method of the present invention inputs first data including information on the type of work, information on the location of work, or information on the timing of work to the first network to predict the type of disaster, and to predict the type of disaster using the first data and the type of disaster. 2 Input into the network to calculate the comprehensive risk index, and the comprehensive risk index can be visually displayed in the 3D modeling space.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.Advantages and features of the present invention, and methods for achieving them will become clear with reference to the detailed description of embodiments in conjunction with the accompanying drawings. However, it should be understood that the present invention is not limited to the embodiments presented below, but may be implemented in a variety of different forms, and includes all conversions, equivalents, and substitutes included in the spirit and scope of the present invention. . The embodiments presented below are provided to complete the disclosure of the present invention and to fully inform those skilled in the art of the scope of the invention to which the present invention belongs. In describing the present invention, if it is determined that a detailed description of related known technologies may obscure the gist of the present invention, the detailed description will be omitted.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. Terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, the terms "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단" 및 "구성" 등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.Some embodiments of the present disclosure may be represented as functional block structures and various processing steps. Some or all of these functional blocks may be implemented as a varying number of hardware and/or software components that perform specific functions. For example, functional blocks of the present disclosure may be implemented by one or more microprocessors or circuit configurations for a predetermined function. Also, for example, the functional blocks of this disclosure may be implemented in various programming or scripting languages. Functional blocks may be implemented as an algorithm running on one or more processors. In addition, the present disclosure may employ prior art for electronic environment setting, signal processing, and/or data processing. Terms such as "mechanism", "element", "means" and "component" may be used broadly and are not limited to mechanical and physical components.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.In addition, connecting lines or connecting members between components shown in the drawings are only examples of functional connections and/or physical or circuit connections. In an actual device, connections between components may be represented by various functional connections, physical connections, or circuit connections that can be replaced or added.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.Hereinafter, the present disclosure will be described in detail with reference to the accompanying drawings.
도 1은 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치에서 이루어지는 동작을 나타내는 도면이다.1 is a diagram illustrating operations performed in a risk display device in a 3D modeling space according to an embodiment.
일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터를 입력 받아 3차원 모델링 공간의 특정 작업 위치에서의 위험도를 나타내는 종합 위험도 지수(total risk point)를 산출할 수 있다. 또한, 건설 현장 내의 3차원 모델링 공간에서 산출된 종합 위험도 지수를 가시적으로 표시할 수 있다. The apparatus 100 for displaying risk in a 3D modeling space according to an embodiment may receive first data and calculate a total risk point indicating a risk at a specific work position in a 3D modeling space. In addition, the comprehensive risk index calculated in the 3D modeling space within the construction site can be visually displayed.
3차원 모델링 공간은 건설 현장을 디지털 트윈(digital twin) 기반으로 3차원의 공간 상에 모델링한 것이다. 디지털 트윈은 물리적 자산, 시스템 또는 프로세스를 소프트웨어로 표현하는 것을 의미한다. 3차원 모델링 공간은 건설 현장 내의 구조물, 자재, 설비, 건설 기계 등 객체 정보 및 건설 현장에서 진행되는 공종 정보를 포함할 수 있다. 예를 들어, 객체 정보는 건설 현장 내의 객체 폴리곤의 경량화 작업을 통해 생성할 수 있다. The 3D modeling space is a modeling of a construction site in a 3D space based on a digital twin. A digital twin is a software representation of a physical asset, system or process. The 3D modeling space may include object information such as structures, materials, facilities, and construction machines in a construction site and information on types of work being performed at the construction site. For example, object information may be generated through a lightening operation of object polygons in a construction site.
일 실시예에 따르면, 3차원 모델링 공간의 위험도 표시 장치(100)는 현실 세계의 좌표와 3차원 공간 상의 좌표를 일치시킴으로써, 건설 현장의 데이터를 가상의 3차원 공간에 반영하여 3차원 모델링 공간을 생성할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 3차원의 격자 정밀 주소를 적용하여 건설 현장의 구체적인 실제 위치를 가상의 3차원 공간에 정밀하게 반영할 수 있다.According to an embodiment, the risk level display device 100 of the 3D modeling space matches the coordinates of the real world with the coordinates of the 3D space, and reflects construction site data in the virtual 3D space to create a 3D modeling space. can create The risk level display device 100 in the 3D modeling space may accurately reflect a specific actual location of a construction site in a virtual 3D space by applying a 3D grid precision address.
3차원 모델링 공간의 위험도 표시 장치(100)는 3차원 모델링 공간의 특정 작업 위치에서 수행되는 특정 공종의 위험도를 나타내는 종합 위험도 지수를 3차원 모델링 공간에 표시할 수 있다. The risk level display device 100 in the 3D modeling space may display a comprehensive risk index representing the risk level of a specific type of work performed at a specific work location in the 3D modeling space in the 3D modeling space.
예를 들어, 도 1의 3차원 모델링 공간의 위험도 표시 장치(100)는 인공 신경망(Artificial Neural Network)을 기반으로 3차원 모델링 공간의 특정 작업 위치에서 수행되는 특정 공종의 위험도를 표시하는 장치에 해당할 수 있다. 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미한다. For example, the risk level display device 100 of the 3D modeling space of FIG. 1 corresponds to a device that displays the risk level of a specific type of work performed at a specific work position in the 3D modeling space based on an artificial neural network. can do. An artificial neural network refers to a model in general that has problem-solving ability by changing synaptic coupling strength through learning of artificial neurons that form a network through synaptic coupling.
3차원 모델링 공간의 위험도 표시 장치(100)는 PC(personal computer), 서버 디바이스, 모바일 디바이스, 임베디드 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있고, 구체적인 예로서 인공 신경망을 이용하여 3차원 모델링 공간의 특정 작업 위치에서 수행되는 특정 공종의 위험도를 표시하는 스마트폰, 태블릿 디바이스, AR(Augmented Reality) 디바이스, IoT(Internet of Things) 디바이스, 자율주행 자동차, 로보틱스 등에 해당될 수 있으나, 이에 제한되지 않는다. The risk display device 100 in the 3D modeling space may be implemented in various types of devices such as a personal computer (PC), a server device, a mobile device, and an embedded device, and as a specific example, 3D modeling using an artificial neural network. It may correspond to smartphones, tablet devices, AR (Augmented Reality) devices, IoT (Internet of Things) devices, autonomous vehicles, robotics, etc. that indicate the risk level of a specific type of work performed at a specific work location in a space, but is not limited thereto. don't
나아가서, 3차원 모델링 공간의 위험도 표시 장치(100)는 위와 같은 디바이스에 탑재되는 전용 하드웨어 가속기(HW accelerator)에 해당될 수 있다. 또는, 비디오 내 구간을 검색하기 위한 장치(300)는 인공 신경망의 구동을 위한 전용 모듈인 NPU(neural processing unit), TPU(Tensor Processing Unit), Neural Engine 등과 같은 하드웨어 가속기일 수 있으나, 이에 제한되지 않는다.Furthermore, the risk display device 100 of the 3D modeling space may correspond to a dedicated hardware accelerator (HW accelerator) mounted on the above device. Alternatively, the apparatus 300 for searching for a section in a video may be a hardware accelerator such as a neural processing unit (NPU), a tensor processing unit (TPU), or a neural engine, which are dedicated modules for driving an artificial neural network, but is not limited thereto. don't
도 1을 참고하면, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터를 입력으로 수신할 수 있다. 제 1 데이터는 건설 현장에서 수행될 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다. Referring to FIG. 1 , the apparatus 100 for displaying risk in a 3D modeling space may receive first data as an input. The first data may include information on the type of work to be performed at a construction site, information on a work location, or information on a work time, but is not limited thereto.
예를 들어, 제 1 데이터는 3차원 모델링 공간의 위험도 표시 장치(100)에 포함된 통신부를 통해 외부 장치로부터 수신될 수 있다. 또는, 제 1 데이터는 3차원 모델링 공간의 위험도 표시 장치(100)의 사용자 인터페이스를 통해 사용자로부터 입력될 수 있다.For example, the first data may be received from an external device through a communication unit included in the device 100 for displaying risk in a 3D modeling space. Alternatively, the first data may be input from the user through the user interface of the risk display device 100 in the 3D modeling space.
3차원 모델링 공간의 위험도 표시 장치(100)는 입력으로 수신한 제 1 데이터에 기초하여, 제 1 데이터에 대응하는 종합 위험도 지수를 출력할 수 있다. 예를 들어, 3차원 모델링 공간의 위험도 표시 장치(100)는 특정 작업 위치에서 특정 작업 시간에 수행될 특정 작업 공종의 종합 위험도 지수를 출력할 수 있다. The risk display device 100 in the 3D modeling space may output a comprehensive risk index corresponding to the first data based on the first data received as an input. For example, the risk display device 100 of the 3D modeling space may output a comprehensive risk index of a specific work type to be performed at a specific work location at a specific work time.
3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 기초하여 시간적 특성(temporal characteristic)에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000001
), 환경적 특성(environmental characteristic)에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000002
), 작업 공종(work-type) 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000003
), 작업 위치(site) 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000004
) 및 사고 타입(accident-type) 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000005
) 중 적어도 하나의 종합 위험도 지수를 출력할 수 있다. 또한, 3차원 모델링 공간의 위험도 표시 장치(100)는 상기 다섯 가지 종합 위험도 지수를 종합하여, 최종 종합 위험도 지수를 결정할 수 있다.The risk display device 100 in the 3D modeling space is a comprehensive risk index (temporal characteristic) based on the first data.
Figure PCTKR2022007013-appb-img-000001
), comprehensive risk index according to environmental characteristics (environmental characteristic)
Figure PCTKR2022007013-appb-img-000002
), comprehensive risk index according to work-type characteristics (
Figure PCTKR2022007013-appb-img-000003
), comprehensive risk index according to work location (site) characteristics (
Figure PCTKR2022007013-appb-img-000004
) and comprehensive risk index according to accident-type characteristics (
Figure PCTKR2022007013-appb-img-000005
), at least one comprehensive risk index may be output. In addition, the risk display device 100 in the 3D modeling space may determine a final comprehensive risk index by integrating the five comprehensive risk indexes.
구체적으로, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 기초하여 시간적 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000006
)를 출력할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 "월(month)", "요일(week-day)" 및 "시간(time)" 중 적어도 하나의 요소에 기초하여, 시간적 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000007
)를 산출할 수 있다. Specifically, the risk display device 100 of the 3D modeling space is a comprehensive risk index according to temporal characteristics based on the first data (
Figure PCTKR2022007013-appb-img-000006
) can be output. The risk display device 100 in the 3D modeling space is based on at least one element of “month”, “week-day” and “time”, and the comprehensive risk index according to temporal characteristics. (
Figure PCTKR2022007013-appb-img-000007
) can be calculated.
예를 들어, 시간적 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000008
)는 수학식 1에 따라 산출될 수 있다. 아래 수학식 1에서
Figure PCTKR2022007013-appb-img-000009
는 "월" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000010
는 "요일" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000011
는 "시간" 위험 스코어에 대한 계수를 나타내고,
Figure PCTKR2022007013-appb-img-000012
은 "월" 위험 스코어,
Figure PCTKR2022007013-appb-img-000013
는 "요일" 위험 스코어,
Figure PCTKR2022007013-appb-img-000014
는 "시간" 위험 스코어를 나타낸다.For example, the comprehensive risk index according to temporal characteristics (
Figure PCTKR2022007013-appb-img-000008
) can be calculated according to Equation 1. In Equation 1 below
Figure PCTKR2022007013-appb-img-000009
is the coefficient for the "monthly" risk score,
Figure PCTKR2022007013-appb-img-000010
is the coefficient for the "day of the week" risk score,
Figure PCTKR2022007013-appb-img-000011
Represents the coefficient for the "time" risk score,
Figure PCTKR2022007013-appb-img-000012
is the "Monthly" risk score,
Figure PCTKR2022007013-appb-img-000013
is the "day of the week" risk score,
Figure PCTKR2022007013-appb-img-000014
represents the “time” risk score.
Figure PCTKR2022007013-appb-img-000015
Figure PCTKR2022007013-appb-img-000015
Figure PCTKR2022007013-appb-img-000016
Figure PCTKR2022007013-appb-img-000016
3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 기초하여 환경적 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000017
)를 출력할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 "온도(temperature)", "풍속(wind speed)" 및 "강우(rainfall)" 중 적어도 하나의 요소에 기초하여, 환경적 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000018
)를 산출할 수 있다. The risk display device 100 of the 3D modeling space is a comprehensive risk index according to environmental characteristics based on the first data (
Figure PCTKR2022007013-appb-img-000017
) can be output. The risk display device 100 in the 3D modeling space is based on at least one element of "temperature", "wind speed" and "rainfall", and the comprehensive risk index according to environmental characteristics. (
Figure PCTKR2022007013-appb-img-000018
) can be calculated.
예를 들어, 환경적 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000019
)는 수학식 2에 따라 산출될 수 있다. 아래 수학식 2에서
Figure PCTKR2022007013-appb-img-000020
는 "온도" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000021
는 "풍속" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000022
는 "강우" 위험 스코어에 대한 계수를 나타내고,
Figure PCTKR2022007013-appb-img-000023
은 "온도" 위험 스코어,
Figure PCTKR2022007013-appb-img-000024
는 "풍속" 위험 스코어,
Figure PCTKR2022007013-appb-img-000025
는 "강우 상태" 위험 스코어를 나타낸다.For example, the comprehensive risk index according to environmental characteristics (
Figure PCTKR2022007013-appb-img-000019
) can be calculated according to Equation 2. In Equation 2 below
Figure PCTKR2022007013-appb-img-000020
is the coefficient for the "temperature" risk score,
Figure PCTKR2022007013-appb-img-000021
is the coefficient for the "wind speed" risk score,
Figure PCTKR2022007013-appb-img-000022
Represents the coefficient for the "Rainfall" risk score,
Figure PCTKR2022007013-appb-img-000023
a "temperature" risk score;
Figure PCTKR2022007013-appb-img-000024
is the "wind speed" risk score,
Figure PCTKR2022007013-appb-img-000025
denotes the “Rain condition” risk score.
Figure PCTKR2022007013-appb-img-000026
Figure PCTKR2022007013-appb-img-000026
Figure PCTKR2022007013-appb-img-000027
Figure PCTKR2022007013-appb-img-000027
3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 기초하여 작업 공종 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000028
)를 출력할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 "공종(work type)", "작업 단계(work process)" 및 "가설 작업(temporary work)" 중 적어도 하나의 요소에 기초하여, 작업 공종 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000029
)를 산출할 수 있다. The risk level display device 100 of the 3D modeling space is a comprehensive risk index according to the work type characteristics based on the first data (
Figure PCTKR2022007013-appb-img-000028
) can be output. The risk level display device 100 of the 3D modeling space is based on at least one element of "work type", "work process" and "temporary work", based on the work type characteristics. Comprehensive risk index (
Figure PCTKR2022007013-appb-img-000029
) can be calculated.
예를 들어, 작업 공종 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000030
)는 수학식 3에 따라 산출될 수 있다. 아래 수학식 3에서
Figure PCTKR2022007013-appb-img-000031
는 "공종" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000032
는 "작업 단계" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000033
는 "가설 작업" 위험 스코어에 대한 계수를 나타내고,
Figure PCTKR2022007013-appb-img-000034
은 "공종" 위험 스코어,
Figure PCTKR2022007013-appb-img-000035
는 "작업 단계" 위험 스코어,
Figure PCTKR2022007013-appb-img-000036
는 "가설 작업" 위험 스코어를 나타낸다.For example, the comprehensive risk index according to work type characteristics (
Figure PCTKR2022007013-appb-img-000030
) can be calculated according to Equation 3. In Equation 3 below
Figure PCTKR2022007013-appb-img-000031
is the coefficient for the "species" risk score,
Figure PCTKR2022007013-appb-img-000032
is the coefficient for the "task phase" risk score,
Figure PCTKR2022007013-appb-img-000033
Represents the coefficient for the "hypothesis work" risk score,
Figure PCTKR2022007013-appb-img-000034
is the "species" risk score;
Figure PCTKR2022007013-appb-img-000035
is the "task phase" risk score,
Figure PCTKR2022007013-appb-img-000036
represents the "hypothesis work" risk score.
Figure PCTKR2022007013-appb-img-000037
Figure PCTKR2022007013-appb-img-000037
Figure PCTKR2022007013-appb-img-000038
Figure PCTKR2022007013-appb-img-000038
3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 기초하여 작업 위치 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000039
)를 출력할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 "높이(층)(height(floor))" 및 "개구부/단부(opening/end)" 중 적어도 하나의 요소에 기초하여, 작업 위치 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000040
)를 산출할 수 있다. The risk display device 100 of the 3D modeling space is a comprehensive risk index according to the work position characteristics based on the first data (
Figure PCTKR2022007013-appb-img-000039
) can be output. The risk level display device 100 of the 3D modeling space is based on at least one element of "height (floor)" and "opening/end", and comprehensively according to work position characteristics risk index (
Figure PCTKR2022007013-appb-img-000040
) can be calculated.
예를 들어, 작업 위치 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000041
)는 수학식 4에 따라 산출될 수 있다. 아래 수학식 4에서
Figure PCTKR2022007013-appb-img-000042
는 "높이(층)" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000043
는 "개구부/단부" 위험 스코어에 대한 계수를 나타내고,
Figure PCTKR2022007013-appb-img-000044
은 "높이(층)" 위험 스코어,
Figure PCTKR2022007013-appb-img-000045
는 "개구부/단부" 위험 스코어를 나타낸다.For example, the composite risk index according to the characteristics of the work location (
Figure PCTKR2022007013-appb-img-000041
) can be calculated according to Equation 4. In Equation 4 below
Figure PCTKR2022007013-appb-img-000042
is the coefficient for the "height (floor)" risk score,
Figure PCTKR2022007013-appb-img-000043
Represents the coefficient for the "opening/end" risk score,
Figure PCTKR2022007013-appb-img-000044
is the "height (floor)" risk score,
Figure PCTKR2022007013-appb-img-000045
represents the “opening/end” risk score.
Figure PCTKR2022007013-appb-img-000046
Figure PCTKR2022007013-appb-img-000046
Figure PCTKR2022007013-appb-img-000047
Figure PCTKR2022007013-appb-img-000047
3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 기초하여 사고 타입특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000048
)를 출력할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 "떨어짐(Fall Off)", "넘어짐(Fall Down)", "부딪힘(Hit)", "물체에 맞음(Struck By)", "무너짐(Collapse)", "끼임(Jamming)", "절단/베임/찔림(Mutilation/Cut/Puncture)", "감전(Electric Shock)", "폭발/파열(Explosion/Blast)", "화재(Fire)", "깔림/뒤집힘(Fall Beneath/Overturn)", "이상온도 접촉(Contact on Abnormal Temperature)", "불균형 및 무리한 동작(Imbalance/Immoderate Motion)", "화학물질 누출/접촉(Exposure to Chemical Materials)", "업무상 질병(Occupational Diseases)" 및 "기타(ETC)" 중 적어도 하나의 요소에 기초하여, 사고 타입 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000049
)를 산출할 수 있다. The risk display device 100 of the 3D modeling space is a comprehensive risk index (according to the accident type characteristics based on the first data)
Figure PCTKR2022007013-appb-img-000048
) can be output. The risk level display device 100 in the 3D modeling space is "Fall Off", "Fall Down", "Hit", "Struck By", "Collapse"","Jamming","Mutilation/Cut/Puncture","ElectricShock","Explosion/Blast","Fire","FallBeneath/Overturn","Contact on Abnormal Temperature", "Imbalance/Immorate Motion", "Exposure to Chemical Materials" , "Occupational Diseases" and "Others (ETC)", based on at least one element, the comprehensive risk index according to the accident type characteristics (
Figure PCTKR2022007013-appb-img-000049
) can be calculated.
예를 들어, 사고 타입 특성에 따른 종합 위험도 지수(
Figure PCTKR2022007013-appb-img-000050
)는 수학식 5에 따라 산출될 수 있다. 아래 수학식 5에서
Figure PCTKR2022007013-appb-img-000051
는 "떨어짐" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000052
는 "넘어짐" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000053
은 "부딪힘" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000054
는 "물체에 맞음" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000055
는 "무너짐" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000056
은 "끼임" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000057
은 "절단/베임/찔림" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000058
은 "감전" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000059
는 "폭발/파열" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000060
은 "화재" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000061
은 "깔림/뒤집힘" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000062
는 "이상온도 접촉" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000063
은 "불균형 및 무리한 동작" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000064
는 "화학물질 누출/접촉" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000065
는 "업무상 질병" 위험 스코어에 대한 계수,
Figure PCTKR2022007013-appb-img-000066
은 "기타" 위험 스코어에 대한 계수를 나타낸다. For example, the comprehensive risk index according to the accident type characteristics (
Figure PCTKR2022007013-appb-img-000050
) can be calculated according to Equation 5. In Equation 5 below
Figure PCTKR2022007013-appb-img-000051
is the coefficient for the "falling" risk score,
Figure PCTKR2022007013-appb-img-000052
is the coefficient for the "fall" risk score,
Figure PCTKR2022007013-appb-img-000053
is the coefficient for the "hit" risk score,
Figure PCTKR2022007013-appb-img-000054
is the coefficient for the "hit by object" risk score,
Figure PCTKR2022007013-appb-img-000055
is the coefficient for the "collapse" risk score,
Figure PCTKR2022007013-appb-img-000056
is the coefficient for the "entrapment" risk score,
Figure PCTKR2022007013-appb-img-000057
is the coefficient for the "cut/cut/puncture" risk score,
Figure PCTKR2022007013-appb-img-000058
is the coefficient for the "electric shock" risk score,
Figure PCTKR2022007013-appb-img-000059
is the coefficient for the "explosion/rupture" risk score,
Figure PCTKR2022007013-appb-img-000060
is the coefficient for the "fire" risk score,
Figure PCTKR2022007013-appb-img-000061
is the coefficient for the "run/over" risk score,
Figure PCTKR2022007013-appb-img-000062
is the coefficient for the "abnormal temperature contact" risk score,
Figure PCTKR2022007013-appb-img-000063
is the coefficient for the "imbalance and overexertion" risk score,
Figure PCTKR2022007013-appb-img-000064
is the coefficient for the "chemical leak/contact" risk score,
Figure PCTKR2022007013-appb-img-000065
is the coefficient for the "occupational disease" risk score,
Figure PCTKR2022007013-appb-img-000066
represents the coefficient for the "Other" risk score.
또한,
Figure PCTKR2022007013-appb-img-000067
는 "떨어짐" 위험 스코어,
Figure PCTKR2022007013-appb-img-000068
는 "넘어짐" 위험 스코어,
Figure PCTKR2022007013-appb-img-000069
은 "부딪힘" 위험 스코어,
Figure PCTKR2022007013-appb-img-000070
는 "물체에 맞음" 위험 스코어,
Figure PCTKR2022007013-appb-img-000071
는 "무너짐"위험 스코어,
Figure PCTKR2022007013-appb-img-000072
은 "끼임" 위험 스코어,
Figure PCTKR2022007013-appb-img-000073
은 "절단/베임/찔림" 위험 스코어,
Figure PCTKR2022007013-appb-img-000074
은 "감전" 위험 스코어,
Figure PCTKR2022007013-appb-img-000075
는 "폭발/파열" 위험 스코어,
Figure PCTKR2022007013-appb-img-000076
은 "화재" 위험 스코어,
Figure PCTKR2022007013-appb-img-000077
은 "깔림/뒤집힘" 위험 스코어,
Figure PCTKR2022007013-appb-img-000078
은 "이상온도 접촉" 위험 스코어,
Figure PCTKR2022007013-appb-img-000079
은 "불균형 및 무리한 동작" 위험 스코어,
Figure PCTKR2022007013-appb-img-000080
는 "화학물질 누출/접촉" 위험 스코어,
Figure PCTKR2022007013-appb-img-000081
는 "업무상 질병" 위험 스코어,
Figure PCTKR2022007013-appb-img-000082
은 "기타" 위험 스코어를 나타낸다.In addition,
Figure PCTKR2022007013-appb-img-000067
is the "falling" risk score,
Figure PCTKR2022007013-appb-img-000068
is the "fall" risk score,
Figure PCTKR2022007013-appb-img-000069
a "hit" risk score;
Figure PCTKR2022007013-appb-img-000070
is the "hit by object" risk score,
Figure PCTKR2022007013-appb-img-000071
is the "collapse" risk score,
Figure PCTKR2022007013-appb-img-000072
is the "entrapment" risk score;
Figure PCTKR2022007013-appb-img-000073
a "cut/cut/puncture" risk score;
Figure PCTKR2022007013-appb-img-000074
a "electric shock" risk score;
Figure PCTKR2022007013-appb-img-000075
is the "explosion/rupture" risk score,
Figure PCTKR2022007013-appb-img-000076
a "fire" risk score;
Figure PCTKR2022007013-appb-img-000077
is a "knock/overturn" risk score;
Figure PCTKR2022007013-appb-img-000078
a "overtemperature contact" risk score;
Figure PCTKR2022007013-appb-img-000079
a "imbalance and overexertion" risk score,
Figure PCTKR2022007013-appb-img-000080
is the “chemical leak/contact” risk score;
Figure PCTKR2022007013-appb-img-000081
is the “occupational disease” risk score,
Figure PCTKR2022007013-appb-img-000082
represents an “other” risk score.
Figure PCTKR2022007013-appb-img-000083
Figure PCTKR2022007013-appb-img-000083
Figure PCTKR2022007013-appb-img-000084
Figure PCTKR2022007013-appb-img-000084
Figure PCTKR2022007013-appb-img-000085
Figure PCTKR2022007013-appb-img-000085
도 1을 참고하면, 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 네트워크(110)를 이용하여 제 1 데이터로부터 재해 형태를 예측할 수 있다. 제 1 네트워크(110)를 이용하여 제 1 데이터로부터 재해 형태를 예측하는 방법과 관련하여는 도 2 내지 도 5에서 후술한다. Referring to FIG. 1 , the apparatus 100 for displaying risk in a 3D modeling space according to an embodiment may predict a disaster type from first data using a first network 110 . A method of predicting a disaster type from the first data using the first network 110 will be described later with reference to FIGS. 2 to 5 .
또한, 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치(100)는 제 2 네트워크(120)를 이용하여 제 1 데이터 및 제 1 네트워크(110)로부터 예측된 재해 형태로부터 종합 위험도 지수를 산출할 수 있다. 제 2 네트워크(120)를 이용하여 제 1 데이터 및 재해 형태로부터 종합 위험도 지수를 산출하는 방법과 관련하여는 도 6 내지 도 9에서 후술한다. In addition, the apparatus 100 for displaying risk in a 3D modeling space according to an embodiment calculates a comprehensive risk index from the first data and the type of disaster predicted from the first network 110 using the second network 120. can A method of calculating the comprehensive risk index from the first data and the disaster type using the second network 120 will be described later with reference to FIGS. 6 to 9 .
최종적으로, 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치(100)는 산출된 종합 위험도 지수를 3차원 모델링 공간에 가시적으로 표시할 수 있다.Finally, the risk display device 100 of the 3D modeling space according to an embodiment may visually display the calculated comprehensive risk index in the 3D modeling space.
도 2는 일 실시예에 따른 제 1 네트워크를 이용하여 제 1 데이터로부터 재해 형태를 예측하는 방법을 개략적으로 나타내는 도면이다. 2 is a diagram schematically illustrating a method of predicting a disaster type from first data using a first network according to an embodiment.
일 실시예에 따르면, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 네트워크를 이용하여 건설 현장에서 수행될 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함하는 제 1 데이터로부터 재해 형태를 출력할 수 있다. According to an embodiment, the risk level display device 100 in the 3D modeling space includes information about the type of work to be performed at the construction site using the first network, information about the work location, or information about the work time. 1 Disaster type can be output from data.
작업 공종에 관한 정보는 작업을 수행하는 사람이 맡은 공종에 관한 정보 및 작업을 수행하는 사람이 수행하는 공종에 관한 정보를 포함할 수 있다. 작업 위치에 관한 정보는 작업이 수행되는 층수 또는 작업이 건물의 외부 또는 내부에서 수행되는 지에 관한 정보를 포함할 수 있다. 또한, 작업 시점에 관한 정보는 작업이 수행되는 월, 요일 또는 시간에 관한 정보를 포함할 수 있다. The information on the type of work may include information on the type of work performed by the person performing the task and information on the type of work performed by the person performing the task. The information about the work location may include information about the number of floors on which the work is performed or whether the work is performed outside or inside the building. Also, the information on the timing of the task may include information about the month, day, or time in which the task is performed.
예를 들어, 제 1 네트워크는 분류 학습기에 해당할 수 있고, 제 1 네트워크는 범주형(categorical) 변수를 예측하기 위해 지도 학습(Supervised Learning)이 수행된 뉴럴 네트워크에 해당할 수 있다. 즉, 제 1 네트워크는 미리 정의된 여러 클래스 레이블(class label)들 중 하나를 예측하도록 구성될 수 있다. 미리 정의된 여러 클래스 레이블들은 재해 형태들에 해당할 수 있다. For example, the first network may correspond to a classification learner, and the first network may correspond to a neural network in which supervised learning is performed to predict a categorical variable. That is, the first network may be configured to predict one of several predefined class labels. Several predefined class labels may correspond to disaster types.
지도 학습은 특징이 이미 정해진 학습 데이터를 사용하여 학습하는 방법으로, 3차원 모델링 공간의 위험도 표시 장치(100)는 재해 사례집 등으로부터 획득한 재해 사고를 일정 분류 체계를 기반으로 분석하여 학습 데이터를 구성할 수 있다. 학습 데이터는 작업 공종에 관한 정보, 재해가 발생한 작업 위치에 관한 정보 또는 재해가 발생한 작업 시점에 관한 정보를 포함하는 데이터 및 상기 데이터에 대응하는 재해 형태(클래스 레이블에 해당)를 포함할 수 있다. Supervised learning is a method of learning using learning data whose characteristics have already been determined. The risk level display device 100 in the 3D modeling space analyzes disaster accidents obtained from disaster casebooks based on a certain classification system to configure learning data. can do. The learning data may include data including information about work type, information about a work location where an accident occurred, or information about a work time point where an accident occurred, and a disaster type (corresponding to a class label) corresponding to the data.
도 3은 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터를 예시적으로 나타내는 도면이다. 3 is a diagram exemplarily illustrating learning data used to learn a first network according to an embodiment.
도 3을 참고하면, 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터(300)는 작업 공종에 관한 정보(310)를 포함할 수 있고, 작업 공종에 관한 정보(310)는 재해자가 맡은 공종에 관한 정보(311) 및 재해를 발생시킨 공종에 관한 정보(312)를 포함할 수 있다. Referring to FIG. 3 , the learning data 300 used to train the first network according to an embodiment may include information 310 on the type of work, and the information 310 on the type of work is the injured person. It may include information 311 on the type of work in charge and information 312 on the type of work that caused the disaster.
또한, 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터는 재해가 발생한 작업 위치에 관한 정보(320)를 포함할 수 있고, 재해가 발생한 작업 위치에 관한 정보(320)는 작업이 수행된 층수에 관한 정보(321) 또는 작업이 건물의 내부 또는 외부에서 수행되었는지 여부에 관한 정보(322)를 포함할 수 있다. In addition, the training data used to train the first network according to an embodiment may include information 320 on a work location where a disaster has occurred, and the information 320 on a work location where a disaster has occurred is information 321 about the number of floors performed or information 322 about whether the work was performed inside or outside the building.
또한, 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터는 재해가 발생한 작업 시점에 관한 정보(330)를 포함할 수 있고, 재해가 발생한 작업 시점에 관한 정보(330)는 작업이 수행된 월에 관한 정보(331), 요일에 관한 정보(332) 또는 시간에 관한 정보(333)를 포함할 수 있다. In addition, learning data used to train the first network according to an embodiment may include information 330 on a work time point in which a disaster occurs, and information 330 on a work time point in which a disaster occurs It may include information 331 about the month performed, information 332 about the day of the week, or information 333 about the time.
또한, 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터는 발생한 재해 형태에 관한 정보(340)를 포함할 수 있다. 재해 형태에 관한 정보(340)는 작업 공종에 관한 정보(310), 재해가 발생한 작업 위치에 관한 정보(320) 또는 재해가 발생한 작업 시간에 관한 정보를 포함하는 데이터에 대응하는 정보에 해당할 수 있다. 재해 형태에 관한 정보(340)는 재해 위치 또는 사망이나 부상의 원인에 관한 정보에 해당할 수 있다. In addition, learning data used to train the first network according to an embodiment may include information 340 on the type of disaster that has occurred. Information on the type of accident 340 may correspond to information corresponding to data including information on the type of work 310, information on the location where the accident occurred 320, or information about the time when the accident occurred. have. The information 340 on the type of disaster may correspond to information about the location of the disaster or the cause of death or injury.
한편, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터(300)를 코드화하여 간략하게 표현할 수 있으며, 간략화된 학습 데이터를 이용하여 제 1 네트워크의 학습을 수행할 수 있다.On the other hand, the risk display device 100 in the 3D modeling space can simply express and code the learning data 300 used to learn the first network, and use the simplified learning data to perform learning of the first network. can be done
도 4는 일 실시예에 따른 제 1 네트워크를 학습시키는 데 이용되는 학습 데이터를 간략하게 표현한 것을 나타낸다. 4 shows a simplified representation of training data used to train a first network according to an embodiment.
도 4를 참고하면, 재해가 발생한 작업 시점에 관한 정보는 재해가 발생한 시에 관한 정보만 나타내도록 간략화될 수 있다. 또한, 작업 공종에 관한 정보는 재해자가 맡은 공종에 관한 정보(재해자 공종) 및 재해를 발생시킨 공종에 관한 정보(기해 공종)를 코드화하여 간략하게 표현될 수 있다. 재해자가 맡은 다양한 종류의 공종들 및 재해를 발생시킨 다양한 종류의 공종들 각각에 대하여 코드는 기 설정될 수 있다. 또한, 재해 형태에 관한 정보는 후술할 도 5에서와 같이 다양한 재해 형태들 각각을 간략하게 표현할 수 있는 약어를 이용할 수 있다. Referring to FIG. 4 , the information about the time of operation when the disaster occurred may be simplified to show only information about when the disaster occurred. In addition, the information on the type of work may be simply expressed by coding information on the type of work (injured person's type of work) and information on the type of work that caused the accident (type of work for the victim). Codes may be preset for each of the various types of work types assigned by the victim and the various types of work types that caused the accident. In addition, the information on the disaster type may use an abbreviation that can briefly express each of the various disaster types, as shown in FIG. 5 to be described later.
도 5는 일 실시예에 따른 재해 형태를 예시적으로 나타내는 도면이다. 5 is a diagram illustrating a disaster type according to an embodiment by way of example.
도 5는 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함하는 제 1 데이터를 제 1 네트워크에 입력하는 경우, 제 1 데이터에 대응하여 예측되는 재해 형태의 다양한 예시들을 나타낸다. 즉, 도 4는 미리 정의된 복수의 클래스 레이블(class lablel)을 나타낸다. 5 illustrates various examples of types of disasters predicted in response to the first data when first data including information on work type, work location, or work time is input to the first network. . That is, FIG. 4 shows a plurality of predefined class labels.
도 5를 참고하면, 재해 형태는 떨어짐(FOF), 넘어짐(FDN), 부딪힘(HIT), 물체에 맞음(STR), 무너짐(CLS), 끼임(JAM), 절단/베인/찔림(MCP) 등에 해당할 수 있다. Referring to FIG. 5, disaster types include fall (FOF), fall (FDN), bump (HIT), object hit (STR), collapse (CLS), jamming (JAM), cut/cut/puncture (MCP), etc. may apply.
제 1 네트워크는 입력된 제 1 데이터에 대응하여 예측되는 재해 형태를 출력하도록 구성될 수 있다. 예를 들어, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 네트워크를 이용하여 가설 공사가 2021년 5월 12일(수요일) 오후 5시에 지상 10층의 건물 외부에서 수행될 것이라는 정보를 포함하는 제 1 데이터가 입력된 경우, 재해 형태로서 떨어짐(FOF)이 예측된다는 결과를 출력할 수 있다. The first network may be configured to output a predicted disaster type corresponding to the input first data. For example, the risk level display device 100 in the 3D modeling space uses the first network to provide information that temporary construction will be performed outside a building on the 10th floor above the ground at 5:00 pm on May 12, 2021 (Wednesday). When the first data including the first data is input, it is possible to output a result that a fall (FOF) is predicted as a disaster type.
도 6은 일 실시예에 따른 제 2 네트워크를 이용하여 종합 위험도 지수를 산출하는 방법을 개략적으로 나타내는 도면이다. 6 is a diagram schematically illustrating a method of calculating a comprehensive risk index using a second network according to an embodiment.
일 실시예에 따르면, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 2 네트워크를 이용하여 제 1 데이터 및 제 1 데이터로부터 예측된 재해 형태로부터 종합 위험도 지수(total risk point)를 출력할 수 있다. 상술한 바와 같이, 제 1 데이터는 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함할 수 있다. According to an embodiment, the risk display device 100 in the 3D modeling space may output a total risk point from the first data and the disaster type predicted from the first data using the second network. . As described above, the first data may include information about work types, information about work locations, or information about work hours.
예를 들어, 제 2 네트워크는 딥 뉴럴 네트워크(Deep Neural Network, DNN) 또는 n-계층 뉴럴 네트워크(n-layers neural networks)에 해당할 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 제 2 네트워크는 리커런트 뉴럴 네트워크(Recurrent Neural Networks, RNN), LSTM(Long Short-Term Memory Network), BRDNN(Bidirectional Recurrent Deep Neural Network), Deep Belief Networks, Restricted Boltzman Machines 등에 해당할 수도 있다.For example, the second network may correspond to a deep neural network (DNN) or an n-layers neural network, but is not limited thereto. For example, the second network may correspond to Recurrent Neural Networks (RNNs), Long Short-Term Memory Networks (LSTMs), Bidirectional Recurrent Deep Neural Networks (BRDNNs), Deep Belief Networks, Restricted Boltzman Machines, and the like. have.
도 7은 일 실시예에 따른 제 2 네트워크를 예시적으로 나타내는 도면이다. 7 is a diagram exemplarily illustrating a second network according to an exemplary embodiment.
도 7을 참고하면, 제 2 네트워크는 입력 레이어, 적어도 하나의 히든 레이어 및 출력 레이어를 포함하는 딥 뉴럴 네트워크에 해당할 수 있다. 도 7에는 하나의 히든 레이어만 표시되어 있으나, 이는 예시에 불과할 뿐 제 2 네트워크는 복수의 히든 레이어들을 포함할 수 있다. Referring to FIG. 7 , the second network may correspond to a deep neural network including an input layer, at least one hidden layer, and an output layer. Although only one hidden layer is shown in FIG. 7, this is merely an example and the second network may include a plurality of hidden layers.
입력 레이어에는 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함하는 제 1 데이터 및 제 1 데이터에 기초하여 제 1 네트워크로부터 출력된 재해 형태가 입력될 수 있다. 입력된 제 1 데이터 및 재해 형태에 기초하여 히든 레이어에서 연산이 수행될 수 있으며, 최종적으로 출력 레이어에서 종합 위험도 지수가 산출될 수 있다. In the input layer, first data including information on work type, work location, or work time, and a disaster type output from the first network based on the first data may be input. An operation may be performed in the hidden layer based on the input first data and the type of disaster, and finally, a comprehensive risk index may be calculated in the output layer.
예를 들어, 종합 위험도 지수는 스코어 형태로 산출될 수 있거나 스코어 값에 따라 특정 위험도 단계로 분류될 수도 있다. 도 7을 참고하면, 종합 위험도 지수의 스코어 값의 범위에 따라 위험도 단계가 5 단계로 분류될 수 있음을 나타내고 있으나, 종합 위험도 지수를 나타내는 방법은 이에 제한되는 것은 아니다. For example, the comprehensive risk index may be calculated in the form of a score or may be classified into a specific risk level according to a score value. Referring to FIG. 7 , it is shown that the risk level can be classified into 5 levels according to the range of score values of the comprehensive risk index, but the method of representing the comprehensive risk index is not limited thereto.
제 2 네트워크에 포함된 레이어들 각각은 "뉴런(neuron)", "프로세싱 엘리먼트(Processing element: PE)", "유닛(unit)" 또는 이와 유사한 용어들로 알려진, 복수의 인공 노드(artificial node)들을 포함할 수 있다. 예를 들어, 도 7에 도시된 바와 같이, 입력 레이어는 p개의 노드들, 히든 레이어는 m개의 노드들을 포함할 수 있다. 다만, 이는 예시에 불과할 뿐 제 2 네트워크에 포함된 레이어들 각각은 다양한 개수의 노드들을 포함할 수 있다.Each of the layers included in the second network is a plurality of artificial nodes, known as "neurons", "processing elements (PEs)", "units" or similar terms. may include For example, as shown in FIG. 7 , the input layer may include p nodes and the hidden layer may include m nodes. However, this is merely an example, and each of the layers included in the second network may include various numbers of nodes.
제 2 네트워크에 포함된 레이어들 각각에 포함된 노드들은 서로 연결되어 데이터를 교환할 수 있다. 예를 들어, 하나의 노드는 다른 노드들로부터 데이터를 수신하여 연산할 수 있고, 연산 결과를 또 다른 노드들로 출력할 수 있다.Nodes included in each of the layers included in the second network may be connected to each other to exchange data. For example, one node may receive data from other nodes, perform calculations, and output calculation results to other nodes.
제 2 네트워크가 딥 뉴럴 네트워크 아키텍처로 구현된 경우 유효한 정보를 처리할 수 있는 많은 레이어들을 포함할 수 있다. 한편, 제 2 네트워크는 도 7에 도시된 것과는 다른, 다양한 구조의 레이어들을 포함할 수 있다.When the second network is implemented as a deep neural network architecture, it may include many layers capable of processing valid information. Meanwhile, the second network may include layers having various structures different from those shown in FIG. 7 .
예를 들어, 3차원 모델링 공간의 위험도 표시 장치(100)는 가설 공사가 2021년 5월 12일(수요일) 오후 5시에 지상 10층의 건물 외부에서 수행될 것이라는 정보를 포함하는 제 1 데이터 및 제 1 데이터에 대응하여 재해 형태로서 떨어짐(FOF)이 예측된다는 정보를 입력받은 경우, 제 2 네트워크를 이용하여 이에 대응되는 종합 위험도 지수를 출력할 수 있다.For example, the risk level display device 100 of the 3D modeling space includes first data including information that temporary construction will be performed outside a building on the 10th floor above the ground at 5:00 pm on May 12, 2021 (Wednesday), and When information that a fall (FOF) is predicted as a type of disaster is input corresponding to the first data, a comprehensive risk index corresponding thereto may be output using the second network.
한편, 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치(100)는 기 설정된 작업 공정 별 위험도 지수, 층수 별 위험도 지수, 월 별 위험도 지수, 요일 별 위험도 지수 또는 시간 별 위험도 지수 등을 포함하는 정보를 이용하여 제 2 네트워크가 종합 위험도 지수를 출력할 수 있도록 학습시킬 수 있다. On the other hand, the risk display device 100 of the 3D modeling space according to an embodiment includes a preset risk index for each work process, a risk index for each floor, a risk index for each month, a risk index for each day of the week, or a risk index for each hour. The information can be used to train the second network to output a comprehensive risk index.
도 8은 일 실시예에 따른 기 설정된 위험도 지수들을 예시적으로 나타내는 도면이다. 8 is a diagram illustrating preset risk indices according to an exemplary embodiment.
도 8은 3차원 모델링 공간의 위험도 표시 장치(100)에 저장되어 있는 기 설정된 작업 공종 별 위험도 지수, 층수 별 위험도 지수, 월 별 위험도 지수, 요일 별 위험도 지수, 시간 별 위험도 지수 및 재해 형태 별 위험도 지수의 일 예를 나타내며, 각 위험도 지수는 도 8에 도시된 바로 한정되는 것은 아니다. 또한, 도 8에 도시된 위험도 지수 외에도 종합 위험도 지수를 산출하기 위해 필요한 다양한 종류의 위험도 지수를 더 저장할 수 있다. 8 is a risk index by work type, a risk index by floor number, a risk index by month, a risk index by day, a risk index by hour, and a risk by disaster type stored in the risk display device 100 in the 3D modeling space. It represents an example of an index, and each risk index is not limited to the one shown in FIG. 8 . In addition to the risk index shown in FIG. 8 , various types of risk index required to calculate the comprehensive risk index may be further stored.
예를 들어, 작업 공종 별 위험도 지수, 층수 별 위험도 지수, 월 별 위험도 지수, 요일 별 위험도 지수, 시간 별 위험도 지수 및 재해 형태 별 위험도 지수는 통계 자료에 기반하여 산출될 수 있다. For example, a risk index for each type of work, a risk index for each floor, a risk index for each month, a risk index for each day of the week, a risk index for each hour, and a risk index for each type of disaster may be calculated based on statistical data.
제 2 네트워크에서 제 1 데이터에 포함된 작업 공종에 관한 정보에는 기 설정된 작업 공종 별 위험도 지수가 적용되어 연산이 수행될 수 있고, 제 1 데이터에 포함된 작업 위치에 관한 정보에는 기 설정된 층수 별 위험도 지수가 적용되어 연산이 수행될 수 있고, 제 1 데이터에 포함된 작업 시점에 관한 정보에는 기 설정된 월 별 위험도 지수, 요일 별 위험도 지수 또는 시간 별 위험도 지수가 적용되어 연산이 수행될 수 있다. 또한, 제 1 네트워크로부터 예측된 재해 형태에 대하여는 재해 형태 별 위험도 지수가 적용되어 연산이 수행될 수 있다. In the second network, calculation may be performed by applying a risk index for each work type included in the first data to the information on the work type included in the first data, and the information on the work location included in the first data may include a preset risk level for each floor number The calculation may be performed by applying an index, and the calculation may be performed by applying a preset monthly risk index, day-of-week risk index, or hourly risk index to the information about the operation timing included in the first data. In addition, calculation may be performed by applying a risk index for each disaster type to the disaster type predicted from the first network.
도 9는 일 실시예에 따른 제 2 네트워크를 학습시키는 데 이용되는 학습 데이터를 예시적으로 나타내는 도면이다. 9 is a diagram showing learning data used to learn a second network according to an exemplary embodiment.
도 9를 참고하면, 3차원 모델링 공간의 위험도 표시 장치(100)는 재해 사례집 등으로부터 획득한 재해 사고를 일정 분류 체계를 기반으로 분석하여 학습 데이터를 구성할 수 있다. 제 2 네트워크를 학습시키는 데 이용되는 학습 데이터는 상술한 도 4와 마찬가지로 작업 공종에 관한 정보(재해자 공종, 기해 공종), 재해가 발생한 작업 위치에 관한 정보(층수, 내부/외부), 재해가 발생한 작업 시점에 관한 정보(월, 요일, 시간) 또는 발생한 재해 형태에 관한 정보를 포함할 수 있다. Referring to FIG. 9 , the device 100 for displaying the degree of risk in a 3D modeling space may configure learning data by analyzing disaster accidents obtained from a casebook of disasters based on a certain classification system. The learning data used to train the second network is information on the type of work (type of work for the injured, type of work for the injured), information on the work location where the accident occurred (number of floors, inside/outside), and information on the type of work where the disaster occurred, as in FIG. 4 described above. It can include information about the time of operation (month, day, time) or information about the type of disaster that occurred.
일 실시예에 따르면, 3차원 모델링 공간의 위험도 표시 장치(100)는 작업 공종에 관한 정보(재해자 공종, 기해 공종)에 도 8에서 상술한 작업 공종 별 위험도 지수를 적용하여 공종 위험도 지수를 산출할 수 있다. 또한, 작업 위치에 관한 정보(층수, 내부/외부)에 도 8에서 상술한 층수 별 위험도 지수를 적용하여 층수 위험도 지수를 산출할 수 있다. 또한, 재해가 발생한 작업 시점에 관한 정보(월, 요일, 시간)에 도 8에서 상술한 월 별 위험도 지수, 요일 별 위험도 지수 및 시간 별 위험도 지수를 각각을 적용하여 월 위험도 지수, 요일 위험도 지수 및 시간 위험도 지수를 산출할 수 있다. 또한, 발생한 재해 형태에 관한 정보에 도 8에서 상술한 재해 형태 별 위험도 지수를 적용하여 재해 형태 위험도 지수를 산출할 수 있다. 이에 따라, 2 네트워크를 학습시키는 데 이용되는 학습 데이터는 상술한 각 위험도 지수에 관한 정보를 더 포함할 수 있다. According to an embodiment, the risk display device 100 in the 3D modeling space calculates the work type risk index by applying the risk index for each work type described above in FIG. can In addition, the floor number risk index may be calculated by applying the risk index for each floor number described above in FIG. In addition, by applying the monthly risk index, day risk index, and hourly risk index described above in FIG. A time risk index can be calculated. In addition, a disaster type risk index may be calculated by applying the risk index for each disaster type described above with reference to FIG. 8 to information on the occurred disaster type. Accordingly, the learning data used to learn the 2 networks may further include information about each risk index described above.
3차원 모델링 공간의 위험도 표시 장치(100)는 제 2 네트워크가 입력된 제 1 데이터 및 재해 형태에 대응하여 종합 위험도 지수를 출력할 수 있도록, 상술한 학습 데이터를 이용하여 제 2 네트워크를 학습시킬 수 있다. The risk display device 100 in the 3D modeling space can learn the second network using the above-described learning data so that the second network can output a comprehensive risk index in response to the input first data and disaster type. have.
도 10은 일 실시예에 따른 3차원 모델링 공간에서 종합 위험도 지수를 가시적으로 표시하는 방법을 예시적으로 나타내는 도면이다. 10 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
일 실시예에 따르면, 3차원 모델링 공간의 위험도 표시 장치(100)는 3차원 모델링 공간 내 제 1 데이터에 대응하는 객체에 종합 위험도 지수에 기초한 색상을 표시할 수 있다. According to an embodiment, the risk display device 100 in the 3D modeling space may display a color based on the overall risk index on an object corresponding to the first data in the 3D modeling space.
예를 들어, 도 7에서 상술한 바와 같이 종합 위험도 지수는 스코어 형태로 산출될 수 있거나 스코어 값에 따라 특정 위험도 단계로 분류될 수도 있다. 스코어 값에 따라 분류된 특정 위험도 단계는 특정 색상에 대응할 수 있다. 예를 들어, 종합 위험도 지수의 스코어 값의 범위에 따라 위험도 단계가 5 단계로 분류될 수 있으며 각 위험도 단계에 대응하는 5가지의 색상이 존재할 수 있으나, 이는 일 예에 불과하며 종합 위험도 지수의 스코어 값에 따른 위험도 단계의 개수 및 위험도 단계에 대응하는 색상도 다양할 수 있다. For example, as described above with reference to FIG. 7 , the comprehensive risk index may be calculated in the form of a score or may be classified into a specific risk level according to a score value. A specific risk level classified according to a score value may correspond to a specific color. For example, the risk level may be classified into 5 levels according to the range of score values of the comprehensive risk index, and there may be 5 colors corresponding to each risk level, but this is only an example and the score of the comprehensive risk index The number of risk levels according to values and colors corresponding to the risk levels may also vary.
도 10을 참고하면, 3차원 모델링 공간은 적어도 하나의 공간 격자를 포함할 수 있으며, 공간 격자는 건설 현장의 구체적인 실제 위치에 대응할 수 있다. 3차원 모델링 공간의 위험도 표시 장치(100)는 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함하는 제 1 데이터에 대응하는 어느 하나의 공간 격자 내 객체에 출력된 종합 위험도 지수를 가시적으로 표시할 수 있다. 예를 들어, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 대응하는 어느 하나의 공간 격자 내 객체에 제 2 네트워크로부터 출력된 종합 위험도 지수에 기초한 색상을 표시할 수 있다. 예를 들어, 3차원 모델링 공간의 위험도 표시 장치(100)는 종합 위험도 지수의 스코어 값에 따른 위험도 단계에 해당하는 색상을 표시할 수 있다. 예를 들어 도 10에서, 각각의 해칭(hatch)은 서로 다른 위험도 단계의 색상을 나타낼 수 있다. Referring to FIG. 10 , the 3D modeling space may include at least one spatial lattice, and the spatial lattice may correspond to a specific actual location of a construction site. The risk level display device 100 in the 3D modeling space is a comprehensive risk level output to an object in any one spatial grid corresponding to first data including information about work types, information about work locations, or information about work hours. Index can be displayed visually. For example, the risk display device 100 in the 3D modeling space may display a color based on a comprehensive risk index output from the second network on an object within any one space grid corresponding to the first data. For example, the risk display device 100 in the 3D modeling space may display a color corresponding to a risk level according to a score value of a comprehensive risk index. For example, in FIG. 10 , each hatch may indicate a color of a different risk level.
도 11은 일 실시예에 따른 3차원 모델링 공간에서 종합 위험도 지수를 가시적으로 표시하는 방법을 예시적으로 나타내는 도면이다.11 is a diagram exemplarily illustrating a method of visually displaying a comprehensive risk index in a 3D modeling space according to an embodiment.
도 11은 도 10과 마찬가지로 3차원 모델링 공간의 위험도 표시 장치(100)가 3차원 모델링 공간 내 제 1 데이터에 대응하는 객체에 종합 위험도 지수에 기초한 색상을 표시한 일 예를 나타낸다. FIG. 11 shows an example in which the risk display device 100 in the 3D modeling space displays a color based on a comprehensive risk index on an object corresponding to first data in the 3D modeling space, similar to FIG. 10 .
도 11을 참고하면, 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함하는 제 1 데이터에 대응하는 공간 격자는 하부에 위치하는 적어도 하나의 공간 격자를 더 포함할 수 있다. Referring to FIG. 11 , the spatial lattice corresponding to the first data including information about the type of work, information about the work location, or information about the work time may further include at least one spatial lattice positioned below it. .
이러한 경우, 3차원 모델링 공간의 위험도 표시 장치(100)는 제 1 데이터에 대응하는 공간 격자 내 객체에 제 1 데이터에 대응하는 종합 위험도 지수 및 제 1 데이터에 대응하는 공간 격자의 하층에 위치하는 제 2 공간 격자 내 적어도 하나의 객체에 대응하는 종합 위험도 지수들을 모두 반영하여 가시적으로 표시할 수 있다. In this case, the risk display device 100 of the 3D modeling space provides a comprehensive risk index corresponding to the first data to an object in the spatial grid corresponding to the first data and a first layer located at a lower layer of the spatial grid corresponding to the first data. All comprehensive risk indices corresponding to at least one object in the two-space grid may be reflected and displayed visually.
즉, 3차원 모델링 공간의 위험도 표시 장치(100)는 하층에 위치하는 공간 격자에서 상층에 위치하는 공간 격자로 올라갈수록 오버랩되는 종합 위험도 지수를 가시적으로 표시할 수 있다.That is, the risk display device 100 in the 3D modeling space can visually display the overlapping overall risk index as it goes up from the spatial grid located on the lower layer to the spatial grid located on the upper layer.
도 12는 일 실시예에 따른 3차원 모델링 공간에서 위험도를 나타내는 방법의 흐름도이다.12 is a flowchart of a method of indicating a degree of risk in a 3D modeling space according to an embodiment.
도 12를 참조하면, 단계 1210에서 3차원 모델링 공간의 위험도 표시 장치는 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시점에 관한 정보를 포함하는 제 1 데이터를 제 1 네트워크에 입력하여 재해 형태를 예측할 수 있다.Referring to FIG. 12, in step 1210, the device for displaying the risk level of the 3D modeling space inputs first data including information about the type of work, information about the work location, or information about the time of work to the first network to determine the type of disaster. can predict
일 실시예에 따르면, 작업 공종에 관한 정보는 작업을 수행하는 사람이 맡은 공종에 관한 정보 및 작업을 수행하는 사람이 수행하는 공종에 관한 정보를 포함할 수 있다. 작업 위치에 관한 정보는 작업이 수행되는 층수에 관한 정보 또는 작업이 건물의 외부 또는 내부에서 수행되는 지에 관한 정보를 포함할 수 있다. 또한, 작업 시점에 관한 정보는 작업이 수행되는 월, 요일 또는 시간에 관한 정보를 포함할 수 있다.According to an embodiment, the information on the type of work may include information about the type of work assigned by the person performing the task and information about the type of work performed by the person performing the task. The information about the work location may include information about the number of floors on which the work is performed or information about whether the work is performed outside or inside the building. Also, the information on the timing of the task may include information about the month, day, or time in which the task is performed.
일 실시예에 따르면, 제 1 네트워크는 제 1 데이터를 입력으로 수신하여 기 설정된 복수의 재해 형태들 중 어느 하나의 재해 형태를 예측하는 분류 학습기에 해당할 수 있다. 제 1 네트워크는 범주형(categorical) 변수를 예측하기 위해 지도 학습(Supervised Learning)이 수행된 뉴럴 네트워크에 해당할 수 있다. 제 1 네트워크는 작업 공종에 관한 정보, 재해가 발생한 작업 위치에 관한 정보 또는 재해가 발생한 작업 시점에 관한 정보를 포함하는 데이터 및 상기 데이터에 대응하는 재해 형태(클래스 레이블에 해당)를 포함하는 학습 데이터를 이용하여 지도 학습될 수 있다. According to an embodiment, the first network may correspond to a classification learner that receives the first data as an input and predicts any one disaster type among a plurality of preset disaster types. The first network may correspond to a neural network in which supervised learning has been performed to predict a categorical variable. The first network includes data including information on work type, information on a work location where an accident occurred, or information on a time point at which a disaster occurred, and learning data including a disaster type (corresponding to a class label) corresponding to the data. It can be supervised learning using .
단계 1220에서, 3차원 모델링 공간의 위험도 표시 장치는 제 1 데이터 및 재해 형태를 제 2 네트워크에 입력하여 종합 위험도 지수를 산출할 수 있다.In step 1220, the risk display device of the 3D modeling space may calculate a comprehensive risk index by inputting the first data and the disaster type to the second network.
일 실시예에 따르면, 제 2 네트워크는 제 1 데이터 및 제 1 네트워크로부터 예측된 재해 형태를 입력으로 수신하여 종합 위험도 지수를 산출하는 딥 뉴럴 네트워크에 해당할 수 있다. 제 2 네트워크를 구성하는 입력 레이어에는 작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시간에 관한 정보를 포함하는 제 1 데이터 및 제 1 데이터에 기초하여 제 1 네트워크로부터 출력된 재해 형태가 입력될 수 있다. 입력된 제 1 데이터 및 재해 형태에 기초하여 히든 레이어에서 연산이 수행될 수 있으며, 최종적으로 출력 레이어에서 종합 위험도 지수가 산출될 수 있다.According to an embodiment, the second network may correspond to a deep neural network that calculates a comprehensive risk index by receiving the first data and the type of disaster predicted from the first network as inputs. In the input layer constituting the second network, first data including information on work type, work location, or work time, and a disaster type output from the first network based on the first data are input. can An operation may be performed in the hidden layer based on the input first data and the type of disaster, and finally, a comprehensive risk index may be calculated in the output layer.
일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치는 기 설정된 작업 공정 별 위험도 지수, 층수 별 위험도 지수, 월 별 위험도 지수, 요일 별 위험도 지수 또는 시간 별 위험도 지수 등을 포함하는 정보를 이용하여 제 2 네트워크가 종합 위험도 지수를 출력할 수 있도록 학습시킬 수 있다.The risk display device of the 3D modeling space according to an embodiment uses information including a preset risk index for each work process, a risk index for each floor, a risk index for each month, a risk index for each day of the week, or a risk index for each hour. 2 The network can be trained to output a comprehensive risk index.
단계 1230에서, 3차원 모델링 공간의 위험도 표시 장치는 3차원 모델링 공간에서 종합 위험도 지수를 가시적으로 표시할 수 있다. In step 1230, the risk display device in the 3D modeling space may visually display the comprehensive risk index in the 3D modeling space.
예를 들어, 종합 위험도 지수는 스코어 형태로 산출될 수 있거나 스코어 값에 따라 특정 위험도 단계로 분류될 수도 있다. 스코어 값에 따라 특정 위험도 단계는 특정 색상에 대응할 수 있다.For example, the comprehensive risk index may be calculated in the form of a score or may be classified into a specific risk level according to a score value. Depending on the score value, a specific risk level may correspond to a specific color.
일 실시예에 따르면, 3차원 모델링 공간의 위험도 표시 장치는 3차원 모델링 공간 내 제 1 데이터에 대응하는 객체에 종합 위험도 지수에 기초한 색상을 표시할 수 있다. According to an embodiment, the risk display device in the 3D modeling space may display a color based on the comprehensive risk index on an object corresponding to the first data in the 3D modeling space.
또한, 일 실시예에 따르면, 3차원 모델링 공간은 적어도 하나의 공간 격자를 포함하고, 제 1 공간 격자 내 상기 제 1 데이터에 대응하는 객체에 종합 위험도 지수 및 제 1 공간 격자보다 아래에 위치하는 공간 격자 내 적어도 하나의 객체들의 종합 위험도 지수에 기초한 색상을 표시할 수 있다. In addition, according to one embodiment, the 3D modeling space includes at least one spatial grid, and a comprehensive risk index for an object corresponding to the first data in a first spatial grid and a space located below the first spatial grid A color based on a comprehensive risk index of at least one object in the grid may be displayed.
도 13은 일 실시예에 따른 3차원 모델링 공간의 위험도 표시 장치의 블록도이다.13 is a block diagram of a risk display device in a 3D modeling space according to an embodiment.
도 13을 참조하면, 3차원 모델링 공간의 위험도 표시 장치(1300)는 통신부(1310), 프로세서(1320) 및 DB(1330)를 포함할 수 있다. 도 13의 3차원 모델링 공간의 위험도 표시 장치(1300)에는 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 13에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.Referring to FIG. 13 , the apparatus 1300 for displaying the degree of risk in a 3D modeling space may include a communication unit 1310, a processor 1320, and a DB 1330. In the risk level display device 1300 of the 3D modeling space of FIG. 13, only components related to the embodiment are shown. Accordingly, those skilled in the art can understand that other general-purpose components may be further included in addition to the components shown in FIG. 13 .
통신부(1310)는 3차원 모델링 공간의 위험도 표시 장치(1300)와 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부(1310)는, 근거리 통신부(미도시), 이동 통신부(미도시) 및 방송 수신부(미도시) 중 적어도 하나를 포함할 수 있다.The communication unit 1310 may include one or more components that allow wired/wireless communication with the risk level display device 1300 in the 3D modeling space. For example, the communication unit 1310 may include at least one of a short-range communication unit (not shown), a mobile communication unit (not shown), and a broadcast reception unit (not shown).
DB(1330)는 3차원 모델링 공간의 위험도 표시 장치(1300) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(1320)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. The DB 1330 is hardware for storing various data processed in the risk level display device 1300 in the 3D modeling space, and may store programs for processing and control of the processor 1320.
DB(1330)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다. 프로세서(1320)는 3차원 모델링 공간의 위험도 표시 장치(1300)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1320)는 DB(1330)에 저장된 프로그램들을 실행함으로써, 입력부(미도시), 디스플레이(미도시), 통신부(1310), DB(1330) 등을 전반적으로 제어할 수 있다. 프로세서(1320)는, DB(1330)에 저장된 프로그램들을 실행함으로써, 3차원 모델링 공간의 위험도 표시 장치(1300)의 동작을 제어할 수 있다.The DB 1330 includes random access memory (RAM) such as dynamic random access memory (DRAM) and static random access memory (SRAM), read-only memory (ROM), electrically erasable programmable read-only memory (EEPROM), and CD-ROM. ROM, Blu-ray or other optical disk storage, hard disk drive (HDD), solid state drive (SSD), or flash memory. The processor 1320 controls the overall operation of the risk display device 1300 in the 3D modeling space. For example, the processor 1320 may generally control an input unit (not shown), a display (not shown), a communication unit 1310, and the DB 1330 by executing programs stored in the DB 1330. The processor 1320 may control the operation of the risk display device 1300 in the 3D modeling space by executing programs stored in the DB 1330 .
프로세서(1320)는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.The processor 1320 may include application specific integrated circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs), controllers, and microcontrollers. It may be implemented using at least one of micro-controllers, microprocessors, and electrical units for performing other functions.
본 개시의 다양한 실시예들은 기기(machine) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램))로서 구현될 수 있다. 예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 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'은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.Various embodiments of the present disclosure may be implemented as software (eg, a program) including one or more instructions stored in a storage medium readable by a machine. For example, the processor of the device may call at least one command among one or more commands stored from a storage medium and execute it. This enables the device to be operated to perform at least one function according to the at least one command invoked. 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. Here, 'non-temporary' only means that the storage medium is a tangible device and does not contain signals (e.g., electromagnetic waves), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
일 실시예에 따르면, 본 개시의 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(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 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.According to one embodiment, the method according to various embodiments of the present disclosure may be included and provided in a computer program product. Computer program products may be traded between sellers and buyers as commodities. A computer program product is distributed in the form of a device-readable storage medium (eg compact disc read only memory (CD-ROM)), or through an application store (eg Play Store™) or between two user devices. It can be distributed (e.g., downloaded or uploaded) directly or online. In the case of online distribution, at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
또한, 일 실시예에 따르면, 본 개시의 다양한 실시예들에 따른 방법은 인터넷을 통한 웹 서비스의 형태로 제공될 수 있다. 예를 들어, 사용자들은 클라우드 서버에 액세스하여 클라우드 서버에 저장된 소프트웨어를 실행할 수 있으며, 상기 소프트웨어는 본 개시의 다양한 실시예들에 따른 방법을 구현할 수 있는 하나 이상의 명령어들을 포함할 수 있다.Also, according to one embodiment, the method according to various embodiments of the present disclosure may be provided in the form of a web service through the Internet. For example, users may access a cloud server and execute software stored in the cloud server, and the software may include one or more instructions capable of implementing a method according to various embodiments of the present disclosure.
또한, 본 명세서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.Also, in this specification, “unit” may be a hardware component such as a processor or a circuit, and/or a software component executed by the hardware component such as a processor.
본 실시예의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 포함되는 것으로 해석되어야 한다.The scope of the present embodiment is indicated by the appended claims rather than the detailed description above, and should be construed as including all changes or modifications derived from the meaning and scope of the claims and equivalent concepts thereof.

Claims (7)

  1. 건설 현장의 3차원 모델링 공간에서 위험도를 나타내는 방법에 있어서, In the method of representing the degree of risk in the 3D modeling space of the construction site,
    작업 공종에 관한 정보, 작업 위치에 관한 정보 또는 작업 시점에 관한 정보를 포함하는 제 1 데이터를 제 1 네트워크에 입력하여 재해 형태를 예측하는 단계; predicting a type of disaster by inputting first data including information about a work type, information about a work location, or information about a work time point into a first network;
    상기 제 1 데이터 및 상기 재해 형태를 제 2 네트워크에 입력하여 종합 위험도 지수를 산출하는 단계; 및calculating a comprehensive risk index by inputting the first data and the disaster type into a second network; and
    상기 3차원 모델링 공간에서 상기 종합 위험도 지수를 가시적으로 표시하는 단계;visually displaying the comprehensive risk index in the 3D modeling space;
    를 포함하는, 방법.Including, method.
  2. 제 1 항에 있어서, According to claim 1,
    상기 종합 위험도 지수를 가시적으로 표시하는 단계는,The step of visually displaying the comprehensive risk index,
    상기 3차원 모델링 공간 내 상기 제 1 데이터에 대응하는 제 1 공간 격자 내 객체에 상기 종합 위험도 지수에 기초한 색상을 표시하는, 방법.A method of displaying a color based on the comprehensive risk index on an object in a first spatial grid corresponding to the first data in the 3D modeling space.
  3. 제 1 항에 있어서, According to claim 1,
    상기 3차원 모델링 공간은 적어도 하나의 공간 격자를 포함하고,The three-dimensional modeling space includes at least one spatial grid,
    상기 종합 위험도 지수를 가시적으로 표시하는 단계는,The step of visually displaying the comprehensive risk index,
    상기 제 1 데이터에 대응하는 제 1 공간 격자 내 객체에 상기 종합 위험도 지수 및 상기 제 1 공간 격자의 하층에 위치하는 제 2 공간 격자 내 적어도 하나의 객체들의 종합 위험도 지수들에 기초한 색상을 표시하는, 방법.Displaying a color based on the comprehensive risk index for an object in the first spatial grid corresponding to the first data and the comprehensive risk indexes of at least one object in a second spatial grid located in a lower layer of the first spatial grid, Way.
  4. 제 1 항에 있어서, According to claim 1,
    상기 작업 공종에 관한 정보는, 상기 작업을 수행하는 사람이 맡은 공종에 관한 정보 및 상기 작업을 수행하는 사람이 수행하는 공종에 관한 정보를 포함하고, The information on the type of work includes information on the type of work performed by the person performing the task and information about the type of work performed by the person performing the task,
    상기 작업 위치에 관한 정보는, 상기 작업이 수행되는 층수에 관한 정보 또는 작업이 건물의 외부 또는 내부에서 수행되는 지에 관한 정보를 포함하고, The information on the work location includes information about the number of floors on which the work is performed or information about whether the work is performed outside or inside the building,
    상기 작업 시점에 관한 정보는, 상기 작업이 수행되는 날짜, 요일 또는 시간에 관한 정보를 포함하는, 방법.The information on the time point of the task includes information about a date, day, or time at which the task is performed.
  5. 제 1 항에 있어서, According to claim 1,
    상기 제 1 네트워크는 상기 제 1 데이터를 입력으로 수신하여 기 설정된 복수의 재해 형태들 중 어느 하나의 재해 형태를 예측하는 분류 학습기에 해당하고, The first network corresponds to a classification learner that receives the first data as an input and predicts any one disaster type among a plurality of preset disaster types,
    상기 제 2 네트워크는 상기 제 1 데이터 및 상기 재해 형태를 입력으로 수신하여 상기 종합 위험도 지수를 산출하는 딥 뉴럴 네트워크에 해당하는, 방법.The second network corresponds to a deep neural network that receives the first data and the disaster type as inputs and calculates the comprehensive risk index.
  6. 차량 내 인터페이스를 제공하는 장치에서, In a device providing an in-vehicle interface,
    상기 장치는,The device,
    적어도 하나의 프로그램이 저장된 메모리; 및a memory in which at least one program is stored; and
    상기 적어도 하나의 프로그램을 실행함으로써 연산을 수행하는 프로세서를 포함하고,a processor that performs calculations by executing the at least one program;
    상기 프로세서는,the processor,
  7. 제 1 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.A computer-readable recording medium recording a program for executing the method of claim 1 on a computer.
PCT/KR2022/007013 2021-05-18 2022-05-17 Method and computer program product for indicating risk degree in three-dimensional modeling space of construction site WO2022245091A1 (en)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020210064397A KR102321897B1 (en) 2021-05-18 2021-05-18 Method and computer program product for representing the degree of risk in a 3d modeling space of a construction site
KR10-2021-0064397 2021-05-18
KR10-2022-0059729 2022-05-16
KR1020220059729A KR20230160106A (en) 2022-05-16 2022-05-16 Method and computer program product for representing the degree of risk in a 3d modeling space of a construction site

Publications (1)

Publication Number Publication Date
WO2022245091A1 true WO2022245091A1 (en) 2022-11-24

Family

ID=84141479

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/007013 WO2022245091A1 (en) 2021-05-18 2022-05-17 Method and computer program product for indicating risk degree in three-dimensional modeling space of construction site

Country Status (1)

Country Link
WO (1) WO2022245091A1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015114706A (en) * 2013-12-09 2015-06-22 三菱重工業株式会社 Risk calculation system and risk calculation method
KR101805713B1 (en) * 2017-07-31 2017-12-06 한국가스안전공사 Risk Analysis System using Risk Map
KR20190063000A (en) * 2017-11-29 2019-06-07 주식회사 오경컴텍 AR-Based Disater Injuries Position Display System and Method thereof
KR20200001938A (en) * 2018-06-28 2020-01-07 중앙대학교 산학협력단 Method for checking safety guideline of construction site and Server for performing the same
KR102244978B1 (en) * 2020-12-23 2021-04-28 주식회사 케이씨씨건설 Method, apparatus and computer program for training artificial intelligence model that judges danger in work site
KR102321897B1 (en) * 2021-05-18 2021-11-08 주식회사 플럭시티 Method and computer program product for representing the degree of risk in a 3d modeling space of a construction site

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015114706A (en) * 2013-12-09 2015-06-22 三菱重工業株式会社 Risk calculation system and risk calculation method
KR101805713B1 (en) * 2017-07-31 2017-12-06 한국가스안전공사 Risk Analysis System using Risk Map
KR20190063000A (en) * 2017-11-29 2019-06-07 주식회사 오경컴텍 AR-Based Disater Injuries Position Display System and Method thereof
KR20200001938A (en) * 2018-06-28 2020-01-07 중앙대학교 산학협력단 Method for checking safety guideline of construction site and Server for performing the same
KR102244978B1 (en) * 2020-12-23 2021-04-28 주식회사 케이씨씨건설 Method, apparatus and computer program for training artificial intelligence model that judges danger in work site
KR102321897B1 (en) * 2021-05-18 2021-11-08 주식회사 플럭시티 Method and computer program product for representing the degree of risk in a 3d modeling space of a construction site

Similar Documents

Publication Publication Date Title
CN108628286B (en) Machine maintenance system and method
WO2018030772A1 (en) Responsive traffic signal control method and apparatus therefor
EP3144901B1 (en) Immersive design management system
KR101810937B1 (en) System and method for respose training on virtual disaster based on scenario
KR102655865B1 (en) Method and computer program product for representing the degree of risk in a 3d modeling space of a construction site
WO2019168336A1 (en) Autonomous driving apparatus and method thereof
WO2020022639A1 (en) Deep learning-based evaluation method and apparatus
EP3637390A1 (en) Content presentation system
Chen et al. SAVES: A safety training augmented virtuality environment for construction hazard recognition and severity identification
KR101646720B1 (en) Human factors analysis and evaluation system for nuclear power plant
WO2023140476A1 (en) Method and system for evaluating performance of autonomous driving algorithm
WO2022245091A1 (en) Method and computer program product for indicating risk degree in three-dimensional modeling space of construction site
CN112669345A (en) Cloud deployment-oriented multi-target track tracking method and system
Haq et al. Many-objective reinforcement learning for online testing of dnn-enabled systems
KR20170110278A (en) Serious game system and method for correspond to disaster
Shah et al. Artificial intelligence in advancing occupational health and safety: an encapsulation of developments
CN103162984B (en) In-service bridge safety early warning method based on entropy theory
CN111739376A (en) Airport controller simulation training system
US20230177959A1 (en) Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system
Matos et al. Implementation of advanced technologies into Aeronautic integrated maintenance concept-Use of virtual reality in ground-floor training maintenance execution
CN111583567A (en) Forest fire prevention early warning method and device
WO2023027283A1 (en) Simulation system for cloud robot control development, and method therefor
CN114298671A (en) Project management method and system based on digital twinning, electronic equipment and storage medium
US11403845B2 (en) Dynamic detection of building structure
Hori et al. On multi agent simulation for estimation of human action against earthquake disasters

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: 22804945

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: 22804945

Country of ref document: EP

Kind code of ref document: A1