KR102642431B1 - Method and device for detecting and responding to collisions in autonomous mobile robots based on driving parameters - Google Patents
Method and device for detecting and responding to collisions in autonomous mobile robots based on driving parameters Download PDFInfo
- Publication number
- KR102642431B1 KR102642431B1 KR1020220140496A KR20220140496A KR102642431B1 KR 102642431 B1 KR102642431 B1 KR 102642431B1 KR 1020220140496 A KR1020220140496 A KR 1020220140496A KR 20220140496 A KR20220140496 A KR 20220140496A KR 102642431 B1 KR102642431 B1 KR 102642431B1
- Authority
- KR
- South Korea
- Prior art keywords
- accident
- causality
- information
- safety accident
- safety
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001364 causal effect Effects 0.000 claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 238000012800 visualization Methods 0.000 claims abstract description 33
- 238000013136 deep learning model Methods 0.000 claims abstract description 27
- 239000002243 precursor Substances 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 230000009194 climbing Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007790 scraping Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002604 ultrasonography Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/338—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명의 일 실시예에 따르는, 서버에 의해 수행되는, 사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법은, a) 안전사고 관련 기 수집된 사례 정보 별로 기 구축된 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출하고 각 개체들 간 인과성을 파악하는 단계; b) 기 설정된 사고유형에 따라 추출된 개체들을 분류하고 파악된 인과성에 기초하여 분류된 각 개체들을 연결한 사고유형 별 인과관계망을 생성하는 단계; c) 상기 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 사용자 단말로 제공하는 단계; 및 d) 상기 사용자 단말의 특정 사고유형에 대한 조회 요청에 따라 전체 인과관계망에서 상기 특정 사고유형의 인과관계망만을 분리하여 상기 안전사고 분석맵에 표시하는 단계를 포함하되, 상기 사례 정보는 안전사고 사례를 설명하는 텍스트를 포함하며, 상기 개체는 단어 또는 단어의 집합으로 이루어지는 것이다.According to an embodiment of the present invention, a method of providing a case analysis-based safety accident causality visualization service performed by a server includes: a) inputting each previously collected case information related to safety accidents into a previously built deep learning model to perform an action or Extracting entities representing the situation and identifying causality between each entity; b) classifying the extracted entities according to preset accident types and creating a causal network for each accident type connecting each classified entity based on the identified causality; c) providing a safety accident analysis map including a causal network for each accident type to the user terminal; and d) a step of separating only the causal network of the specific accident type from the entire causal network and displaying it on the safety accident analysis map in accordance with the user terminal's request to inquire about the specific accident type, wherein the case information is a safety accident case. It includes text describing the object, and the object is made up of a word or a set of words.
Description
본 발명은 딥러닝 기반 사례 분석을 통한 안전사고 인과관계망 제공 방법 및 장치에 관한 것이다.The present invention relates to a method and device for providing a safety accident causal network through deep learning-based case analysis.
종래에는 항만 등의 산업 현장에서, 현장 관리자나 작업자들은 안전사고에 대비하거나 그 원인을 알아내기 위하여 방대한 양의 자료들을 직접 찾아보아야 했다.Previously, at industrial sites such as ports, site managers and workers had to directly search through vast amounts of data to prepare for safety accidents or find out their causes.
그러나 안전사고에 대한 자료들은 일반적으로 사례집, 교육자료, 판결문, 뉴스 등의 형태로 존재하기 때문에 가시성에 제한이 있어 많은 시간과 노력이 요구될 수 밖에 없으며, 그에 따라 안전사고에 신속하게 대처하기 어려운 상황이 자주 발생하곤 하였다.However, since data on safety accidents generally exist in the form of casebooks, educational materials, rulings, news, etc., visibility is limited and a lot of time and effort is inevitably required, making it difficult to respond quickly to safety accidents. The situation used to happen often.
한편, 최근에는 비정형의 문서자료로부터 정규화된 정보를 뽑아내는 자연어처리 기술(Information Extraction, IE)이 등장하였다. 해당 기술은 크게 개체명 인식(NER)과 관계 추출(relation extraction)로 구성되며, 이러한 기술은 사용자가 보다 쉽고 빠르게 정보를 파악하는 데 도움을 주고 있다.Meanwhile, natural language processing technology (Information Extraction, IE), which extracts normalized information from unstructured document data, has recently emerged. The technology largely consists of entity name recognition (NER) and relationship extraction, and these technologies help users understand information more easily and quickly.
위와 같은 고도한 기술이 안전관리 분야에도 도입되고 있으나, 대부분의 서비스는 서술형의 안전사고 자료들을 단지 주요 의미들로 분류하여 제공하는 데 그치고 있다. 즉, 방대한 자료를 종합적으로 분석하여 각 종 사고 유형 별로 인과 관계를 정리하여 주는 프로그램까지는 도달하고 있지 못하는 실정이다.Although the above advanced technologies are being introduced in the safety management field, most services only provide descriptive safety accident data by categorizing them into major meanings. In other words, it is not possible to reach a program that comprehensively analyzes massive amounts of data and organizes causal relationships for each type of accident.
또한, 안전사고 분석 분야에서 분석 결과를 시각적으로 제공하려는 여러 시도들이 진행되었으나, 통계적인 그래프로 제공하거나 모든 분석 결과가 표시되는 맵 형태로만 구현되고 있어 사용자가 실질적으로 필요한 정보를 얻기 위해서는 여전히 많은 시간과 노력이 동반된다는 문제점이 존재한다.In addition, several attempts have been made to provide analysis results visually in the field of safety accident analysis, but they are only implemented in the form of statistical graphs or maps that display all analysis results, so it still takes a lot of time for users to obtain the information they actually need. There is a problem that it involves a lot of effort.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 딥러닝 분석을 통해 방대한 안전사고 관련 사례 속 인과관계를 추출하여 이를 관계망 형태로 시각적으로 구축함으로써, 효율적인 안전사고 모니터링 서비스를 작업 관리자 또는 일반 사용자에게 제공하는 것을 그 목적으로 한다.The present invention is intended to solve the problems of the prior art described above. By extracting causal relationships from a vast number of safety accident-related cases through deep learning analysis and visually constructing them in the form of a relationship network, an efficient safety accident monitoring service can be provided to task managers or general users. The purpose is to provide it to users.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.However, the technical challenges that this embodiment aims to achieve are not limited to the technical challenges described above, and other technical challenges may exist.
본 발명의 일 실시예에 따르는, 서버에 의해 수행되는, 사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법은, a) 안전사고 관련 기 수집된 사례 정보 별로 기 구축된 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출하고 각 개체들 간 인과성을 파악하는 단계; b) 기 설정된 사고유형에 따라 추출된 개체들을 분류하고 파악된 인과성에 기초하여 분류된 각 개체들을 연결한 사고유형 별 인과관계망을 생성하는 단계; c) 상기 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 사용자 단말로 제공하는 단계; 및 d) 상기 사용자 단말의 특정 사고유형에 대한 조회 요청에 따라 전체 인과관계망에서 상기 특정 사고유형의 인과관계망만을 분리하여 상기 안전사고 분석맵에 표시하는 단계를 포함하되, 상기 사례 정보는 안전사고 사례를 설명하는 텍스트를 포함하며, 상기 개체는 단어 또는 단어의 집합으로 이루어지는 것이다.According to an embodiment of the present invention, a method of providing a case analysis-based safety accident causality visualization service performed by a server includes: a) inputting each previously collected case information related to safety accidents into a previously built deep learning model to perform an action or Extracting entities representing the situation and identifying causality between each entity; b) classifying the extracted entities according to preset accident types and creating a causal network for each accident type connecting each classified entity based on the identified causality; c) providing a safety accident analysis map including a causal network for each accident type to the user terminal; and d) a step of separating only the causal network of the specific accident type from the entire causal network and displaying it on the safety accident analysis map in accordance with the user terminal's request to inquire about the specific accident type, wherein the case information is a safety accident case. It includes text describing the object, and the object is made up of a word or a set of words.
본 발명의 일 실시예에 따르면, 상기 a)단계는, 각 사례 정보 별로 비정형 정보를 추출하고 추출된 비정형 정보에 자연어 처리를 수행하여 적어도 하나의 개체 쌍을 포함하는 문장을 추출하는 단계; 및 추출된 문장들 간 유사도를 산출하고 산출된 유사도에 기초하여 상기 각 개체들 간 인과성을 파악하는 단계를 포함하되, 상기 개체 쌍은 하나의 문장에서 원인과 결과를 이루는 개체의 조합이다.According to one embodiment of the present invention, step a) includes extracting unstructured information for each case information and performing natural language processing on the extracted unstructured information to extract a sentence including at least one entity pair; and calculating the similarity between the extracted sentences and determining causality between the entities based on the calculated similarity, wherein the entity pair is a combination of entities forming a cause and effect in one sentence.
본 발명의 일 실시예에 따르면, 상기 b)단계는, 상기 분류된 개체 마다 하나의 노드로 구성하고 파악된 인과성에 따라 각 노드를 연결하여 2차원 맵 형태의 인과관계망을 생성하는 단계를 포함한다.According to one embodiment of the present invention, step b) includes creating a causal network in the form of a two-dimensional map by configuring one node for each classified entity and connecting each node according to the identified causality. .
본 발명의 일 실시예에 따르면, 상기 b)단계는, 파악된 인과성에 따라 연결되어 있는 하나의 노드에서 다른 노드로 전이하는 전이확률을 산출하고, 산출된 전이확률에 기초하여 서로 다른 노드 간 연결 상태를 표시하는 연결선 마다 시각적 효과를 달리 부여하는 단계를 포함한다.According to an embodiment of the present invention, step b) calculates the transition probability of transitioning from one node connected to another node according to the identified causality, and connects different nodes based on the calculated transition probability. It includes the step of giving different visual effects to each connection line indicating the status.
본 발명의 일 실시예에 따르면, 상기 a)단계는, 상기 사례 정보 별로 기상상황, 사고장소, 사고발생시기, 작업유형 중 적어도 하나의 카테고리에 대한 서지 정보를 추출하고, 카테고리 별 서지 정보를 기준으로 상기 행위 또는 상황을 나타내는 개체들을 분류하는 단계를 포함한다.According to an embodiment of the present invention, in step a), bibliographic information for at least one category of weather situation, accident location, accident occurrence time, and work type is extracted for each case information, and bibliographic information for each category is used as the basis. It includes the step of classifying entities representing the action or situation.
본 발명의 일 실시예에 따르면, 상기 c)단계는, 상기 서지 정보를 상기 카테고리 별로 군집하여 맵핑한 2차원 서지 정보맵을 제1레이어로 설정하고 상기 사고유형 별 인과관계망을 제2레이어로 설정하는 단계; 및 상기 제1레이어와 상기 제2레이어를 다른 층에 배치하여 3차원 모델의 안전사고 분석맵을 생성하는 단계를 포함한다.According to an embodiment of the present invention, in step c), a two-dimensional bibliographic information map that clusters and maps the bibliographic information by category is set as the first layer, and the causal network for each accident type is set as the second layer. steps; and generating a safety accident analysis map of the 3D model by placing the first layer and the second layer on different layers.
본 발명의 일 실시예에 따르면, 상기 d)단계는, 상기 사용자 단말이 상기 제1레이어를 통해 적어도 하나의 카테고리에 대한 서지 정보를 선택하는 경우, 선택된 서지 정보로 분류된 개체들을 파악하고 파악된 개체들을 포함하는 인과관계망만을 추출하여 상기 제2레이어에 표시하는 단계를 포함한다.According to one embodiment of the present invention, in step d), when the user terminal selects bibliographic information for at least one category through the first layer, entities classified into the selected bibliographic information are identified and identified. It includes extracting only causal networks including entities and displaying them on the second layer.
본 발명의 일 실시예에 따르면, 상기 d)단계는, 상기 사용자 단말에 의해 복수의 카테고리에 대한 서지 정보가 선택되는 경우, 상기 복수의 카테고리에 대한 서지 정보로 분류된 개체들 중 교집합을 이루는 개체가 파악되는 것이며, 상기 복수의 카테고리에 대한 서지 정보와 상기 교집합을 이루는 개체 사이를 연결한 연결선을 상기 안전사고 분석맵에 추가로 표시하는 단계를 포함한다.According to an embodiment of the present invention, in step d), when bibliographic information for a plurality of categories is selected by the user terminal, an object forming an intersection among the objects classified by bibliographic information for the plurality of categories is identified, and includes the step of additionally displaying a connection line connecting the bibliographic information for the plurality of categories and the entities forming the intersection on the safety accident analysis map.
본 발명의 일 실시예에 따르면, 상기 d)단계는, 상기 사용자 단말의 인과관계 그래프 요청에 응답하여, 상기 제1레이어를 통해 선택된 서지 정보와 상기 제2레이어에 표시된 인과관계망의 개체들을 2차원 평면 상에 나열하고, 나열된 서지 정보와 각 개체를 인과성에 따라 연결한 인과관계 그래프를 생성하여 상기 안전사고 분석맵에 표시하는 단계를 포함한다.According to an embodiment of the present invention, in step d), in response to a causal graph request from the user terminal, bibliographic information selected through the first layer and entities of the causal network displayed on the second layer are divided into two dimensions. It includes the step of arranging on a plane, creating a causal relationship graph connecting the listed bibliographic information and each entity according to causality, and displaying it on the safety accident analysis map.
본 발명의 일 실시예에 따르는, 사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법은, 상기 d)단계 이후, 상기 제2레이어에 표시된 인과관계망의 개체 또는 연결되어 있는 개체의 조합을 통해 사고의 전조현상을 도출하고, 작업 현장에 기 배치된 센서들로부터 실시간으로 수집되는 데이터에 의해 상기 전조현상이 검출되는 경우 위험상황으로 판단하여 상기 사용자 단말로 알리는 단계를 더 포함한다.According to an embodiment of the present invention, the method for providing a case analysis-based safety accident causality visualization service is, after step d), a precursor of an accident through a combination of entities or connected entities in the causal network displayed in the second layer. It further includes the step of deriving a phenomenon and determining it as a dangerous situation when the precursor phenomenon is detected by data collected in real time from sensors already placed at the work site and notifying the user terminal.
본 발명의 일 실시예에 따르면, 상기 d)단계는, 상기 특정 사고유형의 인과관계망에서, 적어도 하나의 개체를 지나 상기 특정 사고유형을 나타내는 개체에 도달할 때까지의 인과성을 종합하여, 상기 특정 사고유형이 발생할 가능성이 높은 사고원인을 순서대로 파악하고 상기 안전사고 분석맵의 일 영역에 나열하는 단계를 포함한다.According to one embodiment of the present invention, step d) is to synthesize the causality through at least one entity in the causal network of the specific accident type until it reaches the entity representing the specific accident type, It includes the step of identifying accident causes with a high probability of occurring in order of accident type and listing them in one area of the safety accident analysis map.
본 발명의 일 실시예에 따르면, 상기 d)단계는, 상기 서버에 사고원인 별 관리방안 정보는 미리 수집되어 있으며, 파악된 사고원인에 대한 관리방안 정보를 검색하고, 상기 파악된 사고원인의 순서에 따라 검색된 관리방안 정보를 상기 안전사고 분석맵의 일 영역에 나열하는 단계를 포함한다.According to an embodiment of the present invention, in step d), management plan information for each accident cause is collected in advance on the server, management plan information for the identified accident cause is searched, and the order of the identified accident cause is searched. It includes listing the management plan information retrieved according to in one area of the safety accident analysis map.
본 발명의 일 실시예에 따르는, 사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법은, 상기 d)단계 이후, 작업 현장에 미리 설치되어 있는 센서에 의해 상기 안전사고 분석맵에 포함된 특정 개체에 대응하는 행위 또는 상황이 검출되는 경우, 상기 특정 개체가 구성된 인과관계망을 통해 발생 위험이 있는 사고유형 및 사고확률을 파악하고 상기 사용자 단말로 제공하는 단계를 더 포함한다.According to an embodiment of the present invention, the case analysis-based safety accident causality visualization service providing method responds to a specific entity included in the safety accident analysis map by a sensor pre-installed at the work site after step d). When an action or situation is detected, the method further includes identifying an accident type and accident probability at risk of occurrence through a causal network formed by the specific entity and providing the information to the user terminal.
본 발명의 일 실시예에 따르는, 사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법은, 상기 d)단계 이후, 작업 현장에 미리 설치되어 있는 센서에 의해 사고 발생이 파악되는 경우, 상기 센서로부터 수집한 정보에 따라 새로운 사례 정보를 생성하고 상기 딥러닝 모델에 입력하여 상기 안전사고 분석맵을 업데이트하는 단계를 더 포함하되, 상기 센서로부터 수집한 정보는 기상 정보, 사고가 발생한 장소 정보, 사고 현장을 촬영한 영상 정보 및 작업 현장의 상태 감지값 중 적어도 하나를 포함하는 것이다.According to an embodiment of the present invention, the method for providing a case analysis-based safety accident causality visualization service is, after step d), when the occurrence of an accident is identified by a sensor pre-installed at the work site, the data collected from the sensor is It further includes the step of updating the safety accident analysis map by generating new case information according to the information and inputting it into the deep learning model, wherein the information collected from the sensor includes weather information, information on the location where the accident occurred, and photographing the accident scene. It includes at least one of image information and work site status detection values.
본 발명의 일 실시예에 따르는, 안전사고 인과관계 시각화 서비스 제공서버는, 사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법을 수행하는 프로그램이 저장된 메모리; 및 상기 프로그램을 실행하는 프로세서;를 포함하고, 상기 제공방법은, a) 안전사고 관련 기 수집된 사례 정보 별로 기 구축된 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출하고 각 개체들 간 인과성을 파악하는 단계; b) 기 설정된 사고유형에 따라 추출된 개체들을 분류하고 파악된 인과성에 기초하여 분류된 각 개체들을 연결한 사고유형 별 인과관계망을 생성하는 단계; c) 상기 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 사용자 단말로 제공하는 단계; 및 d) 상기 사용자 단말의 특정 사고유형에 대한 조회 요청에 따라 전체 인과관계망에서 상기 특정 사고유형의 인과관계망만을 분리하여 상기 안전사고 분석맵에 표시하는 단계를 포함하되, 상기 사례 정보는 안전사고 사례를 설명하는 텍스트를 포함하며, 상기 개체는 단어 또는 단어의 집합으로 이루어지는 것이다.According to an embodiment of the present invention, a safety accident causality visualization service providing server includes: a memory storing a program that performs a case analysis-based safety accident causality visualization service providing method; and a processor executing the program, wherein the providing method includes: a) extracting entities representing actions or situations by inputting each previously collected case information related to safety accidents into a previously constructed deep learning model; and A step of identifying causality; b) classifying the extracted entities according to preset accident types and creating a causal network for each accident type connecting each classified entity based on the identified causality; c) providing a safety accident analysis map including a causal network for each accident type to the user terminal; and d) a step of separating only the causal network of the specific accident type from the entire causal network and displaying it on the safety accident analysis map in accordance with the user terminal's request to inquire about the specific accident type, wherein the case information is a safety accident case. It includes text describing the object, and the object is made up of a word or a set of words.
본 발명의 일 실시예는, 방대한 안전사고 사례를 딥러닝 기반으로 분석하여 사고유형 별 인과관계를 도출하고 이를 가시화하여 사용자(관리자, 작업자 등)에게 제공한다.One embodiment of the present invention analyzes a large number of safety accident cases based on deep learning to derive causal relationships for each accident type, visualizes them, and provides them to users (managers, workers, etc.).
본 발명의 일 실시예는, 사고원인과 결과 사이 관련된 정도를 반영하여 특수한 시각적 효과가 부여된 인과관계망을 제공한다.One embodiment of the present invention provides a causal network with a special visual effect reflecting the degree of relationship between accident causes and results.
본 발명의 일 실시예는, 날씨, 장소, 발생일, 작업유형과 같은 사고 사례의 서지적인 사항과 인과관계망이 서로 다른 층으로 분할되어 매칭된 3차원 모델의 분석맵을 제공한다.One embodiment of the present invention provides an analysis map of a three-dimensional model in which bibliographic details of accident cases such as weather, location, occurrence date, and work type and the causal network are divided into different layers and matched.
본 발명의 일 실시예는, 모든 유형의 사고가 아니라 사용자가 필요로 하는 유형에 대한 인과관계 정보만을 필터링하여 표시하는 안전사고 분석맵을 제공한다.One embodiment of the present invention provides a safety accident analysis map that filters and displays causal relationship information only for the types needed by the user, rather than all types of accidents.
이와 같은, 본 발명의 일 실시예의 개시를 통해, 사용자는 실제 작업 현장에서 발생할 수 있는 전조 현상을 용이하게 파악하고 대처할 수 있으므로, 사고를 미연에 방지하고 그 피해를 최소화할 수 있다.Through the disclosure of an embodiment of the present invention, users can easily identify and respond to precursory phenomena that may occur at actual work sites, thereby preventing accidents and minimizing damage.
도 1은 본 발명의 일 실시예에 따르는 안전사고 모니터링 시스템에 대한 구조도이다.
도 2는 본 발명의 일 실시예에 따르는 안전사고 인과관계 시각화 서비스 제공서버의 구조를 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따르는 안전사고 인과관계 시각화 서비스 제공방법의 순서도이다.
도 4는 본 발명의 일 실시예에 따르는 안전사고 사례 정보에 대한 예시도이다.
도 5는 본 발명의 일 실시예에 따르는 비정형 정보의 자연어 처리를 설명하기 위한 예시도이다.
도 6은 본 발명의 일 실시예에 따르는 안전사고 분석맵의 예시도이다.
도 7은 본 발명의 일 실시예에 따르는 특정 사고 유형의 인과관계망에 대한 예시도이다.
도 8은 본 발명의 일 실시예에 따르는 안전사고 분석맵에 표시되는 사고원인 및 관리방안 정보를 설명하기 위한 예시도이다.
도 9는 본 발명의 일 실시예에 따르는 3차원 모델의 안전사고 분석맵에 대한 예시도이다.
도 10은 본 발명의 일 실시예에 따르는 인과관계 그래프의 예시도이다.
도 11은 본 발명의 일 실시예에 따르는 안전사고 모니터링 서비스 제공방법을 설명하기 위한 예시도이다.
도 12는 본 발명의 일 실시예에 따르는 안전사고 분석맵을 업데이트 하는 방법을 설명하기 위한 예시도이다.1 is a structural diagram of a safety accident monitoring system according to an embodiment of the present invention.
Figure 2 is a block diagram showing the structure of a safety accident causality visualization service providing server according to an embodiment of the present invention.
Figure 3 is a flowchart of a method for providing a safety accident causality visualization service according to an embodiment of the present invention.
Figure 4 is an exemplary diagram of safety accident case information according to an embodiment of the present invention.
Figure 5 is an example diagram illustrating natural language processing of unstructured information according to an embodiment of the present invention.
Figure 6 is an exemplary diagram of a safety accident analysis map according to an embodiment of the present invention.
Figure 7 is an exemplary diagram of a causal network of a specific accident type according to an embodiment of the present invention.
Figure 8 is an example diagram for explaining the accident cause and management plan information displayed on the safety accident analysis map according to an embodiment of the present invention.
Figure 9 is an exemplary diagram of a safety accident analysis map of a 3D model according to an embodiment of the present invention.
Figure 10 is an exemplary diagram of a causal relationship graph according to an embodiment of the present invention.
Figure 11 is an example diagram for explaining a method of providing a safety accident monitoring service according to an embodiment of the present invention.
Figure 12 is an example diagram for explaining a method of updating a safety accident analysis map according to an embodiment of the present invention.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 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.Below, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention. However, the present invention may be implemented in many different forms and is not limited to the embodiments described herein. In order to clearly explain the present invention in the drawings, parts that are not related to the description are omitted, and similar parts are given similar reference numerals throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected," but also the case where it is "electrically connected" with another element in between. . Additionally, when a part "includes" a certain component, this means that it may further include other components rather than excluding other components, unless specifically stated to the contrary.
이하에서 언급되는 "단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), VR HMD(예를 들어, HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR 등)등을 포함할 수 있다. 여기서, VR HMD 는 PC용 (예를 들어, HTC VIVE, Oculus Rift, FOVE, Deepon 등)과 모바일용(예를 들어, GearVR, DayDream, 폭풍마경, 구글 카드보드 등) 그리고 콘솔용(PSVR)과 독립적으로 구현되는 Stand Alone 모델(예를 들어, Deepon, PICO 등) 등을 모두 포함한다. 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 스마트폰(smart phone), 태블릿 PC, 웨어러블 디바이스뿐만 아니라, 블루투스(BLE, Bluetooth Low Energy), NFC, RFID, 초음파(Ultrasonic), 적외선, 와이파이(WiFi), 라이파이(LiFi) 등의 통신 모듈을 탑재한 각종 디바이스를 포함할 수 있다. 또한, "네트워크"는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.The “terminal” mentioned below may be implemented as a computer or portable terminal that can connect to a server or other terminal through a network. Here, the computer is, for example, a laptop equipped with a web browser, a desktop, a laptop, a VR HMD (e.g., HTC VIVE, Oculus Rift, GearVR, DayDream, PSVR, etc.), etc. may include. Here, VR HMD is for PC (e.g. HTC VIVE, Oculus Rift, FOVE, Deepon, etc.), mobile (e.g. GearVR, DayDream, Storm Magic, Google Cardboard, etc.), and console (PSVR). Includes independently implemented Stand Alone models (e.g. Deepon, PICO, etc.). Portable terminals are, for example, wireless communication devices that ensure portability and mobility, including smart phones, tablet PCs, and wearable devices, as well as Bluetooth (BLE, Bluetooth Low Energy), NFC, RFID, and ultrasonic devices. , may include various devices equipped with communication modules such as infrared, WiFi, and LiFi. In addition, “network” refers to a connection structure that allows information exchange between nodes such as terminals and servers, including a local area network (LAN), a wide area network (WAN), and the Internet. (WWW: World Wide Web), wired and wireless data communication network, telephone network, wired and wireless television communication network, etc. Examples of wireless data communication networks include 3G, 4G, 5G, 3GPP (3rd Generation Partnership Project), LTE (Long Term Evolution), WIMAX (World Interoperability for Microwave Access), Wi-Fi, Bluetooth communication, infrared communication, and ultrasound. This includes, but is not limited to, communication, Visible Light Communication (VLC), LiFi, etc.
이하, 첨부된 도면을 활용하여 본 발명의 일 실시예를 상세히 설명하도록 한다.Hereinafter, an embodiment of the present invention will be described in detail using the attached drawings.
도 1은 본 발명의 일 실시예에 따르는 안전사고 모니터링 시스템에 대한 구조도이다.1 is a structural diagram of a safety accident monitoring system according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시예에 따르는 안전사고 모니터링 시스템은, 서버(100), 사용자 단말(200) 및 센서단(300)을 포함할 수 있다.Referring to FIG. 1, a safety accident monitoring system according to an embodiment of the present invention may include a
일 실시예에 따르는 사용자 단말(200)은, 작업 현장의 상황을 모니터링하는 업체의 관리자 또는 운영자가 사용 주체인 단말일 수 있다. 여기서 작업 현장은 인력이 투입되어 특정 목적을 달성하기 위한 작업이나 공정을 수행하는 장소를 포괄하는 의미로서, 항만, 플랜트를 예로 들 수 있으나 사업 분야가 본 발명을 특별히 제한하는 것은 아니다.The
일 실시예에 따르면, 사용자 단말(200)은 메모리, 프로세서 및 통신모듈을 포함하며, 통신모듈은 프로세서의 제어에 따라, 서버(100)와 데이터 통신을 수행한다.According to one embodiment, the
메모리에는 작업 현장의 안전사고 모니터링 서비스를 소비하기 위한 프로그램(또는 애플리케이션)이 저장되어 있다.The memory stores a program (or application) for consuming safety accident monitoring services at the work site.
프로세서는, 메모리에 저장되어 있는 프로그램을 실행하여 안전사고 모니터링 서비스를 사용자에게 제공하기 위한 일련의 동작들을 처리한다.The processor executes a program stored in memory to process a series of operations to provide a safety accident monitoring service to the user.
전반적인 동작의 예로, 프로세서는 서버(100)로부터 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 제공받아 사용자 단말(200)의 화면에 표시한다. 프로세서는 분석 결과의 조회를 위하여 사용자가 선택한 사고유형을 서버(100)로 전송하고 서버(100)로부터 해당 사고유형의 인과관계망을 수신하여 사용자 단말(200)의 화면에 표시한다. 프로세서는 서버(100)로부터 위험상황의 신호를 수신할 수 있으며, 이러한 경우 기 설정된 경고 오브젝트를 화면에 표시하거나 경고음을 출력하여 사용자에게 위험상황을 알릴 수 있다.As an example of the overall operation, the processor receives a safety accident analysis map including a causal network for each accident type from the
일 실시예에 따르는 센서단(300)은, 작업 현장에 미리 설치되어 현장의 각 종 상황이나 상태를 검출하는 적어도 하나 이상의 센서를 포함할 수 있다. 예를 들어, 온도, 밀도, 습도 등 작업 현장의 상태를 감지하는 감지 센서, 작업 현장의 각 영역에 대한 위치를 파악하는 위치 센서, 작업 현장의 기 설정된 구획 마다 배치되는 카메라 센서, 작업 현장의 기상 상황을 검출하는 기상 센서 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 센서단(300)은 센서들에 의해 검출된 각각의 정보나 감지값들을 실시간으로 서버(100)로 전송할 수 있다. 한편, 기상 상황의 경우 기상(날씨) 정보를 제공하는 외부의 기상 서버로부터 실시간으로 수집될 수도 있다.The
서버(100)는, 안전사고 인과관계 시각화 서비스를 제공하는 업체가 운영하는 서버를 의미할 수 있다. 따라서, 서버(100)는 안전사고 인과관계 시각화 서비스 제공서버로 그 용어를 정의할 수 있다.The
도 2는 본 발명의 일 실시예에 따르는 안전사고 인과관계 시각화 서비스 제공서버의 구조를 나타내는 블록도이다.Figure 2 is a block diagram showing the structure of a safety accident causality visualization service providing server according to an embodiment of the present invention.
일 실시예에 따르면, 서버(100)는, 통신모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함할 수 있다.According to one embodiment, the
통신모듈(110)은, 사용자 단말(200) 및 센서단(300)과 데이터 통신을 처리한다.The
메모리(120)에는, 안전사고 인과관계 시각화 서비스 제공방법을 수행하기 위한 프로그램(또는 애플리케이션)이 저장되어 있으며, 프로세서(130)는, 메모리(120)에 저장된 프로그램을 실행하여 안전사고 인과관계 시각화 서비스 제공방법에 대한 각 종 프로세스를 처리한다.The
프로세서(130)가 처리하는 전반적인 프로세스의 일 실시예는 다음과 같다. 프로세서(130)는 안전사고 관련 기 수집된 사례 정보 별로 기 구축된 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출하고 각 개체들 간 인과성을 파악한다. 프로세서(130)는 기 설정된 사고유형에 따라 추출된 개체들을 분류하고 파악된 인과성에 기초하여 분류된 각 개체들을 연결한 사고유형 별 인과관계망을 생성한다. 프로세서(130)는 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 사용자 단말(200)로 제공한다. 프로세서(130)는 사용자 단말(200)의 특정 사고유형에 대한 조회 요청에 따라 전체 인과관계망에서 해당 사고유형의 인과관계망만을 분리하여 안전사고 분석맵에 표시한다.One embodiment of the overall process processed by the
일 실시예에 따르면, 프로세서(130)는 센서단(300)에 의해 사고 발생이 파악되는 경우, 센서단(300)으로부터 수집한 정보에 따라 새로운 사례 정보를 생성하고 이를 딥러닝 모델에 입력하여 안전사고 분석맵을 업데이트할 수 있다.According to one embodiment, when an accident is identified by the
일 실시예에 따르면, 프로세서(130)는 안전사고 분석맵을 통한 안전사고 모니터링을 수행할 수 있다. 예를 들어, 센서단(300)에 의해 안전사고 분석맵에 포함된 특정 개체에 대응하는 행위 또는 상황이 검출되는 경우, 해당 개체가 구성된 인과관계망을 통해 발생 위험이 있는 사고유형 및 사고확률을 파악하고 이를 사용자 단말(200)로 제공할 수 있다. 또 다른 예로, 사용자가 선택한 사고유형의 인과관계망 내 연결되어 있는 개체들을 조합하여 사고의 전조현상을 도출하고, 센서단(300)으로부터 실시간으로 수집되는 데이터에 의해 해당 전조현상이 검출되는 경우 위험상황으로 판단하여 이를 사용자 단말(200)로 알릴 수 있다.According to one embodiment, the
일 실시예에 따르는 데이터베이스(140)에는, 안전사고 인과관계 시각화 서비스 제공방법이 수행됨에 따라 발생하는 각 종 데이터들이 저장될 수 있다. 구체적으로, 딥러닝 모델을 구축하기 위한 안전사고 사례의 학습 데이터가 저장된다. 딥러닝 모델 구축 이후 서버(100)에 의해 수집되는 사례 정보가 저장된다. 사례 정보가 딥러닝 모델에 적용됨에 따라 추출되는 행위 또는 상황을 나타내는 개체들이 사고유형을 기준으로 분류되어 저장된다. 추출된 개체들이 인과성에 따라 연결된 인과관계망이 사고유형을 기준으로 분류되어 저장된다. 서버(100)에 의해 추출된 사례 정보 별 기상상황, 사고장소, 사고발생시기, 작업유형 중 적어도 하나의 카테고리에 대한 서지 정보가 저장된다. 이 때, 개체들은 카테고리 별 서지 정보를 기준으로 추가적으로 분류되어 저장될 수 있다. 그 밖에, 개체들이 조합된 사고의 전조현상, 인과관계 그래프 등 인과관계 시각화 및 안전사고 모니터링과 관련하여 발생하는 각 종 데이터들이 저장될 수 있으며, 위에서 나열한 예시가 본 발명을 제한하는 것은 아니다.In the
이하, 도 3 내지 도 12를 참조하여, 본 발명의 안전사고 인과관계 시각화 서비스 제공방법에 대한 일 실시예를 설명하도록 한다.Hereinafter, with reference to FIGS. 3 to 12, an embodiment of the method for providing a safety accident causality visualization service according to the present invention will be described.
도 3은 본 발명의 일 실시예에 따르는 안전사고 인과관계 시각화 서비스 제공방법의 순서도이다.Figure 3 is a flowchart of a method for providing a safety accident causality visualization service according to an embodiment of the present invention.
일 실시예에 따르면, 단계 S310 전에, 서버(100)는 안전사고 사례가 포함된 학습 데이터를 기 설정된 딥러닝 알고리즘으로 학습시켜, 안전사고 관련 사례 정보가 입력되면 단어 또는 단어의 조합으로 이루어진 개체들을 추출하는 딥러닝 모델을 구축할 수 있다. 예를 들어, 딥러닝 알고리즘은 텍스트로 이루어진 문서 형식의 학습 데이터에서 단어 또는 단어의 조합인 개체를 추출하고 이를 기 설정된 카테고리로 분류하도록 설계될 수 있다. 여기서 카테고리는 기상상황, 사고장소, 사고발생시기, 작업유형의 서지 사항과 행위 또는 상황을 나타내는 사고원인 및 사고결과를 포함할 수 있다. 또한, 딥러닝 알고리즘은, 추출된 개체들을 기 설정된 사고유형으로 분류하도록 설계될 수 있다. 또한, 딥러닝 알고리즘은, 추출된 개체들 간 관련성을 파악하여 관련성에 따라 각 개체들을 연결하도록 설계될 수 있으며, 관련성은 서지 사항과 행위 또는 상황 간 인과성을 의미할 수 있다. 한편, 딥러닝 알고리즘은 자연어처리(NLP)와 GNN(graph neural network) 기법이 바람직하나 이에 한정되는 것은 아니다.According to one embodiment, before step S310, the
또한 단계 S310 전에, 서버(100)는 안전사고와 관련된 사례 정보들을 수집할 수 있다. 예를 들어, 서버(100)는 인터넷 크롤링, 데이터 구매, 스크래핑, 사용자 단말(200)에 의한 업로드 등으로 사례 정보를 수집할 수 있으나, 수집 방식이 이에 한정되는 것은 아니다.Additionally, before step S310, the
도 4는 본 발명의 일 실시예에 따르는 안전사고 사례 정보에 대한 예시도이다.Figure 4 is an exemplary diagram of safety accident case information according to an embodiment of the present invention.
도 4를 참조하면, 사례 정보는 안전사고 사례집, 안전사고 관련 뉴스나 신문기사, 안전사고 관련 전문가 인터뷰 등을 예로 들 수 있으나, 안전사고 관련 사례가 담긴 공개자료라면 족한 것이지 나열한 예시로 한정되는 것은 아니다. 도 4에 도시된 바와 같이, 사례 정보는 텍스트를 포함하는 문서 형태일 수 있으며, 사고유형, 기상, 사고발생시기, 사고발생장소, 작업유형, 피재해자의 정보 등의 서지 정보(42)가 정형 정보의 형태로 포함될 수 있다. 또한, 사례 정보에는 사례를 설명하거나 묘사하는 문구가 비정형 정보(41)의 형태로 포함될 수 있다. 물론 사례 정보의 구성은 이에 한정되는 것은 아니며, 서지 정보 또한 비정형 정보의 형태로 구성될 수 있다.Referring to Figure 4, case information may include safety accident casebooks, safety accident-related news or newspaper articles, and safety accident-related expert interviews, but public data containing safety accident-related cases is sufficient and is not limited to the listed examples. no. As shown in FIG. 4, case information may be in the form of a document containing text, and
단계 S310에서, 서버(100)는 수집된 사례 정보 별로 기 구축한 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출할 수 있다. 전술한대로 개체는, 소정의 의미를 나타내는 단어 또는 단어의 조합일 수 있다.In step S310, the
일 실시예에 따르면, 서버(100)는 각 사례 정보 별로 비정형 정보를 추출하고 추출된 비정형 정보에 자연어 처리를 수행할 수 있으며, 이에 대한 예시는 도 5에 도시되어 있다.According to one embodiment, the
도 5를 참조하면, 서버(100)는 자연어 처리를 수행하는 딥러닝 모델을 이용하여 비정형 정보에서 적어도 하나의 개체 쌍을 포함하는 문장을 추출할 수 있다. 여기서 개체 쌍이란 하나의 문장에서 원인과 결과를 이루는 개체의 조합을 의미한다. 한편, 사례 정보의 스토리 전개에 따라 하나의 문장에서의 결과는 다른 문장에서의 원인이 될 수 있으며, 그 반대로 될 수도 있다. 즉, 추출된 특정 문장에서의 결과를 이루는 개체는 다른 문장에서의 원인을 이루는 개체일 수 있다. 도 5를 활용하여 예를 들면, "지게차 운전자가 재해자를 발견하지 못함"이라는 개체는 결과의 행위 또는 상황으로 분류되고, 이어져 추출된 문장에서는 원인으로 추가 분류될 수 있다. 이에 따르면, 하나의 사례 정보에서 복수의 원인-결과로 이어지는 개체 쌍이 획득될 수 있으며, 추출되는 문장의 개수에 따라, 원인의 개체는 1차 원인, 2차 원인,,,(중략),,,n차 원인을 포함할 수 있고, 결과의 개체 또한 1차 결과, 2차 결과,,,(중략),,,n차 결과를 포함할 수 있다.Referring to FIG. 5, the
이어지는 단계 S310에서, 서버(100)는 추출된 각 개체들 간 인과성을 파악할 수 있으며, 일 실시예로서, 인과성은 딥러닝 모델을 통하여 개체 쌍을 포함하는 문장들 간 유사도를 산출하는 방법으로 파악될 수 있다. 도 5를 활용하여 예를 들면, 추출된 문장 간 유사도 산출에 따라 "지게차 운전자가 재해자를 발견하지 못함"이 공통된 것으로 분석되며, 이에 기초하여 "야적장에서 인코트 작업"의 개체와 "재해자가 부딪힘"의 개체 간 인과성이 결정될 수 있다. 즉, 야적장에서 인코트 작업을 하면 재해자가 부딪힐 가능성이 딥러닝 모델에 의해 산출될 수 있다. 또 다른 실시예로, 서버(100)는 전체 사례 정보에서 각 개체 쌍이 발견되는 빈도수를 기초로 인과성을 파악할 수 있다. 예를 들어, 딥러닝 모델에 의해 "야적장에서 인코트 작업"과 "지게차 운전자가 재해자를 발견하지 못함"의 개체 쌍이 전체 사례에서 발견되는 빈도가 파악되며, 이에 기초하여 야적장에서 인코트 작업을 하면 지게차 운전자가 재해자를 발견하지 못할 가능성이 산출될 수 있다.In the following step S310, the
일 실시예에 따르면, 단계 S310에서, 서버(100)는 각 사례 정보 별로 기상상황, 사고장소, 사고발생시기 및 작업유형 중 적어도 하나의 카테고리에 대한 서지 정보를 추출할 수 있다. 예를 들어, 도 4에 도시된 바와 같이, 서지 정보(42)가 정형 정보일 수도 있으나, 비정형 정보인 경우에도 딥러닝 모델에 의해 서지 정보에 대응하는 개체가 추출되어 각 카테고리로 구분된 후 저장될 수 있다.According to one embodiment, in step S310, the
일 실시예에 따르면, 서버(100)는 행위 또는 상황을 나타내는 개체들을 추출한 후 서지 정보 별로 분류할 수 있다. 도 5를 활용하여 예를 들면, 딥러닝 모델을 통해 사고장소 카테고리의 "인천항" 및 사고발생시기 카테고리의 "2012년 08월 11일"의 서지 정보가 추출될 수 있다. 이 때, "야적장에서 인코트 작업", "지게차 운전자가 재해자를 발견하지 못함" 및 "재해자가 부딪힘"의 행위 또는 상황을 나타내는 개체들은, "인천항" 및 "2012년 08월 11일"의 서지 정보에 매칭되어 저장될 수 있다.According to one embodiment, the
일 실시예에 따르면, 서버(100)는 서지 정보와 행위 또는 상황을 나타내는 개체들 간 인과성을 파악할 수 있으며, 이는 특정 서지 정보로 분류된 특정 개체의 개수에 기초할 수 있다. 예를 들어, "인천항"의 서지 정보로 분류된 "재해자가 부딪힘"의 개수가 많을수록, 인천항에서 재해자가 부딪히는 사건의 발생 확률이 높은 것으로 파악될 수 있다.According to one embodiment, the
단계 S320에서, 서버(100)는 추출된 개체들을 기 설정된 사고유형에 따라 분류할 수 있다. 여기서, 사고유형은 작업 현장에서 발생할 수 있는 사고들의 표현을 통칭하는 것으로, 업종마다 다르게 설정되어 서버(100)에 저장될 수 있다. 항만사고의 경우, 사고유형은 추락, 넘어짐, 부딪힘, 끼임 등을 예를 들 수 있으나 이에 한정되는 것은 아니다. 이에 따르면 도 5의 사례 정보의 경우, 딥러닝 모델에 의해 "부딪힘"이 검출될 수 있으며, "야적장에서 인코트 작업", "지게차 운전자가 재해자를 발견하지 못함" 및 "재해자가 부딪힘"의 개체들은, 부딪힘의 사고유형으로 분류되어 저장될 수 있다.In step S320, the
이어지는 단계 S320에서, 서버(100)는 사고유형으로 분류된 개체들간 인과성에 기초하여 각 개체들을 연결한 사고유형 별 인과관계망을 생성할 수 있다. 일 실시예에 따르면, 서버(100)는 각 개체마다 하나의 노드로 구성하고 파악된 인과성에 따라 각 노드를 연결하여 2차원 맵 형태의 인과관계망을 생성할 수 있다.In the following step S320, the
일 실시예에 따르면, 서버(100)는 각 노드를 연결하는 연결선 마다 각 노드에 대응하는 개체 간 인과성에 대한 소정의 오브젝트를 표시할 수 있다. 예를 들어, 서버(100)는 개체 간 인과성에 기초하여 연결되어 있는 하나의 노드에서 다른 노드로 전이하는 전이확률을 산출할 수 있으며, 각 전이확률을 연결선의 주위나 연결선에 포함시키는 방식으로 표시할 수 있다. 즉, 도 5의 경우, "야적장에서 인코트 작업"의 a노드와 "지게차 운전자가 재해자를 발견하지 못함"의 b노드가 연결선으로 연결된다. 또한, 딥러닝 모델에 의해, 야적장에서 인코트 작업할 때 지게차 운전자가 재해자를 발견하지 못할 확률이 산출되어 a노드와 b노드를 연결하는 연결선에 추가로 표시될 수 있다.According to one embodiment, the
일 실시예에 따르면, 서버(100)는 산출된 전이확률에 기초하여 서로 다른 노드 간 연결 상태를 표시하는 연결선 마다 시각적 효과를 달리 부여할 수 있다. 예를 들어, 서버(100)는, 노드 간 전이확률, 즉 개체 간 인과성에 따라 연결선의 굵기나 길이를 결정하여 각 연결선에 반영할 수 있으며, 전이확률 또는 인과성이 기 설정된 기준 이상인 경우 이에 대응하는 연결선에 기 설정된 특수 효과를 더 부가하여 부각시킬 수 있다. 사례 정보가 많이 수집될수록 인과관계망은 복잡해지고 방대해지게 되는데, 본 실시예를 통해 이러한 경우에도 사용자는 행위 또는 상황 간 관련된 정도를 육안으로 쉽게 식별할 수 있다.According to one embodiment, the
단계 S330에서, 서버(100)는 사고유형 별 인과관계망(61)을 포함하는 안전사고 분석맵(60)을 사용자 단말(200)로 제공할 수 있다. 일 실시예에 따르면, 도 6에 도시된 바와 같이, 안전사고 분석맵(60)은 인과관계망 표시영역(61), 사고유형 선택영역(62) 및 서지 정보 검색영역(63)을 포함할 수 있다.In step S330, the
단계 S340에서, 인과관계망 표시영역(61)에는 전체 사고유형의 인과관계망이 모두 표시되며, 사용자는 사고유형 선택영역(62)을 통해 조회하고자 하는 사고유형을 선택할 수 있다. 서버(100)는 이러한 사용자 단말(200)의 조회 요청에 응답하여 전체 인과관계망에서 사용자가 선택한 특정 사고유형의 인과관계망만을 분리하고 이를 인과관계망 표시영역(61)에 표시할 수 있다. 도 7에는, 사용자가 "추락"의 사고유형을 선택한 경우, 안전사고 분석맵(60)에 표시되는 인과관계망(70)에 대한 예시가 도시되어 있다.In step S340, the causal network of all accident types is displayed in the causal network display area 61, and the user can select the accident type to be viewed through the accident
도 7을 참조하면, 딥러닝 모델이 적용된 사례 정보에서 "추락"의 사고유형으로 분류된 개체의 노드들이 인과성에 따라 연결된 상태를 살필 수 있다. 도 7을 활용하여 예를 들면, "선창덮개 위에서 수신호 함"이라는 1차 원인을 이루는 제1노드(71), "화물에 부딪힘"이라는 2차 원인을 이루는 제2노드(72), "추락"이라는 사고유형에 대응하는 제3노드(73) 및 "사망"이라는 사고 결과를 이루는 제4노드(74)가 인과성에 따라 연결선(75)을 통해 순차적으로 연결될 수 있다. 또한, 단계 S320에서 산출된 전이확률(76)이 각 노드를 연결하는 연결선(75) 사이에 추가로 표시될 수 있다. 또한, 도시되지는 않았으나 연결선(75)의 굵기가 굵게 표시되는 등, 전이확률(76)의 크기에 따라 연결선(75) 마다 서로 다른 시각적 효과가 적용되어 구분될 수 있다.Referring to Figure 7, in the case information to which the deep learning model is applied, it can be seen that the nodes of the entity classified as the accident type of "fall" are connected according to causality. For example, using FIG. 7, the
일 실시예에 따르면, 사용자는 원하는 조건 하에서의 인과관계망의 조회가 가능하다. 예를 들어, 도 6에 도시된 바와 같이, 사용자는 서지 정보 검색영역(63)을 통해 기상상황, 사고장소, 사고발생시기 및 작업유형 중 적어도 하나의 카테고리에 대한 서지 정보를 검색할 수 있다. 전술한 실시예에서, 사례 정보에서 추출된 행위 또는 상황의 개체들은 카테고리 별 서지 정보를 기준으로 분류되어 저장되므로, 서버(100)는 사용자 단말(200)에 의해 선택된 모든 서지 정보에 공통으로 분류되는 개체들을 추출하여, 이들을 인과성에 따라 연결한 인과관계망을 생성하고 표시영역(61)에 노출시킬 수 있다. 예를 들어, 사용자가 항만 관리자이고 현재 날씨가 우천이며 8월인 경우, 사용자는 서지 정보 검색영역(63)을 통해 "우천", "항만", "8월"을 선택하여 검색을 수행할 수 있으며, 서버(100)는 이에 대한 응답으로 각 서지 정보에서 교집합을 이루는 개체들이 포함된 인과관계망을 전체 인과관계망에서 분리하여 표시영역(61)에 표시할 수 있다. 이와 같이, 사용자는 현재 진행 중이거나 진행 예정인 작업 환경에 맞는 사고 원인의 분석 자료를 즉각적으로 살필 수 있으며, 이에 따라 사고의 전조현상을 쉽게 예측할 수 있어 사전 대비가 용이하게 된다.According to one embodiment, a user can query a causal network under desired conditions. For example, as shown in FIG. 6, the user can search bibliographic information for at least one category among weather conditions, accident location, accident occurrence time, and work type through the bibliographic information search area 63. In the above-described embodiment, the entities of actions or situations extracted from case information are classified and stored based on bibliographic information for each category, so the
결과적으로, 본 발명의 일 실시예를 통해, 사용자가 원하는 사고 유형이나 조건에 맞는 사고 원인이, 수집된 사례 정보 내에서 모두 추적되어 사용자에게 시각적으로 제공될 수 있다. 즉, 방대한 사고 사례 분석 결과를 모두 포함하는 인과관계망은 가시성에 있어 어느 정도의 한계를 보이나, 안전사고 분석맵(60)을 통해 이와 같은 한계가 극복되므로, 사용자는 본인의 작업이나 현장 상황에 맞는 맞춤형 인과관계 정보를 손쉽게 획득할 수 있다.As a result, through one embodiment of the present invention, all accident causes that match the accident type or conditions desired by the user can be tracked within the collected case information and visually provided to the user. In other words, the causal network, which includes all the analysis results of extensive accident cases, shows some limitations in visibility, but these limitations are overcome through the safety
일 실시예에 따르면, 단계 S340에서, 특정 사고유형에 대한 인과관계망(70)과 함께, 서버(100)는 해당 사고유형을 발생시키는 사고원인 및 관리방안을 분석하여 사용자 단말(200)로 제공할 수 있다. 도 8에는, 사고원인(81) 및 관리방안 정보(82)가 리스트 형식으로 안전사고 분석맵(60)의 일 영역에 표시된 예시가 도시되어 있다.According to one embodiment, in step S340, together with the
이와 관련하여 일 실시예에 따르면, 서버(100)는 특정 사고유형의 인과관계망(70)에서, 적어도 하나의 개체를 지나 해당 사고유형을 나타내는 개체에 도달할 때까지의 인과성을 종합할 수 있다. 도 8을 활용하여 예를 들면, "파이프 적재 받침목을 깔고 내려옴"과 "미끄러짐"의 노드 간 전이확률인 0.23과 "미끄러짐"과 "추락"의 노드 간 전이확률인 0.18이 합산되어, "받침목을 깔고 내려오던 중 미끄러짐"이라는 사고원인 및 그 확률인 0.41이 도출될 수 있다. 이와 같이, 서버(100)는 서로 연결된 각 노드에 대응하는 개체들을 조합하여 사고원인을 도출할 수 있으며, 각 노드간 전이확률을 종합하여 해당 사고원인에 의해 사고유형이 발생할 가능성을 파악할 수 있다. 서버(100)는 사고유형이 발생할 가능성이 높은 사고원인의 순서대로 나열하여 사용자 단말(200)로 제공할 수 있다.In this regard, according to one embodiment, the
또한, 서버(100)는 도출된 사고원인에 대한 관리방안 정보를 데이터베이스(140)에서 검색하여 사고원인 순서대로 사용자 단말(200)로 제공할 수 있다. 여기서 관리방안 정보는 서버(100)에 의해 미리 수집된 것으로서, 수집 방식은 인터넷 크롤링, 데이터 구매, 스크래핑, 사용자 단말(200)에 의한 업로드 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 한편, 사례 정보에 관리방안 정보가 포함되어 있는 경우, 딥러닝 모델에 의해 관리방안 정보가 추출되어 데이터베이스(140)에 저장될 수 있다.Additionally, the
한편, 노드를 이용한 종래의 관계망은 2차원 형태로만 구축되었는데, 이에 따라 표현할 수 있는 구조나 반영 가능한 카테고리의 개수에 제약이 있었으며, 가시성의 한계로 인해 많은 사례 정보를 담기 어려운 문제점이 있었다. 이러한 문제점을 해결하기 위해, 본 발명의 안전사고 분석맵은 3차원 모델로 설계되어 사용자 단말(200)로 제공될 수 있으며, 이에 대한 일 실시예를 도 9를 참조하여 설명하도록 한다.Meanwhile, the conventional relationship network using nodes was built only in a two-dimensional form, which limited the structure that could be expressed or the number of categories that could be reflected, and it was difficult to contain a lot of case information due to limitations in visibility. In order to solve this problem, the safety accident analysis map of the present invention can be designed as a three-dimensional model and provided to the
도 9는 본 발명의 일 실시예에 따르는 3차원 모델의 안전사고 분석맵에 대한 예시도이다.Figure 9 is an exemplary diagram of a safety accident analysis map of a 3D model according to an embodiment of the present invention.
서버(100)는 단계 S310에서 수집된 서지 정보를 카테고리 별로 군집하여 x, y 방향으로 이루어진 2차원 평면에 맵핑할 수 있다. 예를 들어 도 9에 도시된 바와 같이, 각 사례 정보에서 추출된 서지 정보 각각이 하나의 오브젝트로 구성되어 기상상황(날씨), 사고장소(장소) 및 사고발생시기(발생일)의 카테고리로 군집될 수 있다. 서버(100)는 서지 정보가 맵핑된 서지 정보맵을 제1레이어(91)로 설정하여 z축 상에 놓인 임의의 층에 배치할 수 있다. 또한, 서버(100)는 단계 S320에서 생성된 사고유형 별 인과관계망을 제2레이어(92)로 설정하여 제1레이어(91)와 다른 층에 배치함으로써 3차원 모델의 안전사고 분석맵(90)을 생성할 수 있다.The
일 실시예에 따르면, 사용자는 3차원 모델의 안전사고 분석맵(90)의 제1레이어(91)를 통해 적어도 하나의 카테고리에 대한 서지 정보를 선택할 수 있다. 서버(100)는 사용자 단말(200)로부터 이를 수신하여 선택된 서지 정보로 분류된 개체들을 모두 파악하고, 파악된 개체들을 포함하는 인과관계망을 전체 인계관계망에서 추출할 수 있으며, 이를 제2레이어(92)에 표시할 수 있다.According to one embodiment, a user may select bibliographic information for at least one category through the first layer 91 of the safety accident analysis map 90 of the 3D model. The
일 실시예에 따르면, 제1레이어(91)를 통해 사용자 단말(200)로부터 복수의 카테고리에 대한 서지 정보가 선택되는 경우, 서버(100)는 선택된 서지 정보로 분류된 개체들 중 교집합을 이루는 개체를 파악할 수 있다. 도 9를 활용하여 예를 들면, 현장 감독자가 금일 작업에 대한 안전사고에 대비하기 위해 금일 현장 상황인, "우천", "21.07.20.", "선박"의 서지 정보를 선택하였다고 가정한다. 만약 "우천"으로 분류된 개체가 "a, b, c, d"이고, "21.07.20."으로 분류된 개체가 "a, d"이고, "선박"으로 분류된 개체가 "a, c"라면, 서버(100)는 그들의 교집합인 "a" 개체를 추출하고, "a"개체가 포함된 사고유형의 인과관계망을 제2레이어(92)에 표시하게 된다. 또한, 선택적 실시예로서, 서버(100)는 가시성을 극대화하기 위하여 교집합인 "a"개체와 선택된 서지 정보를 연결하는 연결선(93)을 안전사고 분석맵(90)에 추가로 표시할 수 있다. 이에 따라, 현장 감독자는 과도한 검색이나 식별 과정 없이, 원하는 작업의 조건과 그에 맞는 선행지표 또는 전조현상을 즉각적으로 파악할 수 있으며, 안전사고를 보다 철저하게 대비할 수 있다.According to one embodiment, when bibliographic information for a plurality of categories is selected from the
일 실시예에 따르면, 사용자는 3차원 모델의 안전사고 분석맵(90)에 표현되는 정보를 2차원 모델의 인과관계 그래프 형태로도 열람할 수 있다. 구체적으로, 서버(100)는 사용자 단말(200)의 인과관계 그래프 요청에 응답하여 제1레이어(91)를 통해 선택된 서지 정보와 제2레이어(92)에 표시된 인과관계망의 개체들을 2차원 평면 상에 나열할 수 있다. 이후, 서버(100)는 나열된 서지 정보와 각 개체를 인과성에 따라 연결하여 인과관계 그래프를 완성할 수 있으며, 이를 안전사고 분석맵에 표시할 수 있다.According to one embodiment, the user can view the information expressed in the safety accident analysis map 90 of the 3D model in the form of a causal relationship graph of the 2D model. Specifically, in response to a causal graph request from the
도 10에는 인과관계 그래프의 예시가 도시되어 있는데 이를 생성하는 방법으로, 먼저, 서버(100)는 딥러닝 모델에 설계된 개체 분류 기준에 따른 카테고리를 2차원 평면 상에 배열할 수 있다. 도 10의 상단에 도시된 바와 같이, 기상상황(사건날씨), 사고발생시기(사건발생일), 사고장소(사건장소), 작업유형 등 서지 정보의 카테고리가 배치되며 사고원인 및 사고결과의 카테고리가 이어서 나란히 배치될 수 있다. 서버(100)는 사용자 단말(200)에 의해 선택된 서지 정보를 각 서지 정보의 카테고리 라인에 배치한다. 또한, 서버(100)는 행위 또는 상황을 나타내는 각 개체를 사고원인의 카테고리에 배치하되, 개체의 의미에 따라 작업유형의 카테고리에도 배치할 수 있다. 또한, 서버(100)는 사고유형을 나타내는 개체를 사고결과의 카테고리에 배치하며, 딥러닝 모델에 의해 파악된 인과성에 기초하여 화살표 형태의 연결선을 서지 정보와 각 개체 사이에 구성한다.FIG. 10 shows an example of a causal relationship graph. As a method of generating this, first, the
일 실시예에 따르면, 서버(100)는 인과관계망 및 이를 포함하는 안전사고 분석맵을 이용한 안전사고 모니터링 서비스를 사용자에게 제공할 수 있으며, 이에 대한 일 실시예를 도 11 를 활용하여 설명하도록 한다. 도 11은 본 발명의 일 실시예에 따르는 안전사고 모니터링 서비스 제공방법을 설명하기 위한 예시도이다.According to one embodiment, the
도 11을 참조하면, 서버(100)는 제2레이어(92)에 표시된 인과관계망이 개체 또는 연결되어 있는 개체의 조합을 통해 사고의 전조현상을 도출할 수 있다. 전조현상은 사고원인이 될 가능성이 있는 현상을 의미하는 것으로, 도 7 및 도 11을 참조하여 예를 들면, "파이프 적재 받침목을 깔고 내려옴"의 개체를 추락의 전조현상으로 도출할 수 있다. 또는, "파이프 적재 받침목을 깔고 내려옴"과 그와 연결된 "미끄러짐"의 개체를 조합하여 "파이프 적재 받침목을 깔고 내려오는 도중 미끄러짐"이라는 보다 세밀한 상황을 추락의 전조현상으로 도출할 수도 있다.Referring to FIG. 11, the
이후, 서버(100)는 현장에 배치되어 있는 센서단(300)으로부터 실시간으로 데이터를 수집하며, 수집된 데이터에 의해 도출된 전조현상이 검출되는 경우, 위험상황으로 판단하고 이를 사용자 단말(200)로 알릴 수 있다. 예를 들어, 전조현상의 검출 정보를 포함하는 기 설정된 경고 메시지, 경고음, 경고 신호 등을 사용자 단말(200)로 제공할 수 있으나, 알리는 방식이 이에 한정되는 것은 아니다. 이로 인해, 안전사고 모니터링 센터 근무자와 같은 사용자는, 전조현상에 의한 사고 발생 여부를 집중적으로 감시할 수 있으며, 이러한 대응을 통해 사고가 미연에 방지되거나 신속한 대응 조치가 가능하게 된다.Afterwards, the
위 실시예와 같이 사용자에 의해 특정된 사고유형에 대한 모니터링 서비스뿐만 아니라, 본 발명은 발생할 수 있는 사고유형을 예측하고 이를 대비할 수 있도록 하는 또 다른 실시예의 안전사고 모니터링 서비스를 제공한다. 구체적으로, 작업 현장에 설치되어 있는 센서단(300)으로부터 안전사고 분석맵에 포함된 특정 개체에 대응하는 행위 또는 상황이 검출되는 경우, 서버(100)는 해당 개체가 구성된 인과관계망을 파악하고 이와 대응하는 사고유형을 파악할 수 있다. 예를 들어, 도 7을 참조하면, 카메라 센서에 의해 "파이프 적재 받침목을 깔고 내려옴"의 개체에 대한 작업자의 행위가 검출되면, 서버(100)는 해당 개체가 포함된 인과관계망을 추출하여 "추락"의 사고유형이 발생할 여지가 있는 것으로 파악할 수 있다. 또한, 서버(100)는 인과관계망을 통해 "파이프 적재 받침목을 깔고 내려옴"부터 "추락"의 개체까지의 인과성을 종합하여 이를 기초로 사고확률을 파악할 수 있다. 서버(100)는 파악한 사고유형 및 사고확률을 사용자 단말(200)로 즉시 제공할 수 있으며, 이로 인해 사용자는 해당 작업 현장을 집중적으로 감시할 수 있어, 미처 생각하지 못한 안전사고에 있어서도 즉각적인 대응이 가능하게 된다.In addition to the monitoring service for accident types specified by the user as in the above embodiment, the present invention provides a safety accident monitoring service in another embodiment that predicts and prepares for possible accident types. Specifically, when an action or situation corresponding to a specific entity included in the safety accident analysis map is detected from the
본 발명의 일 실시예에 따르면, 서버(100)는 지속적으로 안전사고 분석맵을 업데이트하여 최신의 모니터링 서비스를 유지할 수 있으며, 이에 대한 일 실시예가 도 12에 도시되어 있다.According to an embodiment of the present invention, the
구체적으로, 단계 S340 이후, 작업 현장에 설치된 센서단(300)에 의해 사고 발생이 파악되는 경우, 서버(100)는 센서단(300)으로부터 수집한 정보에 따라 새로운 사례 정보를 생성할 수 있다. 예를 들어, 서버(100)는 온도, 밀도, 습도 등 작업 현장의 상태를 감지하는 감지 센서로부터 사고 발생시의 상태 감지값을 수집할 수 있다. 서버(100)는 위치 센서로부터 사고가 발생한 장소 정보를 수집할 수 있으며, 기상 센서로부터 사고 발생시의 날씨를 수집할 수 있다. 서버(100)는 이러한 정보들을 통해 사고장소, 사고발생시기 및 기상상황의 카테고리에 대한 서지 정보를 생성할 수 있다.Specifically, after step S340, when the occurrence of an accident is identified by the
또한, 서버(100)는 카메라 센서로부터 프레임 단위의 영상 정보를 수신하고, 이를 기초로 사고의 내용을 담은 비정형 정보를 생성할 수 있다. 예를 들어, 서버(100)는 시간에 따른 프레임 순서대로 기 구축된 영상분석 모델에 적용하여, 영상 정보에 표시된 객체들을 식별하고 이를 기 설정된 객체의 유형으로 분류할 수 있다. 객체의 유형은 사람(작업자), 도구, 고정장비, 유동장비 및 기타물건으로 설정될 수 있으나, 이에 한정되는 것은 아니다. 영상분석 모델에 의해 식별된 객체는 유형 별로 추적될 수 있으며, 각 프레임 별로 각 객체에 대한 특정 행위나 상황의 결과값(단어 또는 단어의 조합)이 출력될 수 있다. 이 때, 기 설정된 사고유형에 대응하는 결과값이 도출되면, 해당 결과값이 도출된 프레임을 기준으로 기 설정된 전후 구간의 프레임에서 출력된 결과값이 추출될 수 있다. 이후, 추출된 결과값은 시간에 따라 재구성되어 사고의 내용을 나타내는 비정형 정보로 가공될 수 있다. 구체적인 상황을 특정하여 예를 들면, 서버(100)는 카메라 센서로부터 실시간으로 영상 정보를 수신하고 프레임 순으로 영상분석 모델에 입력한다. 이 때, "추락"의 사고유형이 포함된 프레임이 영상분석 모델에 의해 도출되면, 해당 프레임에 대한 기 설정된 전후 구간의 프레임에서 출력된 결과값인, "작업자가 사다리를 탐", "사다리가 부러짐"이 추출된다. 추출된 결과값은 프레임 순서에 따라 조합되어 "작업자가 사다리를 타는 도중 사다리가 부러졌다"라는 비정형 정보로 생성될 수 있다.Additionally, the
서버(100)는 생성된 서지 정보 및 비정형 정보를 조합하여 하나의 새로운 사례 정보를 생성할 수 있다. 서버(100)는 즉시 이를 딥러닝 모델에 입력하여 학습시키며, 이에 따라 새로운 사례 정보가 사고유형 별 인과관계망에 반영되게 된다. 한편, 영상분석 모델은 작업 현장을 담은 학습 이미지가 입력되면, 학습 이미지가 나타내는 행위나 상황의 결과값을 출력하도록 기 설정된 딥러닝 알고리즘에 의해 학습되어 구축되는 것으로, 여기서 딥러닝 알고리즘은 영상 분석에 특화된 YOLO 또는 CNN(Convolutional Neural Network)계열일 수 있으나, 이에 한정되는 것은 아니다.The
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 description of the present invention described above is for illustrative purposes, and those skilled in the art will understand that the present invention can be easily modified into other specific forms without changing the technical idea or essential features of the present invention. will be. Therefore, the embodiments described above should be understood in all respects as illustrative and not restrictive. For example, each component described as unitary may be implemented in a distributed manner, and similarly, components described as distributed may also 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 claims described below rather than the detailed description above, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention. do.
100: 서버
200: 사용자 단말
300: 센서단
41: 비정형 정보
42: 정형 정보
60: 안전사고 분석맵
70: 인과관계망
90: 3차원 모델의 안전사고 분석맵
91: 제1레이어
92: 제2레이어100: server
200: user terminal
300: Sensor stage
41: Unstructured information
42: Formal information
60: Safety accident analysis map
70: Causal network
90: Safety accident analysis map of 3D model
91: 1st layer
92: Second layer
Claims (15)
a) 안전사고 관련 기 수집된 사례 정보 별로 기 구축된 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출하고 각 개체들 간 인과성을 파악하는 단계;
b) 기 설정된 사고유형에 따라 추출된 개체들을 분류하고 파악된 인과성에 기초하여 분류된 각 개체들을 연결한 사고유형 별 인과관계망을 생성하는 단계;
c) 상기 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 사용자 단말로 제공하는 단계; 및
d) 상기 사용자 단말의 특정 사고유형에 대한 조회 요청에 따라 전체 인과관계망에서 상기 특정 사고유형의 인과관계망만을 분리하여 상기 안전사고 분석맵에 표시하는 단계;
를 포함하되,
상기 사례 정보는 안전사고 사례를 설명하는 텍스트를 포함하며, 상기 개체는 단어 또는 단어의 집합으로 이루어지는 것이고,
상기 a)단계는, 상기 사례 정보 별로 기상상황, 사고장소, 사고발생시기 및 작업유형 중 적어도 하나의 카테고리에 대한 서지 정보를 추출하고, 카테고리 별 서지 정보를 기준으로 상기 행위 또는 상황을 나타내는 개체들을 분류하는 단계;를 포함하고,
상기 c)단계는,
상기 서지 정보를 상기 카테고리 별로 군집하여 맵핑한 2차원 서지 정보맵을 제1레이어로 설정하고 상기 사고유형 별 인과관계망을 제2레이어로 설정하는 단계; 및
상기 제1레이어와 상기 제2레이어를 다른 층에 배치하여 3차원 모델의 안전사고 분석맵을 생성하는 단계;를 포함하고,
상기 d)단계는, 상기 사용자 단말이 상기 제1레이어를 통해 적어도 하나의 카테고리에 대한 서지 정보를 선택하는 경우, 선택된 서지 정보로 분류된 개체들을 파악하고 파악된 개체들을 포함하는 인과관계망만을 추출하여 상기 제2레이어에 표시하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.In a method of providing a case analysis-based safety accident causality visualization service performed by a server,
a) inputting each previously collected case information related to safety accidents into a previously constructed deep learning model to extract entities representing actions or situations and identify causality between each entity;
b) classifying the extracted entities according to preset accident types and creating a causal network for each accident type connecting each classified entity based on the identified causality;
c) providing a safety accident analysis map including a causal network for each accident type to the user terminal; and
d) separating only the causal network of the specific accident type from the entire causal network and displaying it on the safety accident analysis map according to the user terminal's request to inquire about the specific accident type;
Including,
The case information includes text describing a safety accident case, and the entity consists of a word or a set of words,
In step a), bibliographic information for at least one category of weather situation, accident location, accident occurrence time, and work type is extracted for each case information, and objects representing the action or situation are selected based on the bibliographic information for each category. Including a classification step;
In step c),
Setting a two-dimensional bibliographic information map obtained by clustering and mapping the bibliographic information by category as a first layer and setting a causal network for each accident type as a second layer; and
A step of generating a safety accident analysis map of a 3D model by placing the first layer and the second layer on different layers,
In step d), when the user terminal selects bibliographic information for at least one category through the first layer, entities classified by the selected bibliographic information are identified and only the causal network including the identified entities is extracted. A method of providing a safety accident causality visualization service, including the step of displaying on the second layer.
상기 a)단계는,
각 사례 정보 별로 비정형 정보를 추출하고 추출된 비정형 정보에 자연어 처리를 수행하여 적어도 하나의 개체 쌍을 포함하는 문장을 추출하는 단계; 및
추출된 문장들 간 유사도를 산출하고 산출된 유사도에 기초하여 상기 각 개체들 간 인과성을 파악하는 단계;
를 포함하되,
상기 개체 쌍은 하나의 문장에서 원인과 결과를 이루는 개체의 조합인, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
In step a),
Extracting unstructured information for each case information and performing natural language processing on the extracted unstructured information to extract a sentence containing at least one entity pair; and
Calculating similarity between extracted sentences and determining causality between each entity based on the calculated similarity;
Including,
A method of providing a safety accident causality visualization service, where the entity pair is a combination of entities forming cause and effect in one sentence.
상기 b)단계는, 상기 분류된 개체 마다 하나의 노드로 구성하고 파악된 인과성에 따라 각 노드를 연결하여 2차원 맵 형태의 인과관계망을 생성하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
Step b) includes creating a causal network in the form of a two-dimensional map by configuring one node for each classified entity and connecting each node according to the identified causality. Providing a safety accident causality visualization service including. method.
상기 b)단계는, 파악된 인과성에 따라 연결되어 있는 하나의 노드에서 다른 노드로 전이하는 전이확률을 산출하고, 산출된 전이확률에 기초하여 서로 다른 노드 간 연결 상태를 표시하는 연결선 마다 시각적 효과를 달리 부여하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 3,
In step b), the transition probability of transitioning from one node connected to another node according to the identified causality is calculated, and a visual effect is created for each connection line indicating the connection status between different nodes based on the calculated transition probability. A method of providing a safety accident causality visualization service, including the step of providing otherwise.
상기 d)단계는, 상기 사용자 단말에 의해 복수의 카테고리에 대한 서지 정보가 선택되는 경우, 상기 복수의 카테고리에 대한 서지 정보로 분류된 개체들 중 교집합을 이루는 개체가 파악되는 것이며, 상기 복수의 카테고리에 대한 서지 정보와 상기 교집합을 이루는 개체 사이를 연결한 연결선을 상기 안전사고 분석맵에 추가로 표시하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
In step d), when bibliographic information for a plurality of categories is selected by the user terminal, an object forming an intersection among entities classified by bibliographic information for the plurality of categories is identified, and the plurality of categories A method of providing a safety accident causality visualization service including; additionally displaying a connection line connecting bibliographic information about and the objects forming the intersection on the safety accident analysis map.
상기 d)단계는, 상기 사용자 단말의 인과관계 그래프 요청에 응답하여, 상기 제1레이어를 통해 선택된 서지 정보와 상기 제2레이어에 표시된 인과관계망의 개체들을 2차원 평면 상에 나열하고, 나열된 서지 정보와 각 개체를 인과성에 따라 연결한 인과관계 그래프를 생성하여 상기 안전사고 분석맵에 표시하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
In step d), in response to a causal graph request from the user terminal, bibliographic information selected through the first layer and entities of the causal network displayed in the second layer are listed on a two-dimensional plane, and the listed bibliographic information A method of providing a safety accident causality visualization service comprising: generating a causal relationship graph connecting each entity according to causality and displaying it on the safety accident analysis map.
상기 d)단계 이후, 상기 제2레이어에 표시된 인과관계망의 개체 또는 연결되어 있는 개체의 조합을 통해 사고의 전조현상을 도출하고, 작업 현장에 기 배치된 센서들로부터 실시간으로 수집되는 데이터에 의해 상기 전조현상이 검출되는 경우 위험상황으로 판단하여 상기 사용자 단말로 알리는 단계;를 더 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
After step d), the precursor phenomenon of the accident is derived through a combination of entities or connected entities in the causal network displayed in the second layer, and the accident is derived from data collected in real time from sensors already placed at the work site. A method for providing a safety accident causality visualization service, further comprising: determining a dangerous situation when a precursory phenomenon is detected and notifying the user terminal.
상기 d)단계는, 상기 특정 사고유형의 인과관계망에서, 적어도 하나의 개체를 지나 상기 특정 사고유형을 나타내는 개체에 도달할 때까지의 인과성을 종합하여, 상기 특정 사고유형이 발생할 가능성이 높은 사고원인을 순서대로 파악하고 상기 안전사고 분석맵의 일 영역에 나열하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
In step d), the causality that passes through at least one entity in the causal network of the specific accident type until it reaches the entity representing the specific accident type is synthesized to determine the cause of the accident with a high probability of causing the specific accident type. Identifying in order and listing them in one area of the safety accident analysis map; A method of providing a safety accident causality visualization service including.
상기 d)단계는, 상기 서버에 사고원인 별 관리방안 정보는 미리 수집되어 있으며, 파악된 사고원인에 대한 관리방안 정보를 검색하고, 검색된 관리방안 정보를 상기 파악된 사고원인의 순서에 따라 상기 안전사고 분석맵의 일 영역에 나열하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 10,
In step d), the management plan information for each accident cause is collected in advance on the server, the management plan information for the identified accident cause is searched, and the searched management plan information is used for the safety according to the order of the identified accident cause. A method of providing a safety accident causality visualization service, including the step of listing in one area of the accident analysis map.
상기 d)단계 이후, 작업 현장에 미리 설치되어 있는 센서에 의해 상기 안전사고 분석맵에 포함된 특정 개체에 대응하는 행위 또는 상황이 검출되는 경우, 상기 특정 개체가 구성된 인과관계망을 통해 발생 위험이 있는 사고유형 및 사고확률을 파악하고 상기 사용자 단말로 제공하는 단계;를 더 포함하는, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
After step d), if an action or situation corresponding to a specific entity included in the safety accident analysis map is detected by a sensor pre-installed at the work site, there is a risk of occurrence through the causal network constructed by the specific entity. A method of providing a safety accident causality visualization service, further comprising the step of identifying the accident type and accident probability and providing the information to the user terminal.
상기 d)단계 이후, 작업 현장에 미리 설치되어 있는 센서에 의해 사고 발생이 파악되는 경우, 상기 센서로부터 수집한 정보에 따라 새로운 사례 정보를 생성하고 상기 딥러닝 모델에 입력하여 상기 안전사고 분석맵을 업데이트하는 단계;를 더 포함하되,
상기 센서로부터 수집한 정보는 기상 정보, 사고가 발생한 장소 정보, 사고 현장을 촬영한 영상 정보 및 작업 현장의 상태 감지값 중 적어도 하나를 포함하는 것인, 안전사고 인과관계 시각화 서비스 제공방법.According to clause 1,
After step d), if an accident is detected by a sensor pre-installed at the work site, new case information is generated according to the information collected from the sensor and input into the deep learning model to create the safety accident analysis map. Further including the step of updating,
The information collected from the sensor includes at least one of weather information, information on the location where the accident occurred, video information taken at the accident site, and status detection values at the work site. A method for providing a safety accident causality visualization service.
사례 분석 기반 안전사고 인과관계 시각화 서비스 제공방법을 수행하는 프로그램이 저장된 메모리; 및
상기 프로그램을 실행하는 프로세서;를 포함하고,
상기 제공방법은,
a) 안전사고 관련 기 수집된 사례 정보 별로 기 구축된 딥러닝 모델에 입력하여 행위 또는 상황을 나타내는 개체들을 추출하고 각 개체들 간 인과성을 파악하는 단계;
b) 기 설정된 사고유형에 따라 추출된 개체들을 분류하고 파악된 인과성에 기초하여 분류된 각 개체들을 연결한 사고유형 별 인과관계망을 생성하는 단계;
c) 상기 사고유형 별 인과관계망을 포함하는 안전사고 분석맵을 사용자 단말로 제공하는 단계; 및
d) 상기 사용자 단말의 특정 사고유형에 대한 조회 요청에 따라 전체 인과관계망에서 상기 특정 사고유형의 인과관계망만을 분리하여 상기 안전사고 분석맵에 표시하는 단계;
를 포함하되,
상기 사례 정보는 안전사고 사례를 설명하는 텍스트를 포함하며, 상기 개체는 단어 또는 단어의 집합으로 이루어지는 것이고,
상기 a)단계는, 상기 사례 정보 별로 기상상황, 사고장소, 사고발생시기 및 작업유형 중 적어도 하나의 카테고리에 대한 서지 정보를 추출하고, 카테고리 별 서지 정보를 기준으로 상기 행위 또는 상황을 나타내는 개체들을 분류하는 단계;를 포함하고,
상기 c)단계는,
상기 서지 정보를 상기 카테고리 별로 군집하여 맵핑한 2차원 서지 정보맵을 제1레이어로 설정하고 상기 사고유형 별 인과관계망을 제2레이어로 설정하는 단계; 및
상기 제1레이어와 상기 제2레이어를 다른 층에 배치하여 3차원 모델의 안전사고 분석맵을 생성하는 단계;를 포함하고,
상기 d)단계는, 상기 사용자 단말이 상기 제1레이어를 통해 적어도 하나의 카테고리에 대한 서지 정보를 선택하는 경우, 선택된 서지 정보로 분류된 개체들을 파악하고 파악된 개체들을 포함하는 인과관계망만을 추출하여 상기 제2레이어에 표시하는 단계;를 포함하는, 안전사고 인과관계 시각화 서비스 제공서버.In the safety accident causality visualization service providing server,
Memory storing a program that performs a case analysis-based safety accident causality visualization service provision method; and
Includes a processor that executes the program,
The method of providing the above is,
a) inputting each previously collected case information related to safety accidents into a previously constructed deep learning model to extract entities representing actions or situations and identify causality between each entity;
b) classifying the extracted entities according to preset accident types and creating a causal network for each accident type connecting each classified entity based on the identified causality;
c) providing a safety accident analysis map including a causal network for each accident type to the user terminal; and
d) separating only the causal network of the specific accident type from the entire causal network and displaying it on the safety accident analysis map according to the user terminal's request to inquire about the specific accident type;
Including,
The case information includes text describing a safety accident case, and the entity consists of a word or a set of words,
In step a), bibliographic information for at least one category of weather situation, accident location, accident occurrence time, and work type is extracted for each case information, and objects representing the action or situation are selected based on the bibliographic information for each category. Including a classification step;
In step c),
Setting a two-dimensional bibliographic information map obtained by clustering and mapping the bibliographic information by category as a first layer and setting a causal network for each accident type as a second layer; and
A step of generating a safety accident analysis map of a 3D model by placing the first layer and the second layer on different layers,
In step d), when the user terminal selects bibliographic information for at least one category through the first layer, entities classified by the selected bibliographic information are identified and only the causal network including the identified entities is extracted. A safety accident causality visualization service providing server including; displaying on the second layer.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220140496A KR102642431B1 (en) | 2022-10-27 | 2022-10-27 | Method and device for detecting and responding to collisions in autonomous mobile robots based on driving parameters |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220140496A KR102642431B1 (en) | 2022-10-27 | 2022-10-27 | Method and device for detecting and responding to collisions in autonomous mobile robots based on driving parameters |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102642431B1 true KR102642431B1 (en) | 2024-03-04 |
Family
ID=90297671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220140496A KR102642431B1 (en) | 2022-10-27 | 2022-10-27 | Method and device for detecting and responding to collisions in autonomous mobile robots based on driving parameters |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102642431B1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101916411B1 (en) * | 2017-10-30 | 2019-01-30 | 한림대학교 산학협력단 | Industrial iot based accident prediction system and method for construction site safety |
KR102109860B1 (en) * | 2018-10-05 | 2020-05-12 | 동아대학교 산학협력단 | System and Method for Extracting Deep Learning Based Causal Relation with Expansion of Training Data |
KR102291193B1 (en) * | 2020-10-08 | 2021-08-20 | 주식회사 에코시안 | Automatic device and method for recommending risk and safety information based on artificial intelligence |
KR102421904B1 (en) * | 2022-02-24 | 2022-07-20 | 대한민국 | the method to advance the analysis of the causes of disasters |
-
2022
- 2022-10-27 KR KR1020220140496A patent/KR102642431B1/en active IP Right Grant
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101916411B1 (en) * | 2017-10-30 | 2019-01-30 | 한림대학교 산학협력단 | Industrial iot based accident prediction system and method for construction site safety |
KR102109860B1 (en) * | 2018-10-05 | 2020-05-12 | 동아대학교 산학협력단 | System and Method for Extracting Deep Learning Based Causal Relation with Expansion of Training Data |
KR102291193B1 (en) * | 2020-10-08 | 2021-08-20 | 주식회사 에코시안 | Automatic device and method for recommending risk and safety information based on artificial intelligence |
KR102421904B1 (en) * | 2022-02-24 | 2022-07-20 | 대한민국 | the method to advance the analysis of the causes of disasters |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akanmu et al. | Towards next generation cyber-physical systems and digital twins for construction. | |
Marocco et al. | Integrating disruptive technologies with facilities management: A literature review and future research directions | |
US20210192639A1 (en) | Systems and methods for dynamic real-time analysis from multi- modal data fusion for contextual risk identification | |
CN112567395A (en) | Artificial intelligence application of computer-aided scheduling system | |
CN112950773A (en) | Data processing method and device based on building information model and processing server | |
KR101765722B1 (en) | System and method of generating narrative report based on cognitive computing for recognizing, tracking, searching and predicting vehicles and person attribute objects and events | |
CN105913559A (en) | Motion sensing technique based bank ATM intelligent monitoring method | |
Xu et al. | Dynamic safety prewarning mechanism of human–machine–environment using computer vision | |
CN111680535A (en) | Method and system for real-time prediction of one or more potential threats in video surveillance | |
KR102291193B1 (en) | Automatic device and method for recommending risk and safety information based on artificial intelligence | |
CN110852222A (en) | Campus corridor scene intelligent monitoring method based on target detection | |
Aliyari et al. | Hazards identification and risk assessment for UAV–assisted bridge inspections | |
KR20210125702A (en) | Disaster prediction system and method using major keyword analysis technology of artificial intelligence | |
CN111582219B (en) | Intelligent pet management system | |
CN112270429A (en) | Cloud edge cooperation-based power battery pole piece manufacturing equipment maintenance method and system | |
Dobrucali et al. | A bibliometric analysis of digital technologies use in construction health and safety | |
WO2017033448A1 (en) | Data processing device, data processing method, and program recording medium | |
Chang et al. | Safety risk assessment of electric power operation site based on variable precision rough set | |
KR102642431B1 (en) | Method and device for detecting and responding to collisions in autonomous mobile robots based on driving parameters | |
CN113963446A (en) | Behavior recognition method and system based on human skeleton | |
EP3885972A1 (en) | Context based perception method and system for managing environmental safety in a computing environment | |
US20240211480A1 (en) | Information aggregation in a multi-modal entity-feature graph for intervention prediction | |
Daud et al. | Conceptual design of human detection via deep learning for industrial safety enforcement in manufacturing site | |
CN114913369A (en) | Active rescue decision-making method and device based on knowledge reasoning | |
Hadi et al. | Detection of Dead Victims at Volcanic Disaster Location based on Drone and LoRa |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |