KR102213204B1 - 인공 신경망을 이용하여, gis 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치 - Google Patents

Abstract

인공 신경망을 이용하여 GIS(geographic information system) 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하되, 상기 적어도 하나의 동작은, GIS 서버로부터 다수의 지역들에 대한 공간 정보를 수신하는 동작; 상기 공간 정보를 기초로 소방 시설에 대한 소방 공간 정보를 생성하는 동작; 및 상기 소방 공간 정보를 이용하여 상기 지역들 중 화재 취약 지역을 결정하는 동작을 포함할 수 있다.

Description

인공 신경망을 이용하여, GIS 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치{METHOD AND APPARATUS FOR MANAGING FIREFIGHTING FACILITIES AND PREVENTING FIRES BASED ON GIS USING ARTIFICIAL NEURAL NETWORKS}

본 발명은 소방 시설 관리와 화재 예방 기술에 관한 것으로, 더욱 상세하게는 GIS 기반으로 소방 시설들을 등록하여 관리하고, 인공 신경망을 이용하여 소방 시설들의 동작을 분석함으로써 화재를 예방하는 방법 및 장치에 관한 것이다.

지리 정보 시스템(GIS, geographic information system)은 지리적으로 참조 가능한 모든 형태의 정보를 효과적으로 수집, 저장, 갱신, 조정, 분석, 표현할 수 있도록 설계된 컴퓨터상의 하드웨어와 소프트웨어, 지리적 자료 등을 의미한다.

지리 정보 시스템은, 공간적인 위치를 표현하는 지형 정보와 그 지형 정보와 대응하는 특성을 나타내는 속성 정보를 연계함으로써, 통합된 정보를 저장, 추출, 관리, 분석하여 사용자를 지원할 수 있다.

지리 정보 시스템은 토지 정보나 시가지에 대한 정보를 다루는데 주로 활용되고 있으나, 점차 그 활용범위가 확대되는 추세에 있다. 예를 들어, 홍수나 침수 발생과 관련된 위험 지도를 GIS에 기초하여 구축하는 연구가 진행되고 있다.

한편, 소방시설은 화재를 감지하고 경고하여 사람들을 보호하거나 대피시키고, 화재 초기 단계에서 즉시 소화활동을 할 수 있는 기계, 기구, 및 시스템 등이다. 소방시설은, 화재 위험성이 높은 곳에 가깝게 배치되고, 취급 기간의 경과 등으로 오작동이 발생하는 것을 미연에 방지하여 화재 경보 효과를 항상 긴장되게 유지할 필요가 있다.

그러나 소방 시설들은 실질적인 노동력이 투입되어 현장 점검 인원에 의해 점검되고 관리되는 것이 일반적인데, 하나의 건물 내에서도 매우 많은 수의 소방 장치들이 설치되기 때문에 소수의 현장 점검 인원이 모든 소방 시설들을 점검하기는 어려움이 많은 실정이다. 또한, 소방 시설이 동작하고 있더라도 화재 발생 여부를 정확하게 감지하지 못하거나, 소방 시설들 중 일부에 문제가 발생하여, 소방 시설들 상호간 화재 발생 여부를 다르게 경보하는 경우 적절한 대처 방안을 찾기 어려운 문제가 있다.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 인공 신경망을 이용하여, GIS 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치를 제공하는 데 있다.

상기 목적을 달성하기 위한 본 발명의 일 측면은, 인공 신경망(artificial neural network)을 이용하여 GIS(geographic information system) 기반의 소방 시설을 관리하고 화재를 예방하는 장치를 제공한다.

상기 인공 신경망을 이용하여 GIS(geographic information system) 기반의 소방 시설을 관리하고 화재를 예방하는 장치는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함할 수 있다.

상기 적어도 하나의 동작은, GIS 서버로부터 다수의 지역들에 대한 공간 정보를 수신하는 동작; 상기 공간 정보를 기초로 소방 시설에 대한 소방 공간 정보를 생성하는 동작; 및 상기 소방 공간 정보를 이용하여 상기 지역들 중 화재 취약 지역을 결정하는 동작을 포함할 수 있다.

상기 공간 정보는, 상기 다수의 지역들에 대한 지형 정보 및 상기 지형 정보의 특정 위치와 매핑되는 속성 정보를 포함하되, 상기 속성 정보는 도로망 정보와 건물 정보를 포함할 수 있다.

상기 소방 공간 정보를 생성하는 동작은, 상기 공간 정보에 상기 소방 시설에 관한 정보를 결합하여 상기 소방 공간 정보를 생성할 수 있다.

상기 소방 시설에 관한 정보는, 상기 소방 시설의 종류, 가용기한, 점검시기, 상기 지형 정보와 대응하는 위치좌표, 고유식별기호, 및 상태 정보를 포함할 수 있다.

상기 소방 공간 정보는, 상기 지역들 각각에서 소방서의 위치, 상기 소방서에서 운용하는 소방차의 실시간 이동 상태, 및 옥외에 배치된 소화용수설비 중 적어도 하나를 포함할 수 있다.

상기 화재 취약 지역을 결정하는 동작은, 상기 도로망 정보를 이용하여 상기 소방차가 진입 가능한 제1 도로 영역을 결정하고, 상기 제1 도로 영역 내에서 상기 소방서의 위치와 가장 인접한 위치에 상기 소방서를 배치하고, 상기 소방서에서 미리 설정된 시간 내에 접근 가능한 제2 도로 영역을 결정하고, 상기 제2 도로 영역에 기초하여 상기 화재 취약 지역을 결정할 수 있다.

상기 적어도 하나의 동작은, 두개 이상의 소방 시설들의 상태 정보들을 결합하고, 결합된 상태 정보를 인공 신경망에 입력하고, 상기 인공 신경망의 출력에 기초하여 건물 내 화재 발생 가능성을 미리 예측하는 동작을 더 포함할 수 있다.

상기와 같은 본 발명에 따른 인공 신경망을 이용하여, GIS 기반의 소방 시설을 관리하고 화재를 예방하는 방법 및 장치를 이용할 경우에는 GIS 기반의 공간 정보를 이용하여 소방 시설을 관리하기 때문에 소방 시설의 배치 현황과 동작 상태를 실시간으로 파악할 수 있다.

또한, 공간 정보를 통해 건물 내에 배치된 소방 시설의 동작 상태를 실시간으로 모니터링하면서 소방 시설들의 동작을 인공 신경망을 이용해 학습하고, 학습된 동작 상태를 기반으로 화재 발생 여부를 예측함으로써 종래의 소방 시설들에서 빈번하게 발생하는 동작 오류 문제를 해소할 수 있다.

도 1은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여, GIS 기반의 소방 시설을 관리하고 화재를 예방하는 방법을 설명하기 위한 개요도이다.
도 2는 일 실시예에 따른 화재 취약 지역을 결정하는 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 소방 시설의 동작 상태를 모니터링하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 소방 시설의 상태 정보를 이용하여 화재 발생 가능성을 예측하는 방법을 설명하기 위한 개념도이다.
도 5는 본 발명의 일 실시예에 따른 제2 인공 신경망의 구조를 설명하기 위한 개념도이다.
도 6은 일 실시예에 다른 소방 관리 서버의 하드웨어 구성을 예시적으로 나타낸 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 인공 신경망을 이용하여, GIS 기반의 소방 시설을 관리하고 화재를 예방하는 방법을 설명하기 위한 개요도이다.

도 1을 참조하면, 인공 신경망을 이용하여, GIS(geographic information system) 기반의 소방 시설을 관리하고 화재를 예방하는 방법은, GIS 서버(200)와 연동하여 소방 시설에 대한 소방 공간 정보를 생성하고, 생성된 소방 공간 정보를 이용하여 소방 시설을 관리하고 화재를 예방하는 소방 관리 서버(100)에 의해 수행될 수 있다.

GIS 서버(200)는, 다수의 지역들에 대한 공간 정보를 데이터베이스화하여 저장할 수 있다. 예를 들어, GIS 서버(200)는 다수의 지역들에 대한 지형 정보 및 지형 정보의 특정 위치와 매핑되는 속성 정보를 포함하는 공간 정보를 저장할 수 있다. 예를 들어, 속성 정보는, 도로망 정보 및 건물 정보를 포함할 수 있다. 예를 들어, 도로망 정보는, 도로의 폭, 도로의 허용 높이, 도로 별 혼잡구간, 도로 별 혼잡시간, 도로 별 통행량 등을 포함하고, 건물 정보는, 건물 내 각층의 평면도, 건물의 높이, 건물의 용도(소방서, 사무용, 상업용 등) 등을 포함할 수 있다.

예를 들어, GIS 서버(200)는, 정부 또는 공공기관 등에서 미리 구축하여 운영하고 있는 지리정보시스템(GIS) 관제 센터 내에 배치되어 외부로부터의 접속이 허용된 서버 등이거나 각종 사설 기관이나 기업 등에서 운영하고 있는 지리정보시스템의 운영 서버 또는 그 데이터베이스일 수 있다.

소방 관리 서버(100)는, GIS 서버(200)로부터 공간 정보를 수신하고, 수신된 공간 정보에 각 지역들에 배치된 소방 시설에 관한 정보를 결합하여 소방 공간 정보를 생성할 수 있다. 소방 관리 서버(100)는, 소방 공간 정보를 내부 저장소 또는 별도의 분산 데이터베이스에 저장하고, 저장된 소방 공간 정보를 GIS 서버(200)로부터 실시간으로 수신된 공간 정보를 이용하여 갱신할 수 있다.

예를 들어, 소방 관리 서버(100)는 공간 정보에 포함된 지형 정보를 디스플레이할 수 있고, 소방 관리 서버(100)의 관리자는 지형 정보의 특정 위치들에 소방 시설에 관한 정보를 입력할 수 있다. 더욱 상세하게, 소방 관리 서버(100)의 관리자는 지형 정보에 포함된 건물 내부의 각층 평면도 상에 소방 시설에 관한 정보를 입력할 수도 있다. 다른 예시로, 소방 관리 서버(100)는, 지역 별 각 건물 내에 배치된 소방 시설에 대한 정보는, 건물 마다 설치된 건물 운용 서버로부터 수신받을 수도 있다.

소방 시설에 관한 정보는, 소방 시설의 종류, 가용기한, 점검시기, 배치위치(예를 들어, 지형정보와 대응하는 위치좌표), 고유식별기호, 상태 정보 등을 포함할 수 있다. 상태 정보는 소방 시설의 실시간 현재 상태를 지시하는 정보로서, 정상, 이상, 경보, 꺼짐 등일 수 있다. 소방 시설의 종류는, 소화 설비, 경보 설비, 피난구조 설비, 소화용수 설비, 소화활동 설비, CCTV 등을 포함할 수 있다.

소화 설비는, 물 또는 그 밖의 소화약재를 사용하여 소화하는 기계, 기구 또는 설비로서, 소화기구, 자동소화장치, 옥내소화전설비, 스프링클러설비, 옥외소화전설비 등을 포함할 수 있다.

경보 설비는, 화재의 발생 사실을 통보하는 기계, 기구 또는 설비로서, 비상벨이나 자동식사이렌설비 등과 같은 비상 경보 설비, 가스 누설 감지기, 누전 감지기, 자동 화재 탐지 설비(열 감지기, 연기 감지기, 불꽃 감지기 등), 자동 화재 속보 설비, 비상 방송 설비, 온도 센서 등을 포함할 수 있다.

피난 구조 설비는, 화재가 발생할 경우 피난하기 위하여 사용하는 기구 또는 설비로서, 피난기구, 인명구조기구, 유도등, 비상조명등 등을 포함할 수 있다.

소화용수 설비는, 화재를 진압하는데 필요한 물을 공급하거나 저장하는 설비로서, 상수도소화용수설비, 소화수조, 저수조 등을 포함할 수 있다.

소화활동 설비는, 화재를 진압하거나 인명구조활동을 위해 사용하는 설비로서, 제연설비, 연결송수관설비, 연결살수설비, 비상콘센트설비, 무선통신보조설비, 연소방지설비 등을 포함할 수 있다.

소방 관리 서버(100)는, 생성된 소방 공간 정보를 기반으로 각 지역 별 화재 취약 지역을 결정하고, 결정된 화재 취약 지역을 소방 관리 단말(300)에 제공할 수 있다. 본 발명의 일 실시예에서 화재 취약 지역은 소방차가 신속하게 접근하여 화재를 진압하기 어렵거나 주변 소방 설비를 이용하는데 제약이 있는 지역으로 정의될 수 있다.

또한, 소방 관리 서버(100)는, 각 건물 내 소방 시설들의 동작 상태를 실시간으로 감지하고, 감지된 소방 시설들의 동작 상태를 포함하는 소방 공간 정보를 소방 관리 단말(300)에 전송할 수 있다. 소방 관리 단말(300)은 소방 관리 서버(100)로부터 수신된 동작 상태를 기초로 각 지역과 건물들에 배치된 소방 시설의 동작 상태를 실시간으로 모니터링할 수 있다.

소방 관리 서버(100)는, 두개 이상의 소방 시설들의 상태 정보들을 유기적으로 결합하며, 결합된 상태 정보를 인공 신경망(Neural network)에 입력하고, 인공 신경망의 출력에 기초하여 건물 내 화재가 발생할지 여부를 미리 예측하고, 건물 내 화재가 발생할 것으로 예측된 경우, 건물 화재 경고를 소방 관리 단말(300)에 전송할 수 있다.

소방 관리 단말(300)의 예를 들면, 통신 가능한 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 노트북(notebook), 스마트폰(smart phone), 태블릿 PC(tablet PC), 모바일폰(mobile phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 네비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player), PDA(Personal Digital Assistant) 등일 수 있다.

따라서, 본 발명의 일 실시예에 따른 소방 관리 서버(100)는, GIS 서버(200)로부터 수신된 공간 정보에 소방 시설에 관한 정보를 결합시켜 소방 공간 정보를 생성 및 구축함으로써, 소방 시설을 관리하기 위한 통합 공간 정보로 활용함과 동시에 인공 신경망을 이용해 화재가 발생하기 전에 미리 화재 발생 가능성을 예측하여 소방 관리 단말(300)에 경고함으로써 화재에 대한 초동 대처를 신속하게 진행할 수 있는 장점을 가진다.

도 2는 일 실시예에 따른 화재 취약 지역을 결정하는 방법을 설명하기 위한 도면이다.

도 2를 참조하면, 소방 관리 서버(100)에서 생성된 소방 공간 정보는, 각 지역 내에 소방서(119)의 위치, 소방서(119)에서 운용하는 소방차(118)의 실시간 이동 상태, 옥외에 배치된 소화용수설비(117) 등을 포함할 수 있다.

따라서, 소방 관리 단말(300)은, 소방 관리 서버(100)로부터 수신한 소방 공간 정보를 이용하여 소방서(119)의 위치, 소방차(118)의 실시간 이동 상태, 옥외에 배치된 소화용수설비(117)의 상태 등을 실시간으로 모니터링할 수 있다.

또한, 소방 관리 서버(100)는, 소방 공간 정보를 이용하여 화재 취약 지역(DAREA)을 결정하고, 결정된 화재 취약 지역(DAREA)을 소방 공간 정보에 결합하여 소방 관리 단말(300)에 전송할 수 있다. 소방 관리 단말(300)은 소방 관리 정보를 통해 화재 취약 지역(DAREA)을 실시간으로 확인할 수 있고, 화재 취약 지역(DAREA)을 보완하기 위한 추가 대처가 용이하도록 지원할 수 있다.

화재 취약 지역(DAREA)을 결정하기 위해 소방 관리 서버(100)는, 소방 공간 정보에 포함된 도로망 정보를 이용하여 소방차가 진입 가능한 제1 도로 영역을 결정할 수 있다. 예를 들어, 소방 관리 서버(100)는, 도로망 정보에 포함된 도로의 폭과 도로의 허용 높이를 현재 운용하고 있는 소방차의 폭과 높이와 비교함으로써, 제1 도로 영역을 결정할 수 있다.

소방 관리 서버(100)는, 결정된 제1 도로 영역 내에서 소방서(119)와 가장 인접한 위치에 소방서(119)를 배치하고, 제1 도로 영역 내에 배치된 소방서(119)에서 미리 설정된 시간 내에 접근 가능한 제2 도로 영역을 결정할 수 있다. 예를 들어, 화재 발생 시점을 기준으로 5 내지 10분을 경과하는 경우, 건물 화재는 대규모 화재로 확대되는 경향성이 높은 점을 고려하여, 미리 설정된 시간은 5분 내지 10분 중에서 선택된 값으로 결정될 수 있다. 이때, 소방 관리 서버(100)는, 도로 정보로부터 제1 도로 영역내에 위치한 도로의 통행량, 혼잡구간 등을 획득하고, 획득된 통행량, 혼잡구간 등에 따라 제2 도로 영역을 결정할 수 있다.

예를 들어, 소방 관리 서버(100)는, 아래의 수학식 1에 기초하여 제2 도로 영역을 결정할 수 있다.

즉, 소방 관리 서버(100)는, 미리 설정된 시간 t와 소방서(119)를 출발점으로 하는 제1 도로 영역 내 구간들 중에서 혼잡 구간, 혼잡 구간을 제외한 나머지 구간 중 일부구간, 혼잡구간과 일부구간에서의 통행량 사이의 관계가 위 수학식 1을 만족하는 경우, 해당하는 혼잡 구간과 일부구간으로 제2 도로 영역을 결정할 수 있다. 위 수학식 1에서 k는 비례상수이고, v1은 혼잡 구간 중에 평균 속력이고, v0는 통상적인 구간의 평균 속력이며, v1은 v0보다 작으며, v1과 v0은 미리 설정될 수 있다.

소방 관리 서버(100)는, 결정된 제2 도로 영역으로부터의 직선 거리(l), 인구 밀도(p), 건물밀집도(b), 화재발생율(f)을 이용하여 지역 내 각 위치에서의 화재 위험도를 아래의 수학식 2와 같이 산출할 수 있다.

상기 수학식 2를 참조하면, w1 내지 w4는 미리 설정된 각 요인들 별 가중치값들이고, 소방 관리 서버(100)는, 직선 거리(l), 인구 밀도(p), 건물밀집도(b), 화재발생율(f)의 가중 평균값을 화재 위험도로 산출할 수 있다.

소방 관리 서버(100)는, 산출된 화재 위험도가 미리 설정된 임계값을 초과하는 위치들을 화재 취약 지역(DAREA)로 결정할 수 있다. 위 수학식 2에 따른 화재 위험도 이외에도 소방 관리 서버(100)는, 공간 정보에 포함된 건물의 자재, 건물의 용도(예를 들어 위험물을 취급하는지 여부) 등에 따라 화재 취약 지역(DRAEA)을 추가로 결정할 수도 있다.

소방 관리 서버(100)는, 결정된 화재 취약 지역(DAREA)을 소방 공간 정보에 추가하여 소방 관리 단말(300)에 전송할 수 있고, 소방 관리 단말(300)은, 화재 취약 지역(DAREA)을 지형 정보와 중첩된 공간 정보로서 관리자에게 디스플레이할 수 있다. 이때, 소방 관리 단말(300)은, 화재 취약 지역(DAREA)의 색상을 앞서 산출된 화재 위험도의 크기에 따라 달리하여 디스플레이함으로써 화재 위험 정도를 관리자가 쉽게 파악할 수 있게 표시할 수도 있다.

도 3은 본 발명의 일 실시예에 따른 소방 시설의 동작 상태를 모니터링하는 방법을 설명하기 위한 도면이다.

도 3을 참조하면, 소방 관리 서버(100)는, 관리자의 입력 또는 외부의 건물 내 운영 서버로부터 건물 내 각 층(floor)에 설치된 소방 시설들의 상태 정보를 수신할 수 있다.

예를 들어, 도 3에서와 같이 소방 관리 서버(100)는, 소방 공간 정보에 건물 내 각 층에 설치된 소방 시설들을 배치시키고, 배치된 소방 시설들 각각에 대한 상태 정보를 소방 공간 정보에 추가할 수 있다.

여기서 상태 정보는, 정상, 이상, 경보, 및 꺼짐 중 적어도 하나 일 수 있으나 이에 한정되는 것은 아니다. 예를 들어, 소방 시설이 온도 센서인 경우, 측정된 온도 센싱값을 포함할 수 있고, 소방 시설이 각 층에 설치된 CCTV인 경우, CCTV를 통해 촬영된 실시간 영상을 포함할 수 있다.

따라서, 소방 관리 서버(100)는, CCTV를 통해 건물 내 각층의 실시간 영상을 수신 및 모니터링할 수 있으며, 그 밖의 다른 소방 시설들의 상태 정보를 모니터링하여 화재 경보 여부를 즉시 파악할 수 있다.

한편, 소방 관리 서버(100)는, CCTV에서 촬영된 실시간 영상을 제1 인공 신경망(10')을 통해 분석함으로써, 화재 발생 가능성을 수치화한 출력값을 획득할 수 있다.

예를 들어, 제1 인공 신경망(10')은 도 5를 참조하여 설명하는 제2 인공 신경망(10)에서 컨볼루셔널 계층(11), 활성화 계층(12), 및 풀링 계층(13)만을 포함하는 컨볼루셔널 뉴럴 네트워크(Convolutional neural network)일 수 있으며, 풀링 계층(13)의 출력을 제1 인공 신경망(10')의 출력값으로 출력할 수 있다. 즉, 풀링 계층(13)은 활성화 함수를 이용하여 입력값을 특정 범위(예를 들어 0과 1)의 값으로 수치화하여 출력하기 때문에, 풀링 계층(13)의 출력을 이용할 경우, 화재 발생 가능성을 수치화한 출력값을 얻을 수 있다.

제1 인공 신경망(10')은 다양한 화재 현장 이미지들을 미리 지도학습(supervised learning)될 수 있으며, CCTV에서 촬영된 실시간 영상을 입력받고 화재 발생 여부를 수치화하여 출력값으로서 출력할 수 있다.

즉, 제1 인공 신경망(10')은 화재 발생 여부를 즉각적으로 판단하기 보다는 화재 발생 가능성을 수치화한 값을 출력값으로 출력함으로써 후술하는 2개 이상의 소방 시설들의 상태 정보를 종합하여 화재 발생을 예측하는 데 활용된다.

도 4는 일 실시예에 따른 소방 시설의 상태 정보를 이용하여 화재 발생 가능성을 예측하는 방법을 설명하기 위한 개념도이다.

도 4를 참조하면, 소방 관리 서버(100)는, 건물 내 각 층과 대응하는 소방 공간 정보를 미리 설정된 크기를 갖는 격자형 존(Gridzone)들로 구획할 수 있다. 이때, 소방 관리 서버(100)는, 격자형 존(Gridzone) 하나에 하나의 경보 설비(또는 CCTV)가 배치되도록 소방 공간 정보를 구획할 수 있다.

또한, 소방 관리 서버(100)는, 구획된 격자형 존(Gridzone) 각각과 대응하는 성분값들을 갖는 적어도 두개의 행렬(mat1, mat2)을 생성할 수 있다. 즉, 소방 관리 서버(100)는, 격자형 존들 중 적어도 일부에 배치된 소방 시설들 중에서 소방 시설의 종류가 화재 발생 가능성을 판단하는 지표가 될 수 있는 경보 설비나 CCTV의 상태 정보를 격자형 존과 대응하는 성분값으로 갖는 적어도 두개의 행렬(mat1, mat2)을 생성할 수 있다.

이때, 적어도 두개의 행렬(mat1, mat2)은 경보 설비 또는 CCTV와 1:1로 대응하고, 성분값이 상태 정보에 의해 결정되도록 생성될 수 있다. 예를 들어, 소방 관리 서버(100)는, CCTV의 상태 정보를 격자형 존(GridZone)에 대응시켜 제1 행렬(mat1)을 생성할 수 있고, 경보 설비 중 하나인 열 감지기의 상태 정보를 격자형 존(GridZone)에 대응시켜 제2 행렬(mat2)을 생성할 수 있다.

도 4를 참조하면, 소방 관리 서버(100)는, CCTV의 상태 정보인 실시간 영상을 제1 인공 신경망(10')에 입력하여 얻어지는 출력값을 성분값으로 갖는 제1 행렬(mat1) 및 열 감지기의 상태 정보로서 정상, 이상, 경보, 및 꺼짐 중 하나를 수치화한 값(예를 들어, 8비트에 대응하는 값인 255를 4개의 단계로 분할하여 수치화할 수 있음)을 성분값으로 갖는 제2 행렬(mat2)을 생성할 수 있다.

특히, CCTV와 대응하는 제1 행렬(mat1)의 경우 상태 정보인 실시간 영상을 그대로 성분값으로 갖는 것이 아니라, 실시간 영상을 제1 인공 신경망(10')에 입력하여 얻어지는 출력값을 성분값으로 갖도록 구성됨으로써 CCTV의 화재 발생 유무를 수치화하여 행렬로 구성할 수 있다.

소방 관리 서버(100)는, 생성된 적어도 두개의 행렬(mat1, mat2)의 성분값들 중에서 경보 설비 또는 CCTV의 상태 정보와 대응하지 않는 나머지 성분값들을 패딩값을 이용하여 패딩(padding)처리할 수 있다. 즉, 소방 관리 서버(100)는 나머지 성분값들을 패딩값으로 채움으로써 모든 성분값들을 갖는 적어도 두개의 행렬(mat1, mat2)을 생성할 수 있다. 이때, 패딩값은 1일 수 있으나, 이에 한정되는 것은 아니다.

소방 관리 서버(100)는 적어도 두개의 행렬(mat1, mat2) 각각의 성분값을 표준화할 수 있다. 예를 들어, 소방 관리 서버(100)는, 제1 행렬(mat1)의 성분값들의 평균과 표준편차를 산출하고, 산출된 평균을 성분값들에서 차분한 후 표준편차로 나눔으로써 제1 행렬(mat1)의 성분값을 표준화할 수 있다.

소방 관리 서버(100)는, 표준화된 성분값을 갖는 적어도 두개의 행렬(mat1, mat2)들을 서로 행렬내적(dot product)시켜 최종 행렬을 생성할 수 있다.

이때, 소방 관리 서버(100)가 화재 발생 가능성을 예측하는데 사용하는 제2 인공 신경망(10)은 CNN(convolutional neural network)일 수 있다. CNN은 인공 신경망을 이용한 AI 분야에서 가장 많은 연구가 진행되고 있어 높은 성능을 가지며, 이미지를 입력값으로 수신하고, 수신된 이미지를 두개 이상의 클래스(class)로 분류하고 가장 높은 값을 갖는 클래스를 출력값으로 출력할 수 있다. 본 발명의 일 실시예에서 클래스(class)는 화재 발생 가능성을 지시하는 복수의 단계(예를 들어, 아주 높음, 높음, 보통, 낮음, 아주 낮음)를 의미할 수 있다.

소방 관리 서버(100)는, 최종 행렬을 이미지로 변환하고, 변환된 이미지를 제2 인공 신경망(10)에 입력하고, 제2 인공 신경망(10)의 출력으로 화재 발생 가능성을 지시하는 출력값을 획득할 수 있다.

이때, 최종 행렬을 이미지로 변환하기 위해 소방 관리 서버(100)는, 최종 행렬을 구성하는 성분값들 각각을 화소값과 대응시켜 최종 행렬을 격자 모양의 이미지로 변환할 수 있다. 이때, 성분값과 대응하는 화소값을 결정하기 위하여, 소방 관리 서버(100)는, 표준화된 성분값의 범위(예를들어 0과 1사이)를 화소값의 범위(예를 들어 8비트화소인 경우 0 내지 255 사이)와 균등한 간격으로 대응시킬 수 있다.

제2 인공 신경망(10)은, 상술한 복수의 단계로 입력된 이미지를 분류할 수 있도록 각 단계별 소방 설비 또는 CCTV의 상태 정보를 이용해 최종 행렬을 생성하고, 생성된 최종 행렬을 이미지로 변환하여 각 단계별 이미지를 학습 이미지로 지도 학습될 수 있다.

상술한 것처럼, 본 발명의 일 실시예에 따른 소방 관리 서버(100)는, CCTV와 경보 설비들의 상태 정보를 기초로 제2 인공 신경망(10)을 이용하여 화재 발생 가능성을 예측하기 때문에 특정 경보 설비의 경보에 의존하는 종래의 화재 경보 수준에서 벗어나 화재 발생 가능성을 조기에 예측하고 대처할 수 있다. 특히, 다수의 경보 설비들의 상태 정보를 종합하여 최종 행렬을 구성하기 때문에 특정 경보 설비의 오작동이나 꺼짐 등의 상태가 있더라도 그러한 경보 설비들의 종합적인 동작들을 모두 고려하여 화재 발생 가능성을 예측하므로 예측 신뢰도가 높은 장점을 가진다.

도 5는 본 발명의 일 실시예에 따른 제2 인공 신경망의 구조를 설명하기 위한 개념도이다.

도 5를 참조하면, 본 발명의 일 실시예에 따른 제2 인공 신경망(neural network, 10)은, 미리 설정된 크기의 이미지(최종 행렬을 변환한 이미지)를 입력 이미지로 입력받아, 특징 맵을 추출하는 컨볼루셔널 계층(11), 추출된 특징에 대해 활성화 함수를 이용해 출력을 활성화할지 여부를 결정하는 활성화 계층(12), 활성화 계층(12)에 따른 출력에 대해 샘플링을 수행하는 풀링 계층(13), 클래스에 따른 분류를 수행하는 완전 연결 계층(14), 완전 연결 계층(14)에 따른 출력을 최종적으로 출력하는 출력 계층(15)을 포함할 수 있다.

컨볼루셔널 계층(11)은 입력 영상과 필터를 서로 합성곱함으로써 입력 데이터의 특징을 추출하는 계층일 수 있다. 여기서 필터는 입력 영상의 특징적 부분을 검출하는 함수로서, 일반적으로 행렬로 표현되며 학습 데이터에 의해 지속적으로 학습됨에 따라 결정되는 함수일 수 있다. 컨볼루셔널 계층(11)에 의해 추출된 특징은 특징 맵(feature map)으로 지칭될 수도 있다. 또한, 합성곱을 수행하는 간격 값을 스트라이드(stride)라고 지칭할 수 있는데, 스트라이드 값에 따라 다른 크기의 특징 맵이 추출될 수 있다. 이때, 특징 맵은 필터의 크기가 입력 영상보다 작으면, 기존의 입력 영상보다 더 작은 크기를 갖게 되는데, 여러 단계를 거쳐 특징이 소실되는 것을 방지하기 위하여 패딩 과정이 추가로 수행될 수 있다. 이때, 패딩 과정은 생성된 특징 맵의 외곽에 미리 설정된 값(예를 들면 0이나 1)을 추가함으로써 입력 영상의 크기와 특징 맵의 크기를 동일하게 유지하는 과정일 수 있다.

여기서 본 발명의 일 실시예에 따른 컨볼루셔널 계층(11)은, 1×1 컨볼루셔널 계층과 3×3 컨볼루셔널 계층을 순차로 반복 연결한 구조를 사용할 수 있다.

활성화 계층(12)는 어떠한 값(또는 행렬)으로 추출된 특징을 활성화 함수에 따라 비선형 값으로 바꾸어 활성화 여부를 결정하는 계층으로, 활성화 함수로는 시그모이드(sigmoid) 함수, ReLU 함수, 소프트맥스(softmax) 함수 등이 사용될 수 있다. 예를 들어, 소프트맥스 함수는 입력된 값을 0~1사이의 값으로 모두 정규화하며 출력 값들의 총합은 항상 1이 되는 특성을 가진 함수일 수 있다.

풀링 계층(130)은 활성화 계층(12)의 출력에 대하여 서브 샘플링(subsampling) 또는 풀링(pooling)을 수행하여 특징맵을 대표하는 특징을 선정하는 계층으로서, 특징맵의 일정 영역에 대하여 가장 큰 값을 추출하는 맥스 풀링(max pooling), 평균값을 추출하는 애버리지 풀링(average pooling) 등이 수행될 수 있다. 이때, 풀링 계층은 활성화 함수 이후에 반드시 수행되는 것이 아니라 선택적으로 수행될 수 있다.

또한, 여기서 제2 인공 신경망(10)은, 컨볼루셔널 계층(11), 활성화 계층(12), 풀링 계층(13)의 연결 구조가 복수개 포함될 수도 있다.

도 6은 일 실시예에 다른 소방 관리 서버의 하드웨어 구성을 예시적으로 나타낸 도면이다.

도 6을 참조하면, 소방 관리 서버(100)는, 적어도 하나의 프로세서(110); 및 상기 적어도 하나의 프로세서(110)가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory, 120)를 포함할 수 있다.

소방 관리 서버(100)은, GIS 기반의 소방 시설을 관리하고 화재를 예방하는 장치로도 지칭될 수 있다.

상기 적어도 하나의 동작은 도 1 내지 도 5를 참조하여 설명한 소방 관리 서버(100)의 동작들 중 적어도 일부를 포함할 수 있다.

여기서 적어도 하나의 프로세서(110)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.

메모리(120)는 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(120)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 저장 장치(160)는, HDD(hard disk drive), SSD(solid state drive) 등일 수 있다.

또한, 소방 관리 서버(100)는, 무선 네트워크를 통해 통신을 수행하는 송수신 장치(transceiver)(130)를 포함할 수 있다. 또한, 소방 관리 서버(100)는 입력 인터페이스 장치(140), 출력 인터페이스 장치(150), 저장 장치(160) 등을 더 포함할 수 있다. 소방 관리 서버(100)에 포함된 각각의 구성 요소들은 버스(bus, 170)에 의해 연결되어 서로 통신을 수행할 수 있다.

본 발명에 따른 방법들은 다양한 컴퓨터 수단을 통해 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위해 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.

컴퓨터 판독 가능 매체의 예에는 롬(ROM), 램(RAM), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함될 수 있다. 프로그램 명령의 예에는 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 적어도 하나의 소프트웨어 모듈로 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

또한, 상술한 방법 또는 장치는 그 구성이나 기능의 전부 또는 일부가 결합되어 구현되거나, 분리되어 구현될 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 소방 관리 서버 200: GIS 서버
300: 소방 관리 단말 10: 제1 인공 신경망
10': 제2 인공 신경망 11: 컨볼루셔널 계층
12: 활성화 계층 13: 풀링 계층
14: 완전연결 계층 15: 출력 계층

Claims (5)

1. 인공 신경망(artificial neural network)을 이용하여 GIS(geographic information system) 기반의 소방 시설을 관리하고 화재를 예방하는 장치로서,
   적어도 하나의 프로세서(processor); 및
   상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고,
   상기 적어도 하나의 동작은,
   GIS 서버로부터 다수의 지역들에 대한 공간 정보를 수신하는 동작;
   상기 공간 정보를 기초로 소방 시설에 대한 소방 공간 정보를 생성하는 동작;
   상기 소방 공간 정보를 이용하여 상기 지역들 중 화재 취약 지역을 결정하는 동작; 및
   두개 이상의 소방 시설들의 상태 정보들을 결합하고, 결합된 상태 정보를 CNN(convolutional neural network) 기반의 인공 신경망에 입력하고, 상기 인공 신경망의 출력에 기초하여 건물 내 화재 발생 가능성을 미리 예측하는 동작을 포함하고,
   상기 공간 정보는, 상기 다수의 지역들에 대한 지형 정보 및 상기 지형 정보의 특정 위치와 매핑되는 속성 정보를 포함하되, 상기 속성 정보는 도로망 정보와 건물 정보를 포함하고,
   상기 건물 내 화재 발생 가능을 미리 예측하는 동작은,
   상기 건물 내 각 층과 대응하는 상기 소방 공간 정보를 미리 설정된 크기를 갖는 격자형 존들(grid zones)로 구획하는 동작;
   상기 격자형 존들 중 적어도 일부에 배치된 소방 시설들 각각과 대응하는 적어도 두개의 행렬들을 생성하는 동작;
   상기 적어도 두개의 행렬들을 서로 행렬내적(dot product)하여 최종 행렬을 생성하는 동작;
   상기 최종 행렬을 구성하는 성분값들 각각을 화소값과 대응시켜 상기 최종 행렬을 격자 모양의 이미지로 변환하는 동작; 및
   상기 격자 모양의 이미지를 상기 인공 신경망에 입력하여 상기 건물 내 화재 발생 가능성을 미리 예측하는 동작을 포함하고,
   상기 적어도 두개의 행렬들 각각의 성분값들 중 적어도 일부는, 상기 격자형 존들 중 적어도 일부에 배치된 상기 소방 시설들 각각의 상태 정보와 대응하고,
   상기 적어도 두개의 행렬들을 생성하는 동작은,
   상기 적어도 두개의 행렬들 각각의 성분값들 중 상기 상태 정보와 대응하지 않는 나머지 성분값들을 미리 설정된 패딩 값을 이용하여 패딩(padding) 처리하는 동작을 포함하는, 장치.
2. 청구항 1에서,
   상기 소방 공간 정보를 생성하는 동작은,
   상기 공간 정보에 상기 소방 시설에 관한 정보를 결합하여 상기 소방 공간 정보를 생성하되,
   상기 소방 시설에 관한 정보는,
   상기 소방 시설의 종류, 가용기한, 점검시기, 상기 지형 정보와 대응하는 위치좌표, 고유식별기호, 및 상태 정보를 포함하는, 장치.
3. 청구항 1에서,
   상기 소방 공간 정보는,
   상기 지역들 각각에서 소방서의 위치, 상기 소방서에서 운용하는 소방차의 실시간 이동 상태, 및 옥외에 배치된 소화용수설비 중 적어도 하나를 포함하는, 장치.
4. ◈청구항 4은(는) 설정등록료 납부시 포기되었습니다.◈

   청구항 3에서,
   상기 화재 취약 지역을 결정하는 동작은,
   상기 도로망 정보를 이용하여 상기 소방차가 진입 가능한 제1 도로 영역을 결정하고, 상기 제1 도로 영역 내에서 상기 소방서의 위치와 가장 인접한 제1 위치를 기준으로 미리 설정된 시간 내에 접근 가능한 제2 도로 영역을 결정하고, 상기 제2 도로 영역에 기초하여 상기 화재 취약 지역을 결정하는, 장치.
5. 삭제

Images