KR102305467B1 - Landslide distributed detecting method based on deep learning - Google Patents
Landslide distributed detecting method based on deep learning Download PDFInfo
- Publication number
- KR102305467B1 KR102305467B1 KR1020210061529A KR20210061529A KR102305467B1 KR 102305467 B1 KR102305467 B1 KR 102305467B1 KR 1020210061529 A KR1020210061529 A KR 1020210061529A KR 20210061529 A KR20210061529 A KR 20210061529A KR 102305467 B1 KR102305467 B1 KR 102305467B1
- Authority
- KR
- South Korea
- Prior art keywords
- landslide
- deep learning
- detection
- learning
- image
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 164
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 238000010191 image analysis Methods 0.000 claims description 51
- 239000006185 dispersion Substances 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 239000011435 rock Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 35
- 239000002344 surface layer Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000009434 installation Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Emergency Management (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
Description
본 발명은 딥러닝-기반 산사태 분산 감지 방법에 관한 것으로, 보다 구체적으로, 카메라 및 적외선 투광기를 사용하여 산사태 영상을 수집하여 야간 강우 환경에서도 신속하게 산사태 발생을 감지하고, 딥러닝-기반으로 감시대상을 학습하여 산사태 영상을 분석할 수 있는, 딥러닝-기반 산사태 분산 감지 방법에 관한 것이다.The present invention relates to a deep learning-based landslide dispersion detection method, and more specifically, to collect landslide images using a camera and an infrared light projector to quickly detect the occurrence of a landslide even in a nighttime rainfall environment, and to detect the occurrence of a landslide based on deep learning-based monitoring It relates to a deep learning-based landslide distributed detection method that can analyze landslide images by learning
일반적으로, 산사태는 강우, 지진 및 중력 작용으로 인해 자연사면의 흙과 암석이 한꺼번에 사면 아래로 이동하는 현상을 말하며, 이러한 산사태가 발생할 경우, 사면의 붕괴로 인해 인명피해 및 재산피해가 발생하게 된다. 특히, 국내의 경우, 지형 및 기상학적으로 국토의 대부분이 산지로 형성되어 있기 때문에 산지의 경사가 급하게 형성될 뿐만 아니라 매년 장마와 같은 집중 호우로 인해 지반의 응집력이 약화됨으로써 대규모의 인명 및 재산피해를 일으키는 산사태가 빈번하게 발생되고 있다.In general, a landslide refers to a phenomenon in which the soil and rocks of a natural slope move down the slope at once due to rainfall, earthquake, and gravitational action. . In particular, in the case of Korea, since most of the country is formed as mountainous terrain in terms of topography and meteorology, not only the slope of the mountainous area is formed rapidly, but also the cohesive force of the ground is weakened due to heavy rains such as the rainy season every year, resulting in large-scale damage to life and property. Landslides that cause
이에 따라, 각종 정부기관 등에서는 산사태를 예방하기 위해 산사태 발생 위험지역을 선정하며, 선정된 지역의 산사태 예방 공사를 실시하여 산사태 발생률을 절감시키거나 또는 산사태로 인해 발생될 수 있는 피해를 최소화하고 있다.Accordingly, various government agencies, etc. select areas at risk of landslides to prevent landslides, and reduce the incidence of landslides or minimize damage caused by landslides by carrying out landslide prevention construction in the selected areas. .
한편, 산사태 감지와 관련된 선행기술로서, 대한민국 등록특허번호 제10-814470호에는 "토석류 산사태 모니터링 시스템 및 방법"이라는 명칭의 발명이 개시되어 있는데, 도 1을 참조하여 설명한다.On the other hand, as a prior art related to landslide detection, Republic of Korea Patent Registration No. 10-814470 discloses an invention entitled "Soil flow landslide monitoring system and method", which will be described with reference to FIG. 1 .
도 1은 종래의 기술에 따른 토석류 산사태 모니터링 시스템을 나타내는 구성도이다.1 is a configuration diagram showing a debris flow landslide monitoring system according to the prior art.
도 1을 참조하면, 종래의 기술에 따른 토석류 산사태 모니터링 시스템은, 계측부(11), 메인 로거부(12), 모니터링 서버(13) 및 산사태 감시 통합 서버(14)로 이루어지고, 여기서, 계측부(11)는 토석류 감지부(11a)와 토석류 거동 관측부(11b) 및 함수비 측정부(11c)를 포함하고, 메인 로거부(12)는 강우량계(12a) 및 비 감지센서(12b)를 포함한다.1, the debris flow landslide monitoring system according to the prior art consists of a
토석류 감지부(11a)는 토석류가 발생할 것으로 예상되는 계곡부를 중심으로 소정의 간격을 두면서 횡방향으로 여러 개의 와이어가 설치되기 때문에 직접적으로 토석류의 이동 여부와 토석류에 의한 산사태의 발생 위치를 알 수 있다. 또한, 설치된 토석류 감지부(11a) 사이의 소정의 거리와 각각의 토석류 감지부(11a)에서 측정된 시간을 토대로 속도를 예측할 수 있다. 이때, 토석류 감지부(11a)는 와이어나 광원을 이용할 수 있다.Since the debris
종래의 기술에 따른 토석류 산사태 모니터링 시스템은, 계측부(11)가 토사층의 이동뿐만 아니라 토석류의 움직임 및 속도를 계측하여 산사태를 보다 신속하고 정확하게 예측 및 감지할 수 있고, 이에 따라, 사전에 산사태 발생을 미리 감지하여 피해를 최소화할 수 있다.In the debris flow landslide monitoring system according to the prior art, the
하지만, 종래의 기술에 따른 토석류 산사태 모니터링 시스템은, 토석류의 이동 여부와 토석류에 의한 산사태의 발생위치를 검출하기 위해서 와이어나 광원을 계곡부들 사이에 일일이 설치해야 하기 때문에 설치비용 및 시간이 증가하는 문제점이 있다. 또한, 토석류 감지부(11a)는 토석류가 아래로 이동하는 것만을 감지하는 것이기 때문에 지면이 침하되는 경우, 이를 인지하지 못하여 피해를 줄이지 못하게 된다. 또한, 단순히 토석류 감지부(11a)가 사면의 이동을 감지하여 산사태 여부를 발생하는 것이기 때문에 산사태 발생에 가장 큰 원인들 중 하나인 강우량 및 풍속 등과 같은 환경인자를 고려하지 않고 산사태 발생 여부를 판단함으로써 경보의 정확성이 떨어지게 된다는 문제점이 있다.However, in the debris flow landslide monitoring system according to the prior art, in order to detect whether the debris flow moves and the location of the landslide caused by the debris flow, wires or light sources must be installed one by one between the valleys, which increases the installation cost and time. There is this. In addition, since the debris
전술한 토석류 산사태 모니터링 시스템의 문제점을 해결하기 위한 선행기술로서, 대한민국 등록특허번호 제10-1149916호에는 "산사태 경보시스템"이라는 명칭의 발명이 개시되어 있는데, 도 2를 참조하여 설명한다.As a prior art for solving the problems of the above-described debris flow landslide monitoring system, Republic of Korea Patent Registration No. 10-1149916 discloses an invention called "landslide warning system", which will be described with reference to FIG. 2 .
도 2는 종래의 기술에 따른 산사태 경보시스템의 구성도이다.2 is a block diagram of a landslide warning system according to the prior art.
도 2를 참조하면, 종래의 기술에 따른 산사태 경보시스템은, 산사태 위험지역에 기설정된 촬영지점들을 주기적으로 촬영하여 영상정보를 획득하는 카메라(24a~24n); 산사태 발생에 원인이 되는 환경인자들인 강우량, 풍속 및 조도들을 각각 감지하는 강우량센서(25), 풍속센서(26) 및 조도센서(27); 연결대상들과 통신망(23)으로 연결되어 이들을 관리 및 제어하며, 카메라(24a~24n)로부터 전송받은 영상정보와 센서(25, 26, 27)로부터 전송받은 환경인자 값들을 관제서버(28)로 전송하는 컨트롤러(22); 컨트롤러(22)로부터 주기적으로 영상정보들을 전송받아 저장하며 전송받은 영상정보들과 환경인자 값들을 교차로 통합분석하여 '정상', '주의보' 및 '경보'로 이루어지는 산사태 위험단계를 검출하는 관제서버(28); 산사태 위험지역으로부터 인접한 인근지역에 설치되어 관제서버(28)로부터 경보 및 주의보 데이터를 전송받으면, 이를 인근 주민들에게 통지하는 주민관제센터(29a~29n); 연결대상들간에 데이터가 송수신되는 경로를 제공하는 통신망(23); 및 연결대상들 간에 데이터가 송수신되는 경로를 제공하는 근거리 통신망(21)으로 이루어진다.2, the landslide warning system according to the related art includes:
종래의 기술에 따른 산사태 경보시스템에 따르면, 강우량, 풍속 및 조도 등과 같은 환경지표와, 산사태 위험단계를 판단할 수 있는 판단물체들이 포함되는 촬영지점들의 촬영으로 인해 획득되는 영상정보들을 교차로 분석하여 해당 지역의 산사태 위험단계를 검출함으로써, 정확도가 우수하며, 검출 오차율이 적고, 관제센터가 '경보' 및 '주의보' 단계를 검출하면 주민관제센터로 이를 통지할 뿐만 아니라 주기적으로 해당 지역의 실시간 영상을 주민관제센터의 관리자에게 전송함으로써 산사태 발생으로 인한 인명피해 및 재산피해를 최소화할 수 있다.According to the landslide warning system according to the prior art, the image information obtained by the shooting of the shooting points including environmental indicators such as rainfall, wind speed and illuminance, and judgment objects capable of determining the landslide risk level is cross-analyzed and the corresponding By detecting the local landslide risk stage, the accuracy is excellent and the detection error rate is small. By sending it to the manager of the resident control center, it is possible to minimize the loss of life and property damage due to the occurrence of a landslide.
종래의 기술에 따른 산사태 경보시스템의 경우, 강우량 및 풍속 등과 같은 환경인자를 고려하여 산사태 발생 여부를 판단할 수 있지만, 관제서버(28)가 컨트롤러(22)로부터 주기적으로 영상정보들을 전송받아 영상정보들과 환경인자 값들을 교차로 통합분석하여 산사태 위험단계를 검출하는 방식이기 때문에 신속하게 현장에서 산사태에 대응하기 어렵다는 문제점이 있다. 또한, 초저조도 환경 등에 적용하기 어렵다는 한계점이 있고, 특히, 야간 강우 환경에서 이벤트 감지 정확도가 낮아 산사태 이벤트에 대한 오감지율이 높다는 문제점이 있다.In the case of a landslide warning system according to the prior art, it is possible to determine whether a landslide has occurred in consideration of environmental factors such as rainfall and wind speed, but the
한편, 다른 선행기술로서, 대한민국 등록특허번호 제10-1356686호에는 "산사태 경고 시스템 및 그 방법"이라는 명칭의 발명이 개시되어 있는데, 도 3a 및 도 3b를 참조하여 설명한다.On the other hand, as another prior art, Korean Patent Registration No. 10-1356686 discloses an invention entitled "Landslide warning system and its method", which will be described with reference to FIGS. 3A and 3B.
도 3a는 종래의 기술에 따른 산사태 경고 시스템의 구성도이고, 도 3b는 도 3a에 도시된 산사태 경고 시스템의 설치 예를 나타내는 도면이다.3A is a block diagram of a landslide warning system according to the related art, and FIG. 3B is a diagram illustrating an installation example of the landslide warning system shown in FIG. 3A.
도 3a를 참조하면, 종래의 기술에 따른 산사태 경고 시스템은, 인공물(30), 카메라(40) 및 제어서버(50)를 포함한다.Referring to FIG. 3A , the landslide warning system according to the related art includes an
인공물(30)은 산사태 위험 지점에 설치되며 고유 펄스신호를 송출하며, 하나 또는 복수 개로 설치될 수 있다. 이러한 인공물(30)이 복수 개인 경우, 각각의 인공물(30)은 서로 다른 지점, 예를 들면, 산 정상이나 산 중턱에 대해 설치될 수 있다.The
구체적으로, 인공물(30)은 신호 송출부(31)를 이용하여 자신의 고유 펄스신호를 송출한다. 이러한 고유 펄스신호는 인공물별로 기설정된 주기 또는 패턴을 갖는다. 예를 들면, 펄스의 On 구동 시간과 Off 구동 시간을 달리하면 인공물(30)별로 고유의 펄스신호를 구성할 수 있다. 이러한 고유 펄스신호는 고유한 주기 또는 패턴을 가지므로 주변에 있는 다른 물체에서 보내지는 간섭신호와는 손쉽게 구별될 수 있으며 인공물(30)의 위치 검출 능력을 향상시킨다. 또한, 인공물(30)은 고유 펄스신호의 송출 등에 필요한 전력을 발전부(32)를 통해 자가 생산한다. 이러한 발전부(32)는 필요한 전원을 자체적으로 확보할 수 있다.Specifically, the
카메라(40)는 산사태 위험 지점을 촬영하며, 인공물(30)로부터 송출된 고유 펄스신호를 수신하면, 촬영된 영상에 대하여 수신된 고유 펄스신호에 대응되는 화면 지점에 대해 윈도우 마스크를 적용하여 인공물에 대응되는 영상 이미지를 추출한다.The
구체적으로, 카메라(40)는 신호 수신부(41), 영상 촬영부(42), 영상 처리부(243), 저장부(44) 및 전송부(45)를 포함한다. 여기서, 신호 수신부(41)는 인공물(30)로부터 송출된 고유 펄스신호를 수신하며, 영상 촬영부(42)는 산사태 위험지점의 영상을 촬영한다. 또한, 영상 처리부(43)는 촬영된 영상에 대하여 수신된 고유 펄스신호에 대응되는 화면 지점에 대해 윈도우 마스크(Window Mask)를 적용하여 인공물(30) 부분의 영상만을 추출함에 따라 영상에 포함되는 노이즈를 제거하고, 인공물(30) 영역만을 정확히 추출할 수 있다. 이에 따라, 영상 촬영부(42)는 영상 처리부(43)에서 추출된 인공물(30)의 위치 부분을 정확하게 촬영할 수 있다.Specifically, the
이를 위해, 카메라(40)는 인공물(30) 각각에 대하여 인공물(30)의 고유 펄스신호에 대응되는 윈도우 마스크의 화면 지점을 저장부(44) 내에 기저장시키고 있으며, 저장부(44) 내에 저장되는 윈도우 마스크의 화면 지점은 인공물(30)의 초기 위치(reference position)에 대해 미리 설정된 카메라(40)의 윈도우 마스크 지점에 해당된다.To this end, the
이에 따라, 카메라(40)에 임의의 고유 펄스신호가 수신되면, 그에 대응되는 윈도우 마스크를 화면의 해당 지점에 적용하여 윈도우 마스크 부분을 집중적으로 감시한다. 이에 따라, 인공물(30) 부분을 초기 위치를 기준으로 정확하게 촬영할 수 있다.Accordingly, when an arbitrary unique pulse signal is received by the
또한, 제어부(50)는 수신부(51), 판단부(52) 및 알람부(53)를 포함하며, 인공물(30)에 대해 기촬영된 초기 이미지를 기준으로 카메라(40)로부터 추출된 영상 이미지의 변위를 분석하여 산사태의 위험 여부를 판단한다.In addition, the
종래의 기술에 따른 산사태 경고 시스템에 따르면, 산사태 우려 지역에 설치된 인공물로부터 송출된 고유펄스신호를 수신하면 산사태 위험지점의 촬영 영상에 대하여 고유 펄스신호에 대응되는 화면 지점에 대해 윈도우 마스크를 적용하여 인공물의 위치 부분을 촬영함에 따라 산사태의 위험 정보를 손쉽고 정확하게 판단할 수 있다.According to the landslide warning system according to the prior art, when a unique pulse signal transmitted from an artifact installed in an area concerned with landslide is received, a window mask is applied to the screen point corresponding to the unique pulse signal with respect to the photographed image of the landslide risk point to create an artifact. By photographing the location part of
하지만, 종래의 기술에 따른 산사태 경고 시스템의 경우, 산사태 우려 지역에 별도 설치되는 인공물(30)에 신호 송출부(31) 및 발전부(32)를 설치해야 하며, 또한, 초저조도 환경 등에 적용하기 어렵다는 한계점이 있다.However, in the case of a landslide warning system according to the prior art, the
한편, 다른 선행기술로서, 대한민국 등록특허번호 제10-1810336호에는 "산사태 예경보 서버, 산사태 예경보 방법 및 산사태 예경보 수신 방법"이라는 명칭의 발명이 개시되어 있는데, 도 4a 및 도 4b를 참조하여 설명한다.On the other hand, as another prior art, Korean Patent Registration No. 10-1810336 discloses an invention entitled "Landslide Prediction Server, Landslide Prediction Warning Method, and Landslide Prediction Warning Receiving Method", see FIGS. 4a and 4b. to explain
도 4a는 종래의 기술에 따른 산사태 예경보 시스템을 설명하기 위한 도면이고, 도 4b는 산사태 예경보 시스템에서 산사태 예경보 서버의 구성도이다.4A is a diagram for explaining a landslide prediction and warning system according to the related art, and FIG. 4B is a configuration diagram of a landslide prediction and warning server in the landslide prediction and warning system.
도 4a를 참조하면, 종래의 기술에 따른 산사태 예경보 시스템은, 산사태 예경보 서버(70), 타겟 사면(81)에 설치된 센서(82), 강우예보자료(83)를 제공하는 서버 및 산사태 예경보를 수신하는 유저 단말(84)을 포함할 수 있다. 유저 단말(84)은 피해예상 지역(85) 내에 위치할 수 있고, 여기서, 피해예상 지역(85)은 타겟 사면(81)에서 발생할 수 있는 산사태로부터 피해가 예상되는 지역을 의미한다. 유저 단말(84)은 피해예상 지역(85)과 무관하거나 피해예상 지역(85) 인근에 위치할 수도 있다.Referring to FIG. 4A , a landslide prediction and warning system according to the related art includes a
또한, 도 4a 및 도 4b를 참조하면, 종래의 기술에 따른 산사태 예경보 시스템의 경우, 산사태 예경보 서버(70)는, 산사태 발생을 모니터링하고자 하는 타겟 사면(81)의 강우예보자료를 수신하고, 타겟 사면(81)에 설치된 센서(82)에 의해 측정된 타겟 사면(81)의 기울기를 수신하는 통신부(71); 및 강우예보자료(83) 및 타겟 사면(81)의 특성에 기초하여 타겟 사면(81)의 산사태 위험도를 예보하고, 상기 산사태 위험도 및 기울기에 기초하여 타겟 사면(81)의 돌발 산사태 위험도를 경보하는 프로세서(72); 및 데이터베이스(73)를 포함하여 구성된다.In addition, referring to FIGS. 4A and 4B , in the case of a landslide prediction and warning system according to the prior art, the landslide prediction and
통신부(71)는 타겟 사면(81)의 시간별 기울기들을 주기적으로 수신하고, 또한, 프로세서(72)는 시간별 기울기들에 기초하여 타겟 사면(81)의 변위를 추정하고, 타겟 사면(81)의 변위에 기초하여 사면 위험도를 생성하고, 생성된 사면 위험도와 산사태 위험도에 각각 가중치들을 적용하여 돌발 산사태 위험도를 생성하여 경보한다.The
종래의 기술에 따른 산사태 예경보 시스템에 따르면, 산사태 발생을 모니터링하고자 하는 타겟 사면(81)의 강우예보자료(83)를 수신하고, 타겟 사면(91)에 설치된 센서(82)에 의해 측정된 타겟 사면(81)의 기울기를 수신하고, 강우예보자료(83) 및 타겟 사면(81)의 특성에 기초하여 타겟 사면(81)의 산사태 위험도를 예보하고, 산사태 위험도 및 기울기에 기초하여 타겟 사면의 돌발 산사태 위험도를 경보할 수 있다.According to the landslide prediction warning system according to the prior art, the
하지만, 종래의 기술에 따른 산사태 예경보 시스템의 경우, 타겟 사면(81)에 센서를 설치하는 접촉식 감시 시스템의 경우, 주기적인 재교정, 노이즈 데이터 필터링, 데이터 분석 교육이 필요하며, 사면붕괴 알람 통보 후 현장을 방문하여 조사해야 하는 한계점을 갖고, 또한, 초저조도 환경 등에 적용하기 어렵다는 한계점이 있다.However, in the case of a landslide prediction warning system according to the prior art, in the case of a contact monitoring system that installs a sensor on the
전술한 문제점을 해결하기 위한 본 발명이 이루고자 하는 기술적 과제는, 카메라 및 적외선 투광기를 사용하여 야간 강우 상황에도 산사태 영상을 수집하여 신속하게 산사태 발생을 감지할 수 있는, 딥러닝-기반 산사태 분산 감지 방법을 제공하기 위한 것이다.A technical problem to be achieved by the present invention for solving the above problems is a deep learning-based landslide dispersion detection method that can quickly detect the occurrence of a landslide by collecting landslide images even in a rain situation at night using a camera and an infrared projector is to provide
본 발명이 이루고자 하는 다른 기술적 과제는, 딥러닝 감시대상 학습에 따라 CNN(Convolution Neural Network) 알고리즘의 흑백 사물 인식 정확도를 고려하여 현장감시에 필요한 수준의 감지 정확도로 산사태 영상을 정확하게 분석함으로써, 산사태 이벤트의 오감지율을 최소화할 수 있는, 딥러닝-기반 산사태 분산 감지 방법을 제공하기 위한 것이다.Another technical task to be achieved by the present invention is by accurately analyzing the landslide image with the level of detection accuracy required for on-site monitoring in consideration of the black-and-white object recognition accuracy of the CNN (Convolution Neural Network) algorithm according to deep learning monitoring target learning. It is to provide a deep learning-based landslide distributed detection method that can minimize the false detection rate of
본 발명이 이루고자 하는 또 다른 기술적 과제는, 분산형 구조를 갖는 산사태 분산 감지 방법을 구현함으로써 대규모 하드웨어 자원이 필요 없이 시스템 운영비용을 절감할 수 있는, 딥러닝-기반 산사태 분산 감지 방법을 제공하기 위한 것이다.Another technical task to be achieved by the present invention is to provide a deep learning-based distributed landslide detection method that can reduce system operating costs without the need for large-scale hardware resources by implementing a distributed landslide detection method having a distributed structure. will be.
전술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명에 따른 딥러닝-기반 산사태 분산 감지 방법은, 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하여 영상을 분석하는 비접촉식 산사태 감지 방법에 있어서, a) 딥러닝-기반 산사태 분산 감지를 위한 현장설치 산사태 감지 모듈을 현장에 설치하는 단계; b) 상기 현장설치 산사태 감지 모듈에 산사태 영상분석 단말 및 게이트웨이를 연결하는 단계; c) 상기 산사태 영상분석 단말을 통해 산사태 감지대상에 대한 감시영역을 설정하는 단계; d) 상기 산사태 영상분석 단말이 산사태 감지대상에 대한 딥러닝-기반 감지대상 학습을 수행하는 단계; e) 상기 현장설치 산사태 감지 모듈의 카메라 및 적외선 투광기를 통해 산사태 감지대상에 대한 감지 영상을 수집하는 단계; 및 f) 상기 산사태 영상분석 단말이 수집된 영상으로부터 표층붕괴 또는 표층진동을 분석하는 단계를 포함하되, 상기 현장설치 산사태 감지 모듈의 적외선 투광기는 초저조도의 야간 악천후 환경에서 상기 카메라에 조명을 제공하도록 최적화된 고성능 적외선 램프이며; 상기 b) 단계의 산사태 영상분석 단말은 CNN(Convolution Neural Network) 알고리즘을 이용하여 딥러닝-기반 학습을 수행하며, 상기 산사태 영상분석 단말은 분산형으로 설치되고, 상기 CNN 알고리즘을 이용한 딥러닝-기반 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용하는 것을 특징으로 하게 된다.As a means for achieving the above-described technical problem, the deep learning-based landslide dispersion detection method according to the present invention is a non-contact landslide detection method for remotely photographing a surface collapse monitoring area for landslide detection and analyzing the image, a) Installing a field-installed landslide detection module for deep learning-based distributed detection of landslides in the field; b) connecting a landslide image analysis terminal and a gateway to the site-installed landslide detection module; c) setting a monitoring area for a landslide detection target through the landslide image analysis terminal; d) performing, by the landslide image analysis terminal, deep learning-based detection target learning for the landslide detection target; e) collecting a detection image for a landslide detection target through a camera and an infrared projector of the site-installed landslide detection module; and f) analyzing, by the landslide image analysis terminal, surface collapse or surface vibration from the collected images, wherein the infrared projector of the field-installed landslide detection module provides illumination to the camera in a bad weather environment at night with ultra-low illumination. It is an optimized high-performance infrared lamp; The landslide image analysis terminal of step b) performs deep learning-based learning using a Convolution Neural Network (CNN) algorithm, and the landslide image analysis terminal is installed in a distributed manner, and deep learning-based using the CNN algorithm It is characterized by applying an SSD (Single Shot MultiBox Detector)-based FPN (Feature Pyramid Network) algorithm to improve the rock activity detection accuracy by compensating for errors occurring in the learning process.
삭제delete
삭제delete
삭제delete
여기서, 상기 산사태 영상분석 단말은 CNN 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 산사태 감지 정확도를 확보하되, 상기 CNN 알고리즘을 이용한 딥러닝-기반 학습 시 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 추가로 제작하여 적용할 수 있다.Here, the landslide image analysis terminal uses a CNN algorithm to perform deep learning-based learning to secure landslide detection accuracy, but in the case of deep learning-based learning using the CNN algorithm, in addition to the landslide image data, for landslide events by type of surface collapse 3D simulation image can be additionally produced and applied.
본 발명에 따르면, 카메라 및 적외선 투광기를 사용하여 초저조도 야간 강우 상황에도 산사태 영상을 수집하여 신속하게 산사태 발생을 감지할 수 있다.According to the present invention, it is possible to quickly detect the occurrence of a landslide by collecting a landslide image even in an ultra-low light nighttime rainfall situation using a camera and an infrared projector.
본 발명에 따르면, 딥러닝 감시대상 학습에 따라 CNN(Convolution Neural Network) 알고리즘의 흑백 사물 인식 정확도를 고려하여 현장감시에 필요한 수준의 감지 정확도로 산사태 영상을 정확하게 분석함으로써, 산사태 이벤트의 오감지율을 최소화할 수 있다. 즉, 산사태 이벤트는 갑자기 발생하는 특징이 있어 충분한 영상 데이터가 확보되어 있지 않아 CNN 학습에 어려움이 존재하므로, 3D 시뮬레이션 영상을 제작하여 CNN 학습에 적용함으로써, 신뢰할 수 있는 이벤트 감지 정확도를 확보할 수 있다.According to the present invention, the false detection rate of landslide events is minimized by accurately analyzing the landslide image with the level of detection accuracy required for on-site monitoring in consideration of the black-and-white object recognition accuracy of the CNN (Convolution Neural Network) algorithm according to the deep learning monitoring target learning. can do. In other words, since landslide events occur suddenly, there is a difficulty in CNN learning because sufficient image data is not secured. .
본 발명에 따르면, 분산형 구조를 갖는 산사태 분산 감지 방법을 구현함으로써 대규모 하드웨어 자원이 필요 없이 운영비용을 절감할 수 있다.According to the present invention, it is possible to reduce the operating cost without the need for large-scale hardware resources by implementing the landslide distributed detection method having a distributed structure.
도 1은 종래의 기술에 따른 토석류 산사태 모니터링 시스템을 나타내는 구성도이다.
도 2는 종래의 기술에 따른 산사태 경보시스템의 구성도이다.
도 3a는 종래의 기술에 따른 산사태 경고 시스템의 구성도이고, 도 3b는 도 3a에 도시된 산사태 경고 시스템의 설치 예를 나타내는 도면이다.
도 4a는 종래의 기술에 따른 산사태 예경보 시스템을 설명하기 위한 도면이고, 도 4b는 산사태 예경보 시스템에서 산사태 예경보 서버의 구성도이다.
도 5는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 설치되는 표층붕괴 위험지점 선정 절차를 예시하는 도면이다.
도 6은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 개략적인 구성도이다.
도 8은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템에서 현장설치 산사태 감지 모듈을 예시하는 도면이다.
도 9는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템에서 현장설치 산사태 감지 모듈의 다른 예를 나타내는 도면이다.
도 10은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 동작흐름도이다.
도 11은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 게이트웨이를 예시하는 사진이다.
도 12는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 표층 붕괴 전 작동을 예시하는 도면이다.
도 13은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 표층 붕괴 후 작동을 예시하는 도면이다.
도 14는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 현장설치 산사태 감지 모듈 및 산사태 영상분석 단말이 현장에 설치된 것을 예시하는 도면이다.
도 15는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 산사태 이벤트 발생을 감지한 것을 예시하는 도면이다.
도 16은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 게이트웨이를 통해 원격 전원 스위치를 온/오프 제어하는 것을 예시하는 도면이다.
도 17a 내지 도 17c는 각각 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에 적용되는 산사태 이벤트 학습용 3D 시뮬레이션 영상을 예시하는 사진이다.
도 18은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 주간, 야간 강우 및 적외선 강우에 대한 딥러닝 학습을 예시하는 도면이다.1 is a configuration diagram showing a debris flow landslide monitoring system according to the prior art.
2 is a block diagram of a landslide warning system according to the prior art.
3A is a block diagram of a landslide warning system according to the related art, and FIG. 3B is a diagram illustrating an installation example of the landslide warning system shown in FIG. 3A.
4A is a diagram for explaining a landslide prediction and warning system according to the related art, and FIG. 4B is a configuration diagram of a landslide prediction and warning server in the landslide prediction and warning system.
5 is a diagram illustrating a procedure for selecting a surface collapsing danger point in which a deep learning-based landslide distributed detection system is installed according to an embodiment of the present invention.
6 is a diagram for explaining a deep learning-based landslide distributed detection system according to an embodiment of the present invention.
7 is a schematic configuration diagram of a deep learning-based landslide distributed detection system according to an embodiment of the present invention.
8 is a diagram illustrating a field-installed landslide detection module in a deep learning-based landslide distributed detection system according to an embodiment of the present invention.
9 is a diagram illustrating another example of a field-installed landslide detection module in a deep learning-based landslide distributed detection system according to an embodiment of the present invention.
10 is an operation flowchart of a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
11 is a photograph illustrating a gateway in a deep learning-based landslide distributed detection method according to an embodiment of the present invention.
12 is a diagram illustrating an operation before surface layer collapse of a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
13 is a diagram illustrating an operation after surface layer collapse of a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
14 is a diagram illustrating that a field-installed landslide detection module and a landslide image analysis terminal are installed in the field in a deep learning-based landslide distributed detection method according to an embodiment of the present invention.
15 is a diagram illustrating detection of the occurrence of a landslide event in a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
16 is a diagram illustrating on/off control of a remote power switch through a gateway in a deep learning-based landslide distributed detection method according to an embodiment of the present invention.
17A to 17C are photographs illustrating 3D simulation images for landslide event learning applied to the deep learning-based landslide dispersion detection method according to an embodiment of the present invention, respectively.
18 is a diagram illustrating deep learning learning for daytime and nighttime rainfall and infrared rainfall in a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily implement them. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.Throughout the specification, when a part "includes" a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated. In addition, terms such as “…unit” described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software.
이하, 도 5 내지 도 9를 참조하여 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템을 설명하고, 도 10 내지 도 18을 참조하여 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법을 설명하기로 한다.Hereinafter, a deep learning-based landslide dispersion detection system according to an embodiment of the present invention will be described with reference to FIGS. 5 to 9 , and a deep learning-based landslide dispersion according to an embodiment of the present invention with reference to FIGS. 10 to 18 . A detection method will be described.
[딥러닝-기반 산사태 분산 감지 시스템][Deep Learning-Based Landslide Distributed Detection System]
도 5는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 설치되는 표층붕괴 위험지점 선정 절차를 예시하는 도면이다.5 is a diagram illustrating a procedure for selecting a surface collapsing danger point in which a deep learning-based landslide distributed detection system is installed according to an embodiment of the present invention.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템은, 도 5에 도시된 바와 같은 절차에 따라 신속한 설치 및 운용이 가능하도록 표층붕괴 위험지점에 설치되며, 기초자료 조사, 현장조사 및 산사태 발생 가능성 판단 과정을 거쳐 딥러닝-기반 분산형 산사태 감시 시스템을 설치 및 운용하게 된다. 이때, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템은 다수의 현장설치 산사태 감지 모듈, 산사태 영상분석 단말 및 게이트웨이를 설치한다.Deep learning-based landslide distributed detection system according to an embodiment of the present invention is installed at a surface collapsing danger point to enable rapid installation and operation according to the procedure shown in FIG. 5, basic data investigation, field investigation and landslide A deep learning-based distributed landslide monitoring system will be installed and operated through the process of determining the possibility of occurrence. At this time, the deep learning-based landslide distributed detection system according to an embodiment of the present invention installs a plurality of field-installed landslide detection modules, landslide image analysis terminals and gateways.
구체적으로, 기초자료 조사는 지역별 산사태 위험등급 확인, 지도, 사진, 설계도 확인 및 과거 산사태 발생 유무 확인 등을 포함할 수 있다. 또한, 현장조사는 산사태 예상지역의 도로, 건물 확인, 비탈면 규모 확인, 지반상태 확인, 표층상태 확인, 비탈면 손상상태 확인 및 배수시설과 지하수 상태 확인 등을 포함할 수 있다. 또한, 산사태 발생 가능성 판단 및 기상청 예상강우량 확인 등을 포함할 수 있다.Specifically, the basic data investigation may include checking the risk level of landslides by region, checking maps, photos, and blueprints, and checking whether or not landslides have occurred in the past. In addition, the on-site investigation may include road and building verification in the landslide expected area, slope size verification, ground condition verification, surface layer status verification, slope damage status verification, drainage facilities and groundwater status verification, etc. In addition, it may include determining the possibility of a landslide and confirming the expected rainfall of the Korea Meteorological Administration.
한편, 도 6은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템을 설명하기 위한 도면이고, 도 7은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 개략적인 구성도이다.Meanwhile, FIG. 6 is a diagram for explaining a deep learning-based landslide dispersion detection system according to an embodiment of the present invention, and FIG. 7 is a schematic configuration diagram of a deep learning-based landslide dispersion detection system according to an embodiment of the present invention am.
도 6 및 도 7을 참조하면, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템은, 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하여 영상을 분석하는 비접촉식 산사태 감지 시스템으로서, 현장설치 산사태 감지 모듈(100), 산사태 영상분석 단말(200), 게이트웨이(300), 원격 서버(400) 및 관리자 단말(500)을 포함하며, 상기 현장설치 산사태 감지 모듈(100)은 카메라(110), 적외선 투광기(120), 지주 등을 포함한다. 도 6에서, 도면부호 610은 사면붕괴 감시영역을 나타내고, 도면부호 620은 감시 포인트를 나타내며, 도면부호 630은 적외선 투광기 투광영역을 각각 나타낸다.6 and 7, the deep learning-based landslide dispersion detection system according to an embodiment of the present invention is a non-contact type landslide detection system that analyzes an image by remotely shooting a surface collapse monitoring area for landslide detection, and is installed on-site. It includes a
현장설치 산사태 감지 모듈(100)은 카메라(110), 적외선 투광기(120) 및 지주가 모듈 형태로 설치되어 산사태 감지를 위한 현장에서 설치 및 해체가 가능하며, 상기 카메라(110)를 통해 붕괴위험 사면 표층의 주야간 영상을 제공한다. 여기서, 상기 현장설치 산사태 감지 모듈(100)의 카메라(110)는 붕괴위험 사면 표층의 주야간 영상을 제공하며, 상기 카메라(110)는 IP(Internet Protocol) 카메라일 수 있지만, 이에 국한되는 것은 아니다. 또한, 상기 현장설치 산사태 감지 모듈(100)의 적외선 투광기(120)는 초저조도인 야간 악천후 환경에서 상기 카메라(110)에 조명을 제공하는 최적화된 고성능 적외선 램프일 수 있다.The site-installed
여기서, 상기 현장설치 산사태 감지 모듈(100)은, 후술하는 바와 같이, 설치 및 해체가 용이한 현장 부품을 모듈화하여 설치되며, 예를 들면, 고강도 경량형강 지주 및 각종 부품과 모듈화된 IP 카메라, 적외선 투광기, 라우터, 허브스위치, PC 및 전원공급장치 등을 설치할 수 있고, 이에 따라, 상기 현장설치 산사태 감지 모듈(100)은 신속하게 현장에 구축할 수 있다.Here, the on-site installation
산사태 영상분석 단말(200)은 상기 현장설치 산사태 감지 모듈(100)의 지주에 설치되며, 상기 카메라(110)에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공한다. 또한, 상기 산사태 영상분석 단말(200)은 카메라(110)로부터 촬영된 영상으로부터 표층붕괴를 유형별로 감지할 수 있는 기능뿐만 아니라 표층의 진동을 감지할 수 있다. 이때, 다수의 IP 카메라(110)에서 전달되는 영상정보는 동시에 분석되면서 표층붕괴 발생 시 게이트웨이(300)에 알람 정보와 영상정보를 전송하게 된다. 이에 따라, 상기 산사태 영상분석 단말(200)은 감시영역 설정, 감시대상 학습, 표층붕괴 분석, 표층진동 분석, 이벤트 알람, 원격 연결/제어 및 원격 전원 온/오프 기능을 제공할 수 있다. 또한, 상기 산사태 영상분석 단말(200)은 CNN(Convolution Neural Network) 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 현장감시에 필요한 수준의 산사태 감지 정확도를 확보하되, 상기 CNN 학습(CNN(Convolution Neural Network) 알고리즘을 이용한 딥러닝-기반 학습)시 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 추가로 제작하여 적용할 수 있다.The landslide
또한, 상기 산사태 영상분석 단말(200)은 분산형으로 설치되고, 상기 CNN 알고리즘에 따른 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용할 수 있다.In addition, the landslide
게이트웨이(300)는 적어도 하나 이상의 산사태 영상분석 단말(200)로부터 영상정보 및 알람정보를 전송받아 전달한다. 구체적으로, 상기 게이트웨이(300)는 상기 산사태 영상분석 단말(200)로부터 알람 정보를 수신한 후, 내장된 LTE 모뎀을 이용하여 사전에 등록된 관리자 단말(500)에게 SMS 알람문자를 전송하고, 또한, 상기 영상정보는 상기 게이트웨이(300)에 내장된 미니 웹 서버에 이벤트 로그 기록과 함께 저장될 수 있다. 다시 말하면, 상기 게이트웨이(300)는 LTE 모뎀, 미니 웹 서버, 허브스위치, 라우터 등이 내장될 수 있지만, 이에 국한되는 것은 아니다.The
관리자 단말(500)은 상기 게이트웨이(300)와 통신이 가능한 유선 또는 무선 단말로서 상기 게이트웨이(300)를 통해 전달되는 SMS 알람문자를 수신하면서 상기 게이트웨이(300)의 미니 웹 서버에 접속할 수 있는 링크주소를 함께 전송받는다. 또한, 상기 관리자 단말(500)은 상기 게이트웨이(300)의 미니 웹 서버에 접속한 후, 표층붕괴 정보와 이미지를 확인할 수 있다. 또한, 필요한 경우, 상기 관리자 단말(500)은 상기 게이트웨이(300)를 통해 역으로 상기 현장설치 산사태 감지 모듈(100)의 IP 카메라(110)에 접속하여 스트리밍을 통해 현장 상황을 실시간 확인할 수도 있다.The
또한, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템이 여러 지역에 걸쳐 분산 설치되는 경우, 각각의 현장에 설치되는 상기 게이트웨이(300)의 링크주소를 통합 관리하는 원격 서버(400)로 구축될 수 있으며, 예를 들면, 상기 원격 서버(400)는 클라우드 서버 또는 개인용 서버일 수 있다. 이를 통해 원격 서버(400)가 간편하게 다수의 산사태 위험지역 현장을 관리할 수 있다. 즉, 상기 원격 서버(400)는 다수의 산사태 위험지역 현장 각각에 설치된 게이트웨이(300)와 연결되어 다수의 산사태 위험지역 현장을 관리하고, 예기치 않은 시스템의 셧다운에 대한 대응을 위해서 상기 산사태 영상분석 단말(200)과 게이트웨이(300)에 대한 원격 전원 온/오프 기능을 제공한다.In addition, when the deep learning-based distributed landslide detection system according to an embodiment of the present invention is distributed over several regions, a
한편, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 경우, 딥러닝 학습용 영상 DB를 구축하여 상기 산사태 영상분석 단말(200)에게 제공하며, 특히, 수집된 국내외 산사태 영상자료와 표층붕괴 유형, 예를 들면, 탈락, 활동, 전도, 퍼짐, 유동별로 제작된 3D 시뮬레이션 영상자료로 구성된 딥러닝 학습용 영상 DB를 구축한다.On the other hand, in the case of a deep learning-based landslide distributed detection system according to an embodiment of the present invention, an image DB for deep learning learning is built and provided to the landslide
즉, 학습용 영상 DB를 GPU 장비를 이용하여 CNN(Convolution Neural Network)에 대한 학습을 진행한 후 학습이 완료된 CNN을 상기 산사태 영상분석 단말(200)에서 사용할 수 있도록 DLL화 작업을 진행하게 되고, 이와 같이 CNN을 이용함으로써 현장감시에 필요한 수준의 산사태 감지 정확도를 확보할 수 있다.That is, after learning about the CNN (Convolution Neural Network) using the GPU equipment for the learning image DB, the learning is completed in the DLL so that the CNN can be used in the landslide
또한, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 경우, 산사태의 표층붕괴 유형 중에서 전도(Topple), 퍼짐(Spread), 유동(Flow) 감지 기능을 추가로 구현하는데 초점을 맞추고 있다. 이를 위해 딥러닝 학습에 필요한 다수의 3D 시뮬레이션 영상을 제작하여 적용한다. 이와 같이 제작된 3D 시뮬레이션 영상과 아울러 산사태 유형(전도, 퍼짐, 유동)별로 5개 정도의 실제 영상을 동영상 서비스 플랫폼으로부터 다운로드하여 딥러닝 학습 데이터로 활용할 수 있다.In addition, in the case of the deep learning-based landslide dispersion detection system according to an embodiment of the present invention, it is focused on additionally implementing the detection functions of Topple, Spread, and Flow among the types of surface collapse of landslides. have. To this end, a number of 3D simulation images necessary for deep learning learning are produced and applied. In addition to the 3D simulation image produced in this way, about 5 actual images for each type of landslide (fall, spread, flow) can be downloaded from the video service platform and used as deep learning learning data.
이와 같이 준비된 딥러닝 학습 데이터는, SSD(Single Shot Multibox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 이용하여 학습을 진행하며, 학습 데이터(탈락, 활동)도 함께 학습 시킨 신경망을 구성할 수 있다. 구체적으로, 상기 SSD-기반 FPN 알고리즘은 표층붕괴 유형간 불균등한 학습 데이터 수에 기인하는 비대칭성을 해결할 수 있는 것으로 알려져 있다. 이때, 학습도구는 TensorFlow 플랫폼을 이용하고, 이에 따라, 신경망은 탈락, 활동, 전도, 퍼짐, 유동 이벤트를 모두 감지할 수 있는 기능을 확보할 수 있다.The deep learning training data prepared in this way is trained using the SSD (Single Shot Multibox Detector)-based FPN (Feature Pyramid Network) algorithm, and it is possible to construct a neural network in which the learning data (dropouts, activities) are also learned. . Specifically, it is known that the SSD-based FPN algorithm can solve asymmetry caused by an unequal number of learning data between types of surface collapse. At this time, the learning tool uses the TensorFlow platform, and accordingly, the neural network can secure the ability to detect all dropout, activity, conduction, spread, and flow events.
또한, 상기 산사태 영상분석 단말(200)은, TensorFlow에서 학습이 완료된 신경망 파일인 모델 그래프 파일이 포함되며, TensorFlow CUDA 라이브러리와 OpenCV 라이브러리를 이용하여 영상정보에서 탈락, 활동, 전도, 퍼짐, 유동 이벤트를 분류하고 감지할 수 있다. In addition, the landslide
또한, 카메라 영상에서 이벤트를 감지하는 기술 중 현재 가장 발전된 기술은 CNN(Convolution Neural Network) 기법이며, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 경우, 산사태 이벤트를 카메라 영상으로 감지하는 비접촉식 시스템으로서, 이러한 CNN 기법의 한 종류인 SSD-기반 FPN 알고리즘을 적용한다. 이러한 CNN 이전에도 SVM(Support Vector Machine), GMM(Gaussian Mixture Model) 등 다양한 기법들이 사용되었으나, 실외 환경에서는 오감지율이 높아 적용하기 어려운 한계를 가지고 있다.In addition, among the technologies for detecting an event from a camera image, the most advanced technology currently is a Convolution Neural Network (CNN) technique. As a non-contact system, the SSD-based FPN algorithm, which is a kind of CNN technique, is applied. Various techniques such as SVM (Support Vector Machine) and GMM (Gaussian Mixture Model) have been used before such CNN, but they have a limitation in being difficult to apply in an outdoor environment due to a high false detection rate.
또한, 이러한 CNN은 지도학습이어서 학습데이터와 정확도에는 밀접한 연관이 있기 때문에, 충분한 학습데이터의 확보가 관건이다. 하지만, 산사태 이벤트는 갑자기 발생하는 특징이 있기 때문에 충분한 영상 데이터가 확보되어 있지 않아 CNN 학습에 어려움이 존재하므로, 3D 시뮬레이션 영상을 제작하여 CNN 학습에 적용하며, 신뢰할 수 있는 이벤트 감지 정확도를 확보할 수 있다.In addition, since such CNNs are supervised learning and are closely related to learning data and accuracy, securing sufficient learning data is the key. However, due to the sudden occurrence of landslide events, there are difficulties in CNN learning because sufficient image data is not secured. have.
한편, 도 8은 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈을 예시하는 도면으로서, 도 8의 a)는 현장설치 산사태 감지 모듈의 구성도이고, 도 8의 b)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 평면도이며, 도 8의 c)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 단면도이다.On the other hand, FIG. 8 is a diagram illustrating a deep learning-based field-installed landslide detection module according to an embodiment of the present invention, in which a) of FIG. 8 is a configuration diagram of a field-installed landslide detection module, and b) of FIG. It is a plan view showing the foundation of the installed landslide detection module, and FIG. 8 c) is a cross-sectional view showing the foundation of the on-site installation landslide detection module.
도 8의 a)를 참조하면, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)은, 산사태 감지를 위해 표층붕괴 감시영역을 원격 촬영하는 산사태 감지 모듈로서, 카메라(110), 적외선 투광기(120), 지주(130), 카메라 하우징(140) 및 기초부(150)를 포함하여 구성되지만, 이에 국한되는 것은 아니다.Referring to FIG. 8 a), a deep learning-based field-installed
카메라(110)는 지주(130)의 상단부에 설치되어 표층붕괴 감시영역을 촬영하며, 예를 들면, 지주(130)의 상단에 설치되는 IP 카메라일 수 있고, 구체적으로, 딥러닝-기반 산사태 감지를 위해 IP 카메라(110)를 통해 영상이 수집되는데, 예를 들면, 상기 카메라(110)를 구성하는 렌즈의 포맷 크기(format size)와 초점거리(focal length)를 각각 8㎜로 설정하고, 상기 카메라(110)를 감시대상인 사면붕괴 감시영역(610)으로부터 약 30m 정도 이격시켜 설치하면 250㎡ 정도의 면적을 1대의 카메라(110)로 감시할 수 있다. 이에 따라, 감시대상 면적이 2,000㎡인 경우는 8대의 카메라(110) 설치가 필요하다. 이때, 카메라 하우징(140)이 상기 카메라(110)의 보호 및 방수를 위해 상기 카메라(110)의 상부에 설치될 수 있다.The
적외선 투광기(120)는 상기 지주(130) 상에 설치되어 초저조도의 야간 악천후 시 상기 카메라(110)에 적외선 조명을 제공하며, 예를 들면, 야간 악천후의 초저조도 환경에서도 상기 카메라(110)가 영상을 촬영할 수 있도록 도와주는 고성능 적외선 램프로서, 이에 따라, 야간 악천후의 경우는 근적외선의 흑백영상이 산사태 영상분석 단말(200)에게 전달된다.The
지주(130)는 설치 및 해체 가능하도록 산사태 감지 현장에 설치되고, 고강도의 구조용 경량형강으로 제작되고, 상기 카메라(110)가 상단에 설치되고, 상기 적외선 투광기(120)가 상기 카메라(110)의 하부에 설치되며, 또한, 상기 지주(130)의 중앙부에 상기 산사태 영상분석 단말(200)이 장착될 수 있다. 특히, 상기 지주(130)는 현장에 장기간 방치되어야 하기 때문에 부식 등으로 인한 유지관리가 불필요하도록 방식 기능을 갖는 고강도 구조용 경량형강으로 제작되는 것이 바람직하다.The
카메라 하우징(140)은 상기 카메라(110)의 보호 및 방수를 위해 상기 카메라(110)의 상부에 설치된다.The
기초부(150)는 상기 지주(130)의 하단부에 결합되고, 상기 지주(130)의 설치 및 해체를 위해 지반에 매립되며, 예를 들면, 상기 지주(130)의 하부에 결합되어 지반에 매립되도록 설치된다. 구체적으로, 도 8의 b) 및 c)에 도시된 바와 같이, 상기 현장설치 산사태 감지 모듈의 기초부(150)는 사각박스틀(151), 볼트 머리부(152), 볼트 축부(153), 지주 하부판(154) 및 체결너트(155)를 포함할 수 있지만, 이에 국한되는 것은 아니다.The
사각박스틀(151)은 지반 상에 매립되고, 다수의 천공홀이 형성된다.The
볼트 머리부(152)는 상기 지반에 매립되도록 상기 사각박스틀(151) 하부에 배치된다. 이때, 상기 볼트 머리부(152)는 상기 사각박스틀(151) 하면은 레벨을 맞추어 설치된다.The
볼트 축부(153)는 상기 사각박스틀(151)에 형성된 다수의 천공홀을 통해 각각 상기 볼트 머리부(152)로부터 상부로 연장되도록 형성되고, 상단에 나사산이 형성된다.The
지주 하부판(154)은 상기 지주(130)의 하부에 결합되고 상기 사각박스틀(151) 내에 안착되며, 상기 다수의 볼트 축부(153) 각각이 상부로 노출될 수 있도록 천공홀이 형성된다.The post
체결너트(155)는 상기 볼트 축부(153)에 형성된 나사산에 체결된다.The
본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 상기 카메라(110)에서 촬영된 붕괴위험 사면 표층면의 주야간 영상을 전달받아 분석하고, 표층붕괴를 유형별로 감지하여 영상정보 및 알람정보를 제공하는 산사태 영상분석 단말(200)이 상기 지주(130)에 부착 설치되며, 또한, 적어도 하나 이상의 산사태 영상분석 단말(200)로부터 영상정보 및 알람정보를 전송받아 전달하는 게이트웨이(300)가 다수의 딥러닝-기반 현장설치 산사태 감지 모듈(100) 중에서 어느 하나의 지주(130)에 설치될 수 있다.In the case of the deep learning-based field-installed
구체적으로, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 카메라(110)가 상단에 설치되는 지주(130)가 지반에 매립되는 사각박스틀(151)의 중앙 내부로 결합되고, 상기 사각박스틀(151)은 천공홀이 다수 형성되어 내부에 볼트 머리부가 접하도록 세팅되며, 또한, 상기 볼트 머리부로부터 연장되는 볼트 축부가 천공홀에 삽입되어 사각박스틀(151) 내부로부터 외부로 돌출된다.Specifically, in the case of the deep learning-based field-installed
또한, 경량형강 지주(130)와 기초부(150)가 설치되면 카메라(110), 카메라 하우징(140) 및 고성능 적외선 램프인 적외선 투광기(120) 등이 고강도 구조용 경량형강인 지주(130)에 부착되며, 또한, 산사태 영상분석 단말(200) 및 게이트웨이(300)가 상기 지주(130)에 부착되도록 설치된다. 이때, 상기 지주(130), 기초부(150), 카메라 하우징(140) 등이 모듈화되어 있으므로 설치 과정에서 발생되는 불필요한 시간 소모를 최소화할 수 있다. 이에 따라, 현장 작업자는 각 구성품을 미리 마킹된 위치에 부착 및 체결만 하면 되므로 신속하게 딥러닝-기반 현장설치 산사태 감지 모듈(100)을 설치할 수 있고, 해체도 신속하게 진행할 수 있다.In addition, when the lightweight
한편, 도 9는 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈의 다른 예를 나타내는 도면으로서, 도 9의 a)는 현장설치 산사태 감지 모듈의 구성도이고, 도 9의 b)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 평면도이며, 도 9의 c)는 현장설치 산사태 감지 모듈의 기초부를 나타내는 단면도이다.On the other hand, FIG. 9 is a diagram showing another example of a deep learning-based field-installed landslide detection module according to an embodiment of the present invention. is a plan view showing the foundation of the field-installed landslide detection module, and FIG. 9 c) is a cross-sectional view showing the foundation of the field-installed landslide detection module.
도 9의 b) 및 c)에 도시된 바와 같이, 기초부(150)는, 다수의 앵커체(156), 지주 하부판(157) 및 체결너트(158)를 포함할 수 있다.As shown in b) and c) of FIG. 9 , the
다수의 앵커체(156)는 소형 스파이럴 파일이나 케미컬 앵커로 형성되며, 도 9의 c)에 도시된 바와 같이, 콘크리트 기초부 타설 없이 지지력을 발휘하도록 상기 지반에 형성되는 천공홀(h)에 삽입 고정되고, 상단에 나사산이 형성된다.A plurality of
지주 하부판(157)은 상기 지주(130)의 하부에 결합되고. 상기 다수의 앵커체(156) 각각이 상부로 노출될 수 있도록 천공홀이 형성된다.The post
체결너트(158)는 상기 다수의 앵커체(156)가 상기 지주 하부판(157)에 체결되도록 상기 다수의 앵커체(156)에 형성된 나사산에 체결된다.The
[딥러닝-기반 산사태 분산 감지 방법][Deep learning-based landslide distributed detection method]
도 10은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 동작흐름도이다.10 is an operation flowchart of a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
도 10을 참조하면, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법은, 먼저, 딥러닝-기반 산사태 분산 감지를 위한 현장설치 산사태 감지 모듈(100)을 현장에 설치한다(S110).Referring to FIG. 10 , the deep learning-based landslide dispersion detection method according to an embodiment of the present invention first installs a field-installed
다음으로, 상기 현장설치 산사태 감지 모듈(100)에 산사태 영상분석 단말(200) 및 게이트웨이(300)를 연결한다(S120). 여기서, 상기 산사태 영상분석 단말(200)은 분산형으로 설치되고, 상기 CNN 알고리즘에 따른 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용하는 것이 바람직하다.Next, the landslide
다음으로, 상기 산사태 영상분석 단말(200)을 통해 산사태 감지대상에 대한 감시영역을 설정한다(S130).Next, a monitoring area for the landslide detection target is set through the landslide image analysis terminal 200 (S130).
다음으로, 상기 산사태 영상분석 단말(200)이 산사태 감지대상에 대한 딥러닝-기반 감지대상 학습을 수행한다(S140). 이때, 딥러닝-기반 감지대상 학습은 필요에 따라 추가적인 학습이 이루어질 수 있다.Next, the landslide
다음으로, 상기 현장설치 산사태 감지 모듈(100)의 카메라(110) 및 적외선 투광기(120)를 통해 산사태 감지대상에 대한 감지 영상을 수집한다(S150).Next, a detection image for a landslide detection target is collected through the
다음으로, 상기 산사태 영상분석 단말(200)이 수집된 영상으로부터 표층붕괴 또는 표층진동을 분석한다(S160).Next, the landslide
다음으로, 산사태 이벤트 발생 시, 상기 게이트웨이(300)를 경유하여 산사태 이벤트에 대한 SMS 알람을 관리자 단말(500)에게 통지한다(S170).Next, when a landslide event occurs, an SMS alarm for the landslide event is notified to the
다음으로, 상기 산사태 분석 결과를 상기 게이트웨이(300)를 경유하여 원격 서버(400)에게 전송한다(S180). 여기서, 상기 원격 서버(400)는 다수의 산사태 현장 각각에 설치된 게이트웨이(300)와 연결되어 다수의 산사태 현장을 관리하고, 예기치 않은 시스템의 셧다운에 대한 대응을 위해서 상기 산사태 영상분석 단말(200)과 게이트웨이(300)에 대한 원격 전원 온/오프 기능을 제공할 수 있다.Next, the landslide analysis result is transmitted to the
이에 따라, 상기 현장설치 산사태 감지 모듈(100)의 적외선 투광기(120)는 초저조도의 야간 악천후 환경에서 상기 카메라(110)에 조명을 제공하도록 최적화된 고성능 적외선 램프이며; 상기 산사태 영상분석 단말(200)은 CNN(Convolution Neural Network) 알고리즘을 이용하여 딥러닝-기반 학습을 수행한다.Accordingly, the
또한, 상기 산사태 영상분석 단말(200)은 CNN 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 현장감시에 필요한 수준의 산사태 감지 정확도를 확보하되, 상기 CNN 학습 시 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 추가로 제작하여 적용할 수 있다.In addition, the landslide
이에 따라, 본 발명의 실시예에 따르면, 초저조도 야간 강우 환경에서도 현장감시에 필요한 수준의 산사태를 감시하고, 영상학습 데이터와 카메라를 이용한 진동 측정 데이터를 기준으로 산사태 발생이 판단되면, 10초 이내에 사용자에게 알람을 송신하고, 사용자의 제어 명령에 맞춰 10초 이내에 시스템이 원격 응답할 수 있다.Accordingly, according to the embodiment of the present invention, the landslide is monitored at a level required for on-site monitoring even in an ultra-low-illuminance night rain environment, and when it is determined based on the image learning data and the vibration measurement data using the camera, the occurrence of the landslide is within 10 seconds. An alarm is sent to the user, and the system can respond remotely within 10 seconds to the user's control command.
한편, 도 11은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 게이트웨이를 예시하는 사진이다.Meanwhile, FIG. 11 is a photograph illustrating a gateway in a deep learning-based landslide distributed detection method according to an embodiment of the present invention.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서, 게이트웨이(300)는 사물인터넷(IoT) 게이트웨이로 구현될 수 있고, 도 10에 도시된 바와 같이, ARM(Advanced RISC Machines Ltd.) CPU(Central Processing Unit) 모듈을 중심으로 하여 현장설치 산사태 감지 모듈(100)과의 연동 또는 시설물 제어를 위한 다양한 입출력 포트와 다양한 외부장비 등과 통신하기 위한 통신포트를 내장하고 있다. 이때, 상기 게이트웨이(300)는 사용자 또는 관리자의 조작 편이성을 위하여 LCD(Liquid Crystal Display) 및 키패드, RTC(Real Time Clock) 등을 내장할 수 있지만, 이에 국한되는 것은 아니다.In the deep learning-based landslide distributed detection method according to an embodiment of the present invention, the
이러한 게이트웨이(300)는 임베디드 리눅스 시스템을-기반으로 하여, 타이머 서비스 및 각종 디바이스들에 대한 IO 추상화 계층, 센서값을 수집하고 이에 대한 실시간 이벤트를 발생시키는 서비스 스케쥴러, 임베디드 웹서비스와 통신하여, 원격 전원 장치에 온/오프 명령을 전달하는 프로토콜 핸들러, 정기적으로 또는 이벤트가 있을 경우, 등록된 사용자에게 문자 메시지를 전송하는 역할을 담당하는 이벤트 핸들러, LCD 장치의 사용자 인터페이스(User Interface: UI)를 처리하는 UI 핸들러 등으로 구성될 수 있다.This
이러한 게이트웨이(300)는 초기 시작 시, 장치 및 네트워크를 초기화하고 자체 센서 인터페이스로부터 센서 값을 주기적 또는 실시간으로 수집한다. 또한, 상기 게이트웨이(300)는 웹 명령 인터페이스로부터 명령을 수신받아 지정된 전원 출력을 제어하며 상태 값을 웹 인터페이스에게 전달한다.Upon initial startup, the
또한, 상기 게이트웨이(300)는 상기 산사태 영상분석 단말(200)로부터 요청을 받아서 관리자 단말(500)에게 긴급 이벤트 상황을 알리는 문자 메시지를 전달하며, 요청 시의 이미지를 상기 산사태 영상분석 단말(200)로부터 읽어 와서 향후 관리자가 임베디드 웹에 접속하여 이벤트 발생 시의 이미지를 확인할 수 있다.In addition, the
한편, 도 12는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 표층 붕괴 전 작동을 예시하는 도면이다.On the other hand, Figure 12 is a diagram illustrating the operation before the surface layer collapse of the deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서, 딥러닝-기반 산사태 분산 감지 시스템이, 도 12에 도시된 바와 같이, 야간 악천후에 산사태 위험이 높은 지역에 설치될 수 있다. 또한, 표층붕괴 위험이 높은 지역은 가로등이 설치되지 않아 인공조명이 없는 경우가 대부분이며, 특히, 야간 악천후의 경우는 초저조도 환경으로서 육안으로는 수 m 전방의 물체도 식별하기 어렵게 된다. 이때, 기존의 실외용 카메라의 경우에도 적외선 램프가 내장되어 있지만, 이러한 적외선 램프는 출력이 적기 때문에 초저조도 환경하에서는 영상감시가 어려운 것이 현실이다.In the deep learning-based landslide dispersion detection method according to an embodiment of the present invention, the deep learning-based landslide dispersion detection system may be installed in an area with a high risk of landslides in bad weather at night, as shown in FIG. 12 . In addition, in areas with a high risk of surface collapse, street lights are not installed in most cases without artificial lighting. In particular, in the case of bad weather at night, it is difficult to identify objects several m ahead with the naked eye as it is an ultra-low light environment. At this time, although an infrared lamp is built-in even in the case of a conventional outdoor camera, the reality is that it is difficult to monitor an image in an ultra-low light environment because the infrared lamp has a small output.
이에 따라, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 최적화된 고성능 적외선 램프인 적외선 투광기(120)를 이용하여 야간 악천후, 초저조도 환경 하에서 산사태 영상감시 문제를 해결할 수 있다.Accordingly, in the case of the deep learning-based field-installed
구체적으로, 감시 카메라(110)의 촬영범위는 적외선 투광기(120)의 투광범위 보다 좁게 되며, 이때, 감시폭과 감시높이는 카메라(110)의 화상소자(CCD)의 크기와 초점거리에 따라 달라지게 된다. 예를 들면, 1/3인치, 8㎜ 블릿형(Bullet Type) 카메라를 8대 사용할 경우, 15~30m 감시거리에서 폭 15~60m 및 높이 50m 사면에 대한 감시가 가능하다. 이때, 사용자는 카메라 영상을 확인한 후, 감시영역을 설정하고, 위험도가 높은 지점에 추가적으로 감시 포인트를 설정할 수 있다. 여기서, 상기 감시 포인트는 적어도 하나 이상 설정할 수 있다.Specifically, the shooting range of the
도 12는 감시대상이 도로사면을 반대편에서 감시하는 예를 보여주고 있지만, 필요에 따라 붕괴가 예상되는 도로사면 측면에 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈을 설치하여 측면에서 관찰하는 형태로도 사용할 수 있다.12 shows an example in which a monitoring target monitors a road slope from the opposite side, but by installing a deep learning-based field-installed landslide detection module according to an embodiment of the present invention on the side of the road slope expected to collapse if necessary. It can also be used in the form of observation.
한편, 도 13은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 표층 붕괴 후 작동을 예시하는 도면이다.On the other hand, Figure 13 is a diagram illustrating an operation after surface layer collapse in a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
도 13에 도시된 바와 같이, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 경우, 표층붕괴가 시작되면, 상기 딥러닝-기반 현장설치 산사태 감지 모듈(100)에 연결되는 산사태 영상분석 단말(200)이 이를 감지하여 붕괴유형을 분류한 후, 상기 관리자 단말(500)에게 신속하게 SMS 알람을 통보할 수 있다.As shown in FIG. 13 , in the case of the deep learning-based landslide dispersion detection method according to the embodiment of the present invention, when the surface collapse starts, the deep learning-based landslide image connected to the field-installed
이에 따라, 상기 관리자 단말(500)은 SMS 알람 정보를 수신한 후, 표층 탈락, 활동, 전도, 퍼짐, 유동 여부를 바로 확인할 수 있다. 또한, 산사태 영상분석 단말(200)의 설정 상태에 따라 표층의 이상 진동에 대한 SMS 알람도 전송받을 수 있다. 이와 같이 표층붕괴 알람을 수신한 후에 상기 관리자 단말(500)은 현장에 설치된 게이트웨이(300)를 통해 현장의 IP 카메라(110)에 접속하여 실시간으로 현장상황을 확인할 수 있고, 또한, 여러 관계자들도 현장을 확인하면서 신속하게 대책을 수립할 수 있다.Accordingly, after receiving the SMS alarm information, the
결국, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 시스템의 경우, 야간 악천후에도 현장을 신속하게 영상으로 확인할 수 있기 때문에 상황 전파 및 사고 대응 시간을 줄일 수 있다.After all, in the case of the deep learning-based distributed landslide detection system according to an embodiment of the present invention, since the scene can be quickly confirmed with an image even in bad weather at night, it is possible to reduce situation propagation and accident response time.
한편, 도 14는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 현장설치 산사태 감지 모듈 및 산사태 영상분석 단말이 현장에 설치된 것을 예시하는 도면이다.On the other hand, FIG. 14 is a diagram illustrating that the field-installed landslide detection module and the landslide image analysis terminal are installed in the field in the deep learning-based landslide distributed detection method according to an embodiment of the present invention.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법은 도 13에 도시된 바와 같이, 표층붕괴 위험이 높은 지역에서 신속하고 저렴한 비용으로 감시 포인트를 확보해야 하며, 이에 따라, 고정식이 아닌 신속한 설치 및 해체가 가능한 이동식으로 딥러닝-기반 현장설치 산사태 감지 모듈(100)을 구현할 수 있다.As shown in FIG. 13, the deep learning-based landslide dispersion detection method according to an embodiment of the present invention must secure a monitoring point quickly and at a low cost in an area with a high risk of surface collapsing. It is possible to implement the deep learning-based field-installed
구체적으로, 전술한 바와 같이, 소형 볼트 결합이 가능한 고강도 구조용 경량형강을 사용하여 감시용 지주를 구성할 수 있고, 또한, 앵커체에 의한 고강도 구조용 경량형강을 사용하여 감시용 지주를 구성할 수 있다. 이때, 지주(130)를 형성하는 구조용 경량형강은 가볍기 때문에 인력운반이 용이하며, 또한, 기존의 크레인 사용이나 교통통제 작업 없이, 간단히 조립만으로 지주를 구성할 수 있다.Specifically, as described above, it is possible to configure a post for monitoring by using a lightweight section for high-strength structure that can be combined with small bolts, and also to configure a post for monitoring using a lightweight section for a high-strength structure by an anchor body. . At this time, since the structural lightweight steel forming the
또한, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)의 경우, 상기 지주(130)의 하부구조에 연결되는 기초부(150)는, 도 8에 도시된 바와 같이 사각박스틀과 소형 볼트 접합을 통해 연결하는 구조 이외에도, 도 9에 도시된 바와 같이, 간단한 바닥 고르기 작업을 수행한 후, 지주 하부판을 소형 스파이럴 파일이나 케미컬 앵커와 같은 앵커체를 이용하여 지반에 고정함으로써, 콘크리트 기초부 타설 없이도 충분한 지지력을 발휘할 수도 있다. 특히, 본 발명의 실시예에 따른 딥러닝-기반 현장설치 산사태 감지 모듈(100)을 경량으로 구현할 수 있으므로 지반조건이 암반이 아닌 경우 지주 설치 및 해체 시간을 단축할 수 있다.In addition, in the case of the deep learning-based field-installed
한편, 도 15는 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 산사태 이벤트 발생을 감지한 것을 예시하는 도면이다.On the other hand, Figure 15 is a diagram illustrating the detection of the occurrence of a landslide event in the deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
상기 산사태 영상분석 단말(200)은 감시영역 설정, 감시대상 학습, 표층붕괴 분석, 표층진동 분석, 이벤트 알람, 원격 연결/제어 및 원격 전원 온/오프 기능을 제공할 수 있다. 또한, 상기 산사태 영상분석 단말(200)은 CNN(Convolution Neural Network) 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 현장감시에 필요한 수준의 산사태 감지 정확도를 확보하되, 상기 CNN 학습 시 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 추가로 제작하여 적용할 수 있다.The landslide
한편, 도 16은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 게이트웨이를 통해 원격 전원 스위치를 온/오프 제어하는 것을 예시하는 도면이다.Meanwhile, FIG. 16 is a diagram illustrating on/off control of a remote power switch through a gateway in a deep learning-based landslide distributed detection method according to an embodiment of the present invention.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 경우, 도 16에 도시된 바와 같이, 예기치 않은 시스템의 셧다운에 대한 대응을 위해, 상기 산사태 영상분석 단말(200)과 게이트웨이(300)에 대한 전원 온/오프 기능을 제공한다.In the case of a deep learning-based landslide dispersion detection method according to an embodiment of the present invention, as shown in FIG. 16 , in order to respond to an unexpected system shutdown, the landslide
특히, 원격 전원 온/오프 기능은 원격 관리의 핵심기능으로서, 해당 기능이 없는 경우, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 시스템의 셧다운 시에 재부팅을 위해 현장에 관리자가 매번 방문해서 점검해야 하는 어려움이 있다. 이에 따라, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법은 관리자의 부담을 대폭 경감시킬 수 있도록 안정적인 원격 전원 온/오프 기능을 제공한다.In particular, the remote power on/off function is a key function of remote management, and if there is no corresponding function, an administrator at the site for rebooting at the time of shutdown of the system in the deep learning-based landslide distributed detection method according to an embodiment of the present invention It is difficult to visit and check each time. Accordingly, the deep learning-based landslide dispersion detection method according to an embodiment of the present invention provides a stable remote power on/off function to significantly reduce the burden on the administrator.
이때, 상기 산사태 영상분석 단말(200)의 전체 전원 온/오프는 상기 게이트웨이(300)를 통해 제어되며, 전원은 켜져 있지만, 상기 산사태 영상분석 단말(200)이 재부팅되지 않는 경우, 바이오스(Basic Input Output System: BIOS) 레벨 제어를 통해 원격으로 재부팅할 수 있다.At this time, the entire power on/off of the landslide
한편, 도 17a 내지 도 17c는 각각 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에 적용되는 산사태 이벤트 학습용 3D 시뮬레이션 영상을 예시하는 사진으로서, 도 17a는 주간 환경을 나타내고, 도 17b는 야간 강우 환경을 나타내며, 도 17c는 적외선(Infrared Ray: IR) 강우 환경을 각각 나타낸다.On the other hand, FIGS. 17A to 17C are photographs illustrating 3D simulation images for learning a landslide event applied to a deep learning-based landslide dispersion detection method according to an embodiment of the present invention, respectively, and FIG. 17A shows a daytime environment, and FIG. 17B is It shows a nighttime rainfall environment, and FIG. 17C shows an infrared (Infrared Ray: IR) rainfall environment, respectively.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서, 3D 시뮬레이션 영상을 이용한 신경망 학습은 완벽히 제어된 환경에서 시뮬레이션이 가능하고, 카메라 효과(초점 변화, 왜곡, 노이즈 등)를 간편하게 줄 수 있으며, 필요 시 센서 데이터도 시각화할 수 있고, 장면의 동적 변경(주간, 야간, 눈, 비)이 가능하고, 정답 데이터(Ground Truth Data) 생성이 가능하다는 특징을 가지고 있다. 공공시설물의 경우 중요도가 매우 높지만 재난재해 이벤트에 대한 데이터가 부족하기 때문에 딥러닝 학습이 어려운 것이 현실이다. 따라서, 이러한 어려움을 해결하기 위해 3D 시뮬레이션 영상으로 학습된 신경망을 이용하여 산사태 이벤트를 감지할 수 있다.In the deep learning-based landslide dispersion detection method according to an embodiment of the present invention, neural network learning using 3D simulation images can be simulated in a perfectly controlled environment, and camera effects (focus change, distortion, noise, etc.) can be easily given. It has the characteristics of being able to visualize sensor data if necessary, dynamically changing the scene (day, night, snow, rain), and generating ground truth data. In the case of public facilities, the importance is very high, but the reality is that deep learning learning is difficult due to the lack of data on disaster events. Therefore, in order to solve this difficulty, a landslide event can be detected using a neural network learned from a 3D simulation image.
한편, 도 18은 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서 주간, 야간 강우 및 적외선 강우에 대한 딥러닝 학습을 예시하는 도면이다.Meanwhile, FIG. 18 is a diagram illustrating deep learning learning for daytime and nighttime rainfall and infrared rainfall in a deep learning-based landslide dispersion detection method according to an embodiment of the present invention.
본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법의 경우, 기발생된 산사태 위험지역 정보를 참고로 하여 위험지역을 결정하고, 국토정보지리원의 국토정보플랫폼에서 제공하는 수치지형도(DXF 파일) 정보를 바탕으로 위험지역의 3D Surface 데이터를 생성하고, 이러한 3D Surface 데이터를 토대로 3D 지형을 생성한 후, 지형 위에 암석들을 배치한 후, 실제 암석의 활동과 유사하게 모델링 작업을 진행한다.In the case of a deep learning-based landslide dispersion detection method according to an embodiment of the present invention, a dangerous area is determined with reference to previously generated landslide risk area information, and a numerical topographic map (DXF file) provided by the land information platform of the National Geographic Information Service. ) based on the 3D surface data of the hazardous area, create a 3D topography based on the 3D surface data, place rocks on the topography, and perform modeling similar to the actual rock activity.
단지 주간 영상으로만 딥러닝 학습을 진행하면 야간환경과 강우환경의 인식률이 현저히 떨어지고, 오감지율이 증가할 수 있다. 이에 따라, 본 발명의 실시예에 따른 딥러닝-기반 산사태 분산 감지 방법에서, 도 18에 도시된 바와 같이, 주간, 야간 강우, IR(적외선) 강우 환경을 고려하여 암석 활동 영상과 스틸컷 이미지를 제작하였다.If deep learning is carried out only with daytime images, the recognition rate of night and rain environments will significantly decrease, and the false detection rate may increase. Accordingly, in the deep learning-based landslide dispersion detection method according to an embodiment of the present invention, as shown in FIG. 18 , the rock activity image and still-cut image in consideration of the daytime, nighttime rainfall, and IR (infrared) rainfall environment. produced.
결국, 본 발명의 실시예에 따르면, 야간 악천후에도 현장을 신속하게 영상으로 확인할 수 있기 때문에 상황 전파 및 사고 대응 시간을 줄일 수 있다.As a result, according to an embodiment of the present invention, since the scene can be quickly checked with an image even in bad weather at night, it is possible to reduce the time to propagate the situation and respond to an accident.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustration, and those of ordinary skill in the art to which the present invention pertains can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. For example, each component described as a single type may be implemented in a dispersed form, and likewise components described as distributed may be implemented in a combined form.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the above detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalent concepts should be interpreted as being included in the scope of the present invention. do.
100: 현장설치 산사태 감지 모듈 200: 산사태 영상분석 단말
300: 게이트웨이 400: 원격 서버
500: 관리자 단말 110: 카메라
120: 적외선 투광기 130: 지주
140: 카메라 하우징 150: 기초부
151: 사각박스틀 152: 볼트 머리부
153: 볼트 축부 154: 지주 하부판
155: 체결너트 156: 앵커체
157: 지주 하부판 158: 체결너트
610: 사면붕괴 감시영역 620: 감시 포인트
630: 적외선 투광기 투광영역100: field installation landslide detection module 200: landslide image analysis terminal
300: gateway 400: remote server
500: manager terminal 110: camera
120: infrared emitter 130: pole
140: camera housing 150: base
151: square box frame 152: bolt head
153: bolt shaft 154: post lower plate
155: fastening nut 156: anchor body
157: holding lower plate 158: fastening nut
610: slope collapse monitoring area 620: monitoring point
630: infrared emitter light transmitting area
Claims (5)
a) 딥러닝-기반 산사태 분산 감지를 위한 현장설치 산사태 감지 모듈(100)을 현장에 설치하는 단계;
b) 상기 현장설치 산사태 감지 모듈(100)에 산사태 영상분석 단말(200) 및 게이트웨이(300)를 연결하는 단계;
c) 상기 산사태 영상분석 단말(200)을 통해 산사태 감지대상에 대한 감시영역을 설정하는 단계;
d) 상기 산사태 영상분석 단말(200)이 산사태 감지대상에 대한 딥러닝-기반 감지대상 학습을 수행하는 단계;
e) 상기 현장설치 산사태 감지 모듈(100)의 카메라(110) 및 적외선 투광기(120)를 통해 산사태 감지대상에 대한 감지 영상을 수집하는 단계; 및
f) 상기 산사태 영상분석 단말(200)이 수집된 영상으로부터 표층붕괴 또는 표층진동을 분석하는 단계를 포함하되,
상기 현장설치 산사태 감지 모듈(100)의 적외선 투광기(120)는 초저조도의 야간 악천후 환경에서 상기 카메라(110)에 조명을 제공하도록 최적화된 고성능 적외선 램프이며; 상기 b) 단계의 산사태 영상분석 단말(200)은 CNN(Convolution Neural Network) 알고리즘을 이용하여 딥러닝-기반 학습을 수행하며,
상기 산사태 영상분석 단말(200)은 분산형으로 설치되고, 상기 CNN 알고리즘을 이용한 딥러닝-기반 학습과정에서 발생하는 오류를 보완하여 암석 활동 감지 정확도를 향상시키도록 SSD(Single Shot MultiBox Detector)-기반 FPN(Feature Pyramid Network) 알고리즘을 적용하는 것을 특징으로 하는 딥러닝-기반 산사태 분산 감지 방법.In the non-contact landslide detection method for analyzing an image by remotely shooting a surface collapse monitoring area for landslide detection,
a) installing a field-installed landslide detection module 100 for deep learning-based distributed detection of landslides in the field;
b) connecting the landslide image analysis terminal 200 and the gateway 300 to the site-installed landslide detection module 100;
c) setting a monitoring area for a landslide detection target through the landslide image analysis terminal 200;
d) performing, by the landslide image analysis terminal 200, deep learning-based detection target learning for a landslide detection target;
e) collecting a detection image for a landslide detection target through the camera 110 and the infrared projector 120 of the site-installed landslide detection module 100; and
f) comprising the step of analyzing the surface collapse or surface vibration from the image collected by the landslide image analysis terminal 200,
The infrared projector 120 of the field-installed landslide detection module 100 is a high-performance infrared lamp optimized to provide illumination to the camera 110 in an ultra-low illuminance nighttime bad weather environment; The landslide image analysis terminal 200 of step b) performs deep learning-based learning using a Convolution Neural Network (CNN) algorithm,
The landslide image analysis terminal 200 is installed in a distributed type, and SSD (Single Shot MultiBox Detector)-based to improve rock activity detection accuracy by compensating for errors occurring in the deep learning-based learning process using the CNN algorithm A deep learning-based landslide dispersion detection method characterized by applying a Feature Pyramid Network (FPN) algorithm.
상기 산사태 영상분석 단말(200)은 CNN 알고리즘을 이용하여 딥러닝-기반 학습을 수행하여 산사태 감지 정확도를 확보하되, 상기 CNN 알고리즘을 이용한 딥러닝-기반 학습 시 산사태 영상자료 이외에 산사태 이벤트에 대해 표층붕괴 유형별로 3D 시뮬레이션 영상을 추가로 제작하여 적용하는 것을 특징으로 하는 딥러닝-기반 산사태 분산 감지 방법.According to claim 1,
The landslide image analysis terminal 200 performs deep learning-based learning using a CNN algorithm to secure landslide detection accuracy, but surface collapse for landslide events in addition to landslide image data during deep learning-based learning using the CNN algorithm A deep learning-based landslide dispersion detection method characterized by additionally producing and applying 3D simulation images for each type.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210061529A KR102305467B1 (en) | 2021-05-12 | 2021-05-12 | Landslide distributed detecting method based on deep learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210061529A KR102305467B1 (en) | 2021-05-12 | 2021-05-12 | Landslide distributed detecting method based on deep learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102305467B1 true KR102305467B1 (en) | 2021-09-30 |
Family
ID=77920510
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210061529A KR102305467B1 (en) | 2021-05-12 | 2021-05-12 | Landslide distributed detecting method based on deep learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102305467B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504032A (en) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | Landslide hazard monitoring and early warning method and system based on live-action three-dimension |
| CN117765689A (en) * | 2024-02-22 | 2024-03-26 | 山东光合云谷大数据有限公司 | geological disaster monitoring and early warning system |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100814470B1 (en) | 2007-08-10 | 2008-03-17 | (주)바이텍코리아 | System and method for monitoring debris flow landslides |
| KR101130791B1 (en) * | 2011-10-07 | 2012-03-28 | 주식회사 자연에너지 | A system for monitoring condition of the lay of the land |
| KR101149916B1 (en) | 2011-08-16 | 2012-05-30 | (주)인펙비전 | Warning system of landslide |
| KR101356686B1 (en) | 2012-07-24 | 2014-02-03 | 숭실대학교산학협력단 | System for landslide warning and method thereof |
| KR20150136380A (en) * | 2014-05-27 | 2015-12-07 | (주)희송지오텍 | waterfront Structure Integrating management system based on GIS(Geographical Information System) |
| KR101810336B1 (en) | 2016-11-11 | 2017-12-18 | 서울대학교산학협력단 | Server and method for landslide forecast and alarm, method for receiving landslide forecast and alarm |
| KR20180137238A (en) * | 2017-06-16 | 2018-12-27 | 한국철도기술연구원 | Method and device for estimate slip surface of slope using variation of ground inclination and ground acceleration |
| KR102139987B1 (en) | 2019-11-02 | 2020-07-31 | 씨티씨 주식회사 | Slope monitoring method using vibration synthesized image |
| KR102140606B1 (en) | 2019-11-02 | 2020-08-03 | 씨티씨 주식회사 | Image based steep slope monitoring method using virtual area |
| KR20210014988A (en) * | 2019-07-31 | 2021-02-10 | (주)유디피 | Image analysis system and method for remote monitoring |
-
2021
- 2021-05-12 KR KR1020210061529A patent/KR102305467B1/en active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100814470B1 (en) | 2007-08-10 | 2008-03-17 | (주)바이텍코리아 | System and method for monitoring debris flow landslides |
| KR101149916B1 (en) | 2011-08-16 | 2012-05-30 | (주)인펙비전 | Warning system of landslide |
| KR101130791B1 (en) * | 2011-10-07 | 2012-03-28 | 주식회사 자연에너지 | A system for monitoring condition of the lay of the land |
| KR101356686B1 (en) | 2012-07-24 | 2014-02-03 | 숭실대학교산학협력단 | System for landslide warning and method thereof |
| KR20150136380A (en) * | 2014-05-27 | 2015-12-07 | (주)희송지오텍 | waterfront Structure Integrating management system based on GIS(Geographical Information System) |
| KR101810336B1 (en) | 2016-11-11 | 2017-12-18 | 서울대학교산학협력단 | Server and method for landslide forecast and alarm, method for receiving landslide forecast and alarm |
| KR20180137238A (en) * | 2017-06-16 | 2018-12-27 | 한국철도기술연구원 | Method and device for estimate slip surface of slope using variation of ground inclination and ground acceleration |
| KR20210014988A (en) * | 2019-07-31 | 2021-02-10 | (주)유디피 | Image analysis system and method for remote monitoring |
| KR102139987B1 (en) | 2019-11-02 | 2020-07-31 | 씨티씨 주식회사 | Slope monitoring method using vibration synthesized image |
| KR102140606B1 (en) | 2019-11-02 | 2020-08-03 | 씨티씨 주식회사 | Image based steep slope monitoring method using virtual area |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116504032A (en) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | Landslide hazard monitoring and early warning method and system based on live-action three-dimension |
| CN116504032B (en) * | 2023-06-28 | 2023-09-22 | 湖南科技大学 | Landslide hazard monitoring and early warning method and system based on live-action three-dimension |
| CN117765689A (en) * | 2024-02-22 | 2024-03-26 | 山东光合云谷大数据有限公司 | geological disaster monitoring and early warning system |
| CN117765689B (en) * | 2024-02-22 | 2024-05-10 | 山东光合云谷大数据有限公司 | Geological disaster monitoring and early warning system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102305468B1 (en) | Landslide distributed detection system based on deep learning | |
| KR102305467B1 (en) | Landslide distributed detecting method based on deep learning | |
| KR101788104B1 (en) | System and method for real-time early warning for extreme rainfall-induced landslides | |
| CN205665842U (en) | Optical fiber sensing slope monitoring early warning system | |
| Aziz et al. | Managing disaster with wireless sensor networks | |
| US20160342145A1 (en) | Methods and systems for infrastructure performance: monitoring, control, operations, analysis and adaptive learning | |
| JP2002269656A (en) | River information provision system | |
| KR101149916B1 (en) | Warning system of landslide | |
| CN106023530A (en) | Heavy rain type diluted debris flow monitoring, forecast and early warning device and method | |
| KR20070028813A (en) | Method and system for monitoring forest fire | |
| KR20170033103A (en) | System for monitoring flooding of road and its method | |
| CN107525558A (en) | Ponding on-line monitoring system and its monitoring method under a kind of bridge based on cloud platform | |
| KR101391388B1 (en) | A limit device of vehicle passage and system for monitoring disaster | |
| KR102305464B1 (en) | Landslide detecting module of field erection based on deep learning | |
| KR101063922B1 (en) | Target position acquisition and survellance system | |
| TW202227802A (en) | Sensor-network-based analysis and/or prediction method for a protection and remote monitoring sensor device | |
| KR101130791B1 (en) | A system for monitoring condition of the lay of the land | |
| KR20160038596A (en) | Preparing method for the risk arising from the road or underground | |
| CN116311770A (en) | House safety early warning system, method and terminal based on Internet of things edge computing gateway | |
| CN114743351A (en) | Dangerous rock mass group instability early warning monitoring system | |
| CN102121999A (en) | Contactless falling rock detection method using photo sensors | |
| Kapoor et al. | Real time monitoring & alert system for landslide | |
| KR102143039B1 (en) | Remote monitoring and control apparatus for the type of multi-path | |
| Das et al. | Landslides detection in prone hilly areas using Raspberry Pi | |
| CN116343528A (en) | Bridge ship collision alarm sensing equipment and safety monitoring application platform comprising same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |