KR102665312B1 - Tunnel control enclosure and enclosure control method for safe evacuation - Google Patents
Tunnel control enclosure and enclosure control method for safe evacuation Download PDFInfo
- Publication number
- KR102665312B1 KR102665312B1 KR1020230057164A KR20230057164A KR102665312B1 KR 102665312 B1 KR102665312 B1 KR 102665312B1 KR 1020230057164 A KR1020230057164 A KR 1020230057164A KR 20230057164 A KR20230057164 A KR 20230057164A KR 102665312 B1 KR102665312 B1 KR 102665312B1
- Authority
- KR
- South Korea
- Prior art keywords
- tunnel
- enclosure
- accident
- door
- occurred
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 230000009471 action Effects 0.000 claims description 15
- 230000005672 electromagnetic field Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000010223 real-time analysis Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F11/00—Rescue devices or other safety devices, e.g. safety chambers or escape ways
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/006—Alarm destination chosen according to type of event, e.g. in case of fire phone the fire service, in case of medical emergency phone the ambulance
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
- G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Tourism & Hospitality (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Pulmonology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Electromagnetism (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Alarm Systems (AREA)
Abstract
실시예에 따른 안전대피를 위한 터널제어 함체 및 함체 제어방법은 터널 상황을 모니터링한 CCTV 영상의 실시간 분석을 통해, 터널 내 사고 발생 시 사고 발생여부, 사고 종류 및 위급성을 신속하게 파악할 수 있도록 한다. 또한, 실시예에서는 터널 현장 유지보수 및 점검활동을 위해 로컬에서의 도어 개방이 필요한 경우, 함체의 IoT센서를 통해, 키 인증을 수행하여 원격제어 없이 함체 도어를 오픈할 수 있도록 한다. 또한, 실시예에서는 이용객들의 현장 탈출을 돕기 위해, 통합 함체의 문을 자동으로 오픈하고, 함체내부 LED표시판으로 이용객의 위치정보와 터널의 입구, 출구까지의 거리 또는 비상통로까지의 거리와 방향을 표출한다.The tunnel control enclosure and enclosure control method for safe evacuation according to the embodiment enable quick identification of whether an accident has occurred, the type of accident, and the emergency when an accident occurs in the tunnel through real-time analysis of CCTV images that monitor the tunnel situation. Additionally, in the embodiment, when opening the door locally is necessary for tunnel site maintenance and inspection activities, key authentication is performed through the IoT sensor of the enclosure, allowing the enclosure door to be opened without remote control. In addition, in the embodiment, in order to help users escape from the scene, the door of the integrated enclosure is automatically opened, and the user's location information and the distance to the entrance and exit of the tunnel or the distance and direction to the emergency passage are displayed through an LED display inside the enclosure. Express.
Description
본 개시는 안전대피를 위한 터널제어 함체 원격 제어방법에 관한 것으로 구체적으로, 터널 내부 사고 발생 시 터널 이용객의 현장 탈출을 돕기 위해 자동 오픈되는 도어 및 도어 내측에 현 위치에서 터널의 입구, 출구 및 비상 통로까지의 거리와 방향을 안내하는 LED 표시를 제공하는 터널제어 함체 및 함체 제어방법에 관한 것이다. This disclosure relates to a remote control method of a tunnel control enclosure for safe evacuation, and specifically, in the event of an accident inside the tunnel, a door that opens automatically to help tunnel users escape from the scene, and a tunnel's entrance, exit, and emergency location at the current location inside the door. This relates to a tunnel control enclosure and enclosure control method that provides LED indicators to guide the distance and direction to the passage.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.Unless otherwise indicated herein, the material described in this section is not prior art to the claims of this application, and is not admitted to be prior art by inclusion in this section.
터널 내부에서 차량 충돌과 같은 차고 발생시, 터널 내부의 환기가 제대로 되지 않아서 연기나 가스가 축적되어 가시확보에 큰 어려움이 있으며, 숨쉬기 힘들어지거나 의식을 잃는 등의 중독 증상이 나타날 수 있다. 또한, 터널 내부에서의 사고는 화재로 이어질 가능성이 높고, 화재가 발생하면 터널에서의 대피가 어렵다. 또한 화재로 인해 열기가 발생하여 터널 내부의 기기나 설비 등이 손상될 수 있다. 또한, 터널 내부에서 사고가 발생하면 교통이 혼잡 해지며 대피하는 차량과 구조 작업을 하는 차량 등이 추가로 발생하여 교통 상황이 악화된다. 이로 인해 터널 내부에서의 구조 작업은 다른 장소보다 더욱 어렵다. In the event of a collision, such as a vehicle collision, inside the tunnel, ventilation inside the tunnel is not proper and smoke or gas accumulates, making visibility difficult. Symptoms of poisoning, such as difficulty breathing or loss of consciousness, may appear. Additionally, an accident inside a tunnel is likely to result in a fire, and if a fire occurs, evacuation from the tunnel is difficult. Additionally, fire may generate heat and damage equipment or facilities inside the tunnel. Additionally, if an accident occurs inside a tunnel, traffic becomes congested and additional vehicles evacuating and vehicles conducting rescue operations are generated, worsening the traffic situation. Because of this, rescue operations inside the tunnel are more difficult than in other places.
또한, 화염과 연기로 인해 피해 위치에서 피난도피로(피난갱)까지의 위치 정보를 제공해야 한다. 또한, 터널에서 사고가 발생하는 경우, 터널 내부에서 긴급 대피가 필요한 상황에서 긴급 대피 구역이나 안전 구역을 찾기 어려운 문제가 있다. In addition, location information from the location of damage due to fire and smoke to the evacuation route (evacuation pit) must be provided. Additionally, when an accident occurs in a tunnel, there is a problem in that it is difficult to find an emergency evacuation area or safety area in a situation where emergency evacuation is required inside the tunnel.
한편, 터널 제어 함체는 터널 내부의 환경과 교통량을 제어하는 시스템으로, 터널 내 안전을 유지하는 장치이다. 터널 제어 함체는 터널에서 사고 발생 시 사고에 대응한다. 하지만, 종래 터널 제어 함체는 사고 인식 정확성과 대응 과정 속도가 떨어지는 문제가 있다. Meanwhile, the tunnel control enclosure is a system that controls the environment and traffic volume inside the tunnel and is a device that maintains safety within the tunnel. The tunnel control enclosure responds to accidents when they occur in the tunnel. However, the conventional tunnel control enclosure has problems with poor accident recognition accuracy and response process speed.
실시예에 따른 안전대피를 위한 터널제어 함체 원격 제어방법은 터널 상황을 모니터링한 CCTV 영상의 실시간 분석을 통해, 터널 내 사고 발생 시 사고 발생여부, 사고 종류 및 위급성을 신속하게 파악할 수 있도록 한다. The tunnel control enclosure remote control method for safe evacuation according to the embodiment enables quick identification of whether an accident has occurred, the type of accident, and the emergency when an accident occurs in the tunnel through real-time analysis of CCTV images that monitor the tunnel situation.
또한, 실시예에서는 터널 현장 유지보수 및 점검활동을 위해 로컬에서의 도어 개방이 필요한 경우, 함체의 IoT센서를 통해, 키 인증을 수행하여 원격제어 없이 함체 도어를 수동 오픈할 수 있도록 한다. Additionally, in the embodiment, when local door opening is required for tunnel site maintenance and inspection activities, key authentication is performed through the IoT sensor of the enclosure to enable manual opening of the enclosure door without remote control.
또한, 실시예에서는 이용객들의 현장 탈출을 돕기 위해, 통합 함체의 문을 자동으로 오픈하고, 함체내부 LED표시판으로 이용객의 위치정보와 터널의 입구, 출구까지의 거리 또는 비상통로까지의 거리와 방향을 표출한다.In addition, in the embodiment, in order to help users escape from the scene, the door of the integrated enclosure is automatically opened, and the user's location information and the distance to the entrance and exit of the tunnel or the distance and direction to the emergency passage are displayed through an LED display inside the enclosure. Express.
실시예에 따른 안전대피를 위한 터널제어함체의 원격제어시스템은 터널을 실시간으로 촬영하여, 터널 상황 모니터링 영상을 생성하는 CCTV; CCTV로부터 수신한 터널 상황 모니터링 영상을 분석하여 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류와 위급성을 파악하고, 사고 발생 여부에 따라 사고발생 신호를 터널제어함체로 전송하는 서버; 및 서버로부터 사고발생 신호를 수신하는 경우, 도어를 오픈하고 대피 안내 표시를 출력하는 터널제어함체; 및 터널제어함체로부터 터널 모니터링 정보를 수집하여, 터널을 모니터링하고, 터널 제어 함체 도어의 개폐를 원격 제어하는 로컬 관리센터; 를 포함한다. The remote control system of the tunnel control enclosure for safe evacuation according to the embodiment includes CCTV that photographs the tunnel in real time and generates a tunnel situation monitoring image; A server that analyzes tunnel situation monitoring images received from CCTV to determine whether an accident has occurred, if an accident has occurred, determines the type and urgency of the accident, and transmits an accident signal to the tunnel control box depending on whether an accident has occurred; and a tunnel control enclosure that opens the door and outputs an evacuation guide when an accident signal is received from the server; and a local management center that collects tunnel monitoring information from the tunnel control enclosure, monitors the tunnel, and remotely controls the opening and closing of the tunnel control enclosure door; Includes.
이상에서와 같은 안전대피를 위한 터널제어 함체 및 함체 제어방법은 대피로 확보 및 인명구조의 어려움이 큰 터널에서 사고 발생시 이에 신속하게 대응하여 인명피해와 시설물 피해를 최소화할 수 있도록 한다.The tunnel control enclosure and enclosure control method for safe evacuation as described above can minimize casualties and damage to facilities by quickly responding to accidents in tunnels where securing evacuation routes and saving lives is difficult.
또한, 실시예를 통해, 터널에서의 사고발생시 이용객들을 신속하고, 안전하게 대피할 수 있게 하는 효율적인 안전시스템을 제공한다. In addition, through embodiments, an efficient safety system is provided that allows users to quickly and safely evacuate in the event of an accident in a tunnel.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.The effects of the present invention are not limited to the effects described above, and should be understood to include all effects that can be inferred from the configuration of the invention described in the detailed description or claims of the present invention.
도 1은 터널제어함체 설치예를 나타낸 도면
도 2는 실시예에 따른 터널제어함체 관리 방법을 설명하기 위한 도면
도 3은 실시예에 따른 안전대피를 위한 터널제어함체의 제어시스템 구성을 나타낸 도면
도 4는 실시예에 따른 터널제어함체(200)의 데이터 처리 구성을 나타낸 도면
도 5는 실시예에 따른 서버(300)의 데이터 처리 구성을 나타낸 도면
도 6은 실시예에 따른 안전대피를 위한 터널제어함체의 제어 시스템의 신호 흐름도1 is a diagram showing an example of tunnel control enclosure installation.
Figure 2 is a diagram for explaining a tunnel control enclosure management method according to an embodiment
Figure 3 is a diagram showing the control system configuration of a tunnel control enclosure for safe evacuation according to an embodiment
Figure 4 is a diagram showing the data processing configuration of the tunnel control enclosure 200 according to an embodiment.
Figure 5 is a diagram showing the data processing configuration of the server 300 according to an embodiment.
Figure 6 is a signal flow diagram of the control system of the tunnel control enclosure for safe evacuation according to the embodiment.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 도면부호는 동일 구성 요소를 지칭한다.The advantages and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are merely provided to ensure that the disclosure of the present invention is complete and to provide common knowledge in the technical field to which the present invention pertains. It is provided to fully inform those who have the scope of the invention, and the present invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.
본 발명의 실시 예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시 예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In describing embodiments of the present invention, if it is determined that a detailed description of a known function or configuration may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. The terms described below are terms defined in consideration of functions in embodiments of the present invention, and may vary depending on the intention or custom of the user or operator. Therefore, the definition should be made based on the contents throughout this specification.
도 1은 터널제어함체 설치예를 나타낸 도면이고, 도 2는 실시예에 따른 터널제어함체 관리 방법을 설명하기 위한 도면이다.Figure 1 is a diagram showing an example of tunnel control enclosure installation, and Figure 2 is a diagram illustrating a tunnel control enclosure management method according to an embodiment.
도 1 및 도 2를 참조하면, 실시예에서는 터널에 설치된 복수개의 터널제어함체로부터 터널 모니터링 정보를 전달받고, 모니터링 정보를 기반으로 위급 상황에 대응한다. 또한, 로컬 관리 센터와 터널제어함체 간 통신으로 터널제어함체 도어의 원격개폐를 제어할 수 있도록 한다.Referring to Figures 1 and 2, in the embodiment, tunnel monitoring information is received from a plurality of tunnel control enclosures installed in the tunnel, and emergency situations are responded to based on the monitoring information. In addition, it is possible to control remote opening and closing of the tunnel control enclosure door through communication between the local management center and the tunnel control enclosure.
도 3은 실시예에 따른 안전대피를 위한 터널제어함체의 제어시스템 구성을 나타낸 도면이다. Figure 3 is a diagram showing the control system configuration of a tunnel control enclosure for safe evacuation according to an embodiment.
도 3을 참조하면, 실시예에 따른 안전대피를 위한 터널제어함체의 제어시스템은 CCTV(100), 터널제어함체(200), 서버(300), 로컬 관리센터(400) 및 스마트 단말(500)을 포함하여 구성될 수 있다. CCTV(100)는 터널을 실시간으로 촬영하여, 터널 상황 모니터링 영상을 생성한다. 서버(300)는 CCTV(100)로부터 수신한 터널 상황 영상을 분석하여 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류와 위급성을 판단한다. 또한, 실시예에서 서버(300)는 사고 발생 여부에 따라 터널제어함체(200)의 도어를 오픈한다. 터널제어함체(200)는 서버(300)로부터 사고 발생 신호를 수신하는 경우, 도어를 오픈하고 대피 안내 표시를 출력한다. Referring to FIG. 3, the control system of the tunnel control enclosure for safe evacuation according to the embodiment includes a CCTV (100), a tunnel control enclosure (200), a server (300), a local management center (400), and a smart terminal (500). It may be configured to include. The CCTV 100 photographs the tunnel in real time and generates a tunnel situation monitoring image. The server 300 analyzes the tunnel situation video received from the CCTV 100 to determine whether an accident has occurred, and if an accident has occurred, determines the type and urgency of the accident. Additionally, in the embodiment, the server 300 opens the door of the tunnel control enclosure 200 depending on whether an accident has occurred. When the tunnel control enclosure 200 receives an accident signal from the server 300, it opens the door and outputs an evacuation guide.
또한, 실시예에서 서버(300)는 터널 모니터링 정보를 수집하고, 터널 모니터링 정보를 기반으로 사고 발생 가능성을 산출한다. 실시예에서 서버(300)는 사고 발생 가능성이 일정 수준 이상인 경우, 예측된 사고에 대응하도록 한다. Additionally, in the embodiment, the server 300 collects tunnel monitoring information and calculates the possibility of an accident occurring based on the tunnel monitoring information. In an embodiment, the server 300 responds to a predicted accident when the possibility of an accident occurring is above a certain level.
로컬 관리센터(400)는 근무자가 터널 사고 발생 인식 시 원격제어 프로그램을 통해, 함체를 개방할 수 있도록 한다. 실시예에서 로컬 관리센터(400)는 터널 관할 지역의 소방서 및 터널 관리센터를 포함할 수 있다.The local management center 400 allows workers to open the enclosure through a remote control program when they recognize a tunnel accident. In an embodiment, the local management center 400 may include a fire department and a tunnel management center in the tunnel jurisdiction.
스마트 단말(500)은 터널을 이용하는 사용자의 단말로서, 실시예에서는 터널 사고 발생 시, 터널제어함체(200)로부터 수신한 대피 안내 메시지를 출력한다.The smart terminal 500 is a terminal of a user using a tunnel. In the embodiment, when a tunnel accident occurs, the smart terminal 500 outputs an evacuation guidance message received from the tunnel control enclosure 200.
실시예에 따른 안전대피를 위한 터널제어 함체 및 함체 제어방법은 터널 상황을 모니터링한 CCTV 영상의 실시간 분석을 통해, 터널 내 사고 발생 시 사고 발생여부, 사고 종류 및 위급성을 신속하게 파악할 수 있도록 한다. The tunnel control enclosure and enclosure control method for safe evacuation according to the embodiment enable quick identification of whether an accident has occurred, the type of accident, and the emergency when an accident occurs in the tunnel through real-time analysis of CCTV images that monitor the tunnel situation.
또한, 실시예에서는 터널 현장 유지보수 및 점검활동을 위해 로컬에서의 도어 수동개방이 필요한 경우, 함체의 IoT센서를 통해, 키 인증을 수행하여 원격제어 없이 함체 도어를 오픈할 수 있도록 한다. In addition, in the embodiment, when manual opening of the door is required locally for tunnel site maintenance and inspection activities, key authentication is performed through the IoT sensor of the enclosure to open the enclosure door without remote control.
또한, 실시예에서는 이용객들의 현장 탈출을 돕기 위해, 통합 함체의 문을 자동으로 원격오픈하고, 함체내부 LED표시판으로 이용객의 위치정보와 터널의 입구, 출구까지의 거리 또는 비상통로까지의 거리와 방향을 표출한다.In addition, in the embodiment, in order to help users escape from the scene, the door of the integrated enclosure is automatically and remotely opened, and the user's location information is displayed on the LED display inside the enclosure, as well as the distance to the entrance and exit of the tunnel or the distance and direction to the emergency passage. Expresses .
또한, 종래에는 감지부문에서 CCTV로 인지하여 터널제어함체를 상황실에서만 제어하였다. 하지만, 실시예에서는 현장에서 터널제어함체를 오픈하면 상황실에서 알람이나 관리 PC모니터의 팝업창을 통해 터널제어함체 정보를 츨력하여, 관리자가 터널제어함체의 상태를 더욱 쉽게 인식할 수 있도록 한다. In addition, in the past, the tunnel control enclosure was controlled only from the situation room by recognizing it as CCTV in the detection department. However, in the embodiment, when the tunnel control enclosure is opened in the field, tunnel control enclosure information is output through an alarm in the situation room or a pop-up window on the management PC monitor, so that the manager can more easily recognize the status of the tunnel control enclosure.
도 4는 실시예에 따른 터널제어함체(200)의 데이터 처리 구성을 나타낸 도면이다. Figure 4 is a diagram showing the data processing configuration of the tunnel control enclosure 200 according to an embodiment.
도 4를 참조하면, 실시예에 따른 터널제어함체(200)는 통신부(210), IoT 센서(220), 제어부(230), LED 표지판(240) 및 대피 안내 메시지 송출부(150)를 포함하여 구성될 수 있다. 본 명세서에서 사용되는 '부' 라는 용어는 용어가 사용된 문맥에 따라서, 소프트웨어, 하드웨어 또는 그 조합을 포함할 수 있는 것으로 해석되어야 한다. 예를 들어, 소프트웨어는 기계어, 펌웨어(firmware), 임베디드코드(embedded code), 및 애플리케이션 소프트웨어일 수 있다. 또 다른 예로, 하드웨어는 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어, 센서, 멤스(MEMS; Micro-Electro-Mechanical System), 수동 디바이스, 또는 그 조합일 수 있다.Referring to FIG. 4, the tunnel control enclosure 200 according to the embodiment includes a communication unit 210, an IoT sensor 220, a control unit 230, an LED sign 240, and an evacuation guidance message transmission unit 150. It can be configured. The term 'part' used in this specification should be construed to include software, hardware, or a combination thereof, depending on the context in which the term is used. For example, software may be machine language, firmware, embedded code, and application software. As another example, hardware may be a circuit, processor, computer, integrated circuit, integrated circuit core, sensor, Micro-Electro-Mechanical System (MEMS), passive device, or a combination thereof.
통신부(210)는 서버(300) 및 원격제어 센터(400)와 통신한다. The communication unit 210 communicates with the server 300 and the remote control center 400.
IoT 센서(220)는 함체 주변에 구비된 키의 인증코드를 통해, 키를 인증한다. 예컨대, IoT 센서(220)는 터널관리자가 현장 유지보수 및 점검활동을 위해 로컬에서의 함체 도어 오픈이 필요한 경우, 인증 코드를 내장한 키를 인식시키면, IoT 센서(220)는 키에 내장된 인증 코드 인식 결과에 따라, 원격지의 도움 없이 함체 도어를 수동 개방할 수 있다. 실시예에서 인증 코드는 실시예에서 인식 코드는 바코드, QR 코드, RFID, NFC 태그 등을 포함하고, 이에 한정하지 않는다.The IoT sensor 220 authenticates the key through the authentication code of the key provided around the enclosure. For example, when the tunnel manager needs to open the enclosure door locally for on-site maintenance and inspection activities, the IoT sensor 220 recognizes the key containing the authentication code, and the IoT sensor 220 uses the authentication code embedded in the key. Depending on the code recognition results, the enclosure door can be opened manually without remote assistance. In the embodiment, the authentication code includes, but is not limited to, a barcode, QR code, RFID, NFC tag, etc.
제어부(230)는 서버(300) 및 로컬 관리센터(400)로부터 수신한 함체 오픈 신호 및 함체 오픈 키에 삽입된 인증 코드의 인증 결과에 따라 함체 도어 개폐를 제어한다.The control unit 230 controls the opening and closing of the enclosure door according to the enclosure open signal received from the server 300 and the local management center 400 and the authentication result of the authentication code inserted into the enclosure open key.
실시예에서 제어부(230)는 터널제어함체에 설치된 EM도어의 오픈을 제어할 수 있다. EM도어는 전자기장(EM)을 이용하여 출입문을 개폐하는 장치이다. In the embodiment, the control unit 230 may control the opening of the EM door installed in the tunnel control enclosure. An EM door is a device that opens and closes a door using electromagnetic fields (EM).
실시예에서 제어부(230)는 터널에 사고가 발생하지 않은 평상시에는 로컬 관리센터에서 프로그램을 통해, 도어의 원격 오픈 제어 신호를 수신하여 원격 개폐를 지원한다. In the embodiment, the control unit 230 supports remote opening and closing by receiving a remote open control signal of the door through a program from the local management center in normal times when no accident occurs in the tunnel.
LED 표지판(240)는 터널 내 사고 발생 시, 함체 위치에서 터널 입구 및 출구까지의 거리와 대피 방향을 출력한다. 실시예에서 LED 표지판(240)은 터널에서 발생한 사고의 종류와 위급성에 따라 판단된 사용자 행동 지침에 따라, 사용자 행동 지침에 대응하는 안내 메시지를 출력할 수 있다. 실시예에서 사용자 행동 지침은 대피, 구조 대기 등을 포함할 수 있다. 예컨대, LED 표지판(240)은 사용자 행동지침이 대피인 경우, 함체 위치에서 출구 또는 입구까지의 거리와 이동경로를 표시하고, 위험지역의 위치를 함께 표시할 수 있다. 또한, 사용자 행동지침이 구조 대기인 경우, 예상 대기시간과 구조대 위치 및 안전 대기 방법 등을 표시할 수 있다. When an accident occurs in a tunnel, the LED sign 240 outputs the distance from the enclosure location to the tunnel entrance and exit and the evacuation direction. In an embodiment, the LED sign 240 may output a guidance message corresponding to the user action guideline determined according to the type and emergency of the accident that occurred in the tunnel. In embodiments, user action instructions may include evacuation, waiting for rescue, etc. For example, when the user action guideline is evacuation, the LED sign 240 can display the distance and movement path from the enclosure location to the exit or entrance, and also display the location of the dangerous area. Additionally, if the user action guide is to wait for rescue, the expected waiting time, location of the rescue team, and safe waiting method can be displayed.
대피 안내 메시지 송출부(250)는 터널에서 사고가 발생하고, 사용자 행동 지침이 대피인 경우, 터널제어 함체의 위치에서 일정 반경 이내에 존재하는 스마트 단말로 터널입구, 터널 출구 위치정보와 이동경로를 포함하는 대피 안내 메시지를 전송한다. If an accident occurs in a tunnel and the user action guideline is evacuation, the evacuation information message transmitter 250 is a smart terminal that exists within a certain radius from the location of the tunnel control enclosure and includes tunnel entrance and tunnel exit location information and movement route. Send an evacuation guidance message.
실시예에서 대피 안내 메시지 송출부(250)는 일전 반경 내의 주변 단말로 블루투스 신호를 송출하고, 스마트 단말에서 블루투스 신호를 인식하여, 두 기기 간의 거리와 위치를 파악한다. 또한, 실시예에서 대피 안내 메시지 송출부(250)는 NFC를 이용하여 전자기기에서 스마트 단말로 대피 안내 메시지를 전송할 수 있다. 또한, 실시예에서 대피 안내 메시지 송출부(250)는 와이파이(Wi-Fi) 신호를 이용하여 터널제어함체와 주변 단말 간의 통신을 가능하게 한다. 실시예에서는 대피 안내 메시지 송출부(250)에서 와이파이 신호를 송출하고, 주변 단말은 이를 인식하여 주변 단말의 위치를 파악하도록 한다. 이후, 대피 안내 메시지 송출부(250)는 검출된 주변 단말로, 대피, 구조 대기 등의 안내지침과 안내지침에 대한 상세 설명을 포함한 대피 안내 메시지를 단말로 전송할 수 있다. In the embodiment, the evacuation information message transmitter 250 transmits a Bluetooth signal to a nearby terminal within a certain radius, recognizes the Bluetooth signal in the smart terminal, and determines the distance and location between the two devices. Additionally, in the embodiment, the evacuation guidance message transmitter 250 may transmit an evacuation guidance message from an electronic device to a smart terminal using NFC. Additionally, in the embodiment, the evacuation guidance message transmitter 250 enables communication between the tunnel control enclosure and surrounding terminals using a Wi-Fi signal. In the embodiment, the evacuation information message transmitter 250 transmits a Wi-Fi signal, and the nearby terminal recognizes it to determine the location of the nearby terminal. Thereafter, the evacuation guidance message transmitter 250 may transmit an evacuation guidance message including guidance instructions such as evacuation and waiting for rescue and a detailed explanation of the guidance instructions to the detected nearby terminals.
또한, 대피 안내 메시지 송출부(250)은 함체 주변 단말의 위치 정보를 서버(300)와 로컬 관리 센터(400)로 전송하여, 사고 발생 시 해당 위치의 사용자를 수색하고 구조할 수 있도록 한다.In addition, the evacuation information message transmitter 250 transmits location information of terminals around the enclosure to the server 300 and the local management center 400, enabling search and rescue of users at the corresponding location in the event of an accident.
도 5는 실시예에 따른 서버(300)의 데이터 처리 구성을 나타낸 도면이다.Figure 5 is a diagram showing the data processing configuration of the server 300 according to an embodiment.
도 5를 참조하면, 실시예에 따른 서버(300)는 수집부(310), 전처리부(320), 딥러닝부(330), 분석부(340), 통신부(350) 및 피드백부(360)를 포함하여 구성될 수 있다.Referring to FIG. 5, the server 300 according to the embodiment includes a collection unit 310, a preprocessing unit 320, a deep learning unit 330, an analysis unit 340, a communication unit 350, and a feedback unit 360. It may be configured to include.
수집부(310)는 CCTV로부터 터널상황 모니터링 영상, 터널에 구비된 함체의 기기정보 및 딥러닝 모델의 학습 정보를 수집한다. 또한, 실시예에서 수집부(310)는 터널에 설치된 터널제어함체와 터널에 설치된 센서로부터 로부터 터널 모니터링 정보를 수집한다. 터널 모니터링 정보는 터널 환경 정보, 미세먼지 및 화학물질 정보, 보안정보, 교통정보, 구조 안전 정보, 기계 및 전기정보를 포함할 수 있다. 터널 환경 정보는 터널 내부와 외부의 기온, 습도, 대기압, 풍속 등의 정보를 포함한다. 미세먼지 및 화학물질 정보는 터널 내부의 대기질 상태를 평가하기 위해 미세먼지 및 화학물질 농도를 측정하여 획득하는 정보이다. 보안정보는 CCTV, 레이더 등의 장비를 사용하여 터널 내부의 보안상태를 모니터링 한 정보이고, 교통정보는 터널 내부의 교통량, 속도, 차량 유형 등의 정보를 수집하여, 교통 혼잡도나 차량 사고 발생 가능성 등을 예측하기 위한 정보이다. 구조 안전 정보는 터널의 구조상태, 지하수 수위, 지진 등의 정보를 수집하여, 터널의 안전성을 평가하고, 필요한 조치를 취하기 위한 정보이다. 기계 및 전기 정보는 터널 내부의 기계, 전기 시설 등의 상태를 모니터링하여, 이상 발생 시 조속한 대처를 가능하게 하는 정보이다. 터널에 설치된 센서는 온도센서, 습도 센서, 미세먼지 감지 센서, 카메라 등을 포함하고 이에 한정하지 않는다. The collection unit 310 collects tunnel situation monitoring images from CCTV, device information of enclosures provided in the tunnel, and learning information of deep learning models. Additionally, in the embodiment, the collection unit 310 collects tunnel monitoring information from a tunnel control enclosure installed in the tunnel and a sensor installed in the tunnel. Tunnel monitoring information may include tunnel environment information, fine dust and chemical information, security information, traffic information, structural safety information, and mechanical and electrical information. Tunnel environmental information includes information such as temperature, humidity, atmospheric pressure, and wind speed inside and outside the tunnel. Fine dust and chemical information is information obtained by measuring the concentration of fine dust and chemicals to evaluate the air quality inside the tunnel. Security information is information that monitors the security status inside the tunnel using equipment such as CCTV and radar, and traffic information collects information such as traffic volume, speed, and vehicle type inside the tunnel, such as traffic congestion and the possibility of vehicle accidents. This is information for predicting. Structural safety information is information used to collect information such as the structural condition of the tunnel, groundwater level, earthquakes, etc., to evaluate the safety of the tunnel and take necessary measures. Mechanical and electrical information is information that monitors the status of mechanical and electrical facilities inside the tunnel and enables prompt response in the event of an abnormality. Sensors installed in the tunnel include, but are not limited to, temperature sensors, humidity sensors, fine dust detection sensors, and cameras.
전처리부(320)는 전처리부(320)는 수집된 딥러닝 모델의 학습 정보를 중 편향성이나 차별성을 가진 데이터를 제거하기 위해, 수집된 학습정보를 전처리한다. 또한, 실시예에서 전처리부(320)는 수집된 데이터를 전처리하여 인공지능 모델 학습에 적합한 형태로 가공한다. 예컨대, 전처리부(320)는 노이즈 제거, 이상치 제거, 결측치 처리 등의 과정을 수행할 수 있다. 또한, 전처리부(320)는 데이터 전처리를 통해 데이터를 정규화하거나, 이상치를 제거하거나, 데이터의 배율 조정 등을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지할 수 있다.The preprocessing unit 320 preprocesses the collected learning information of the deep learning model in order to remove data with bias or discrimination. Additionally, in the embodiment, the pre-processing unit 320 pre-processes the collected data and processes it into a form suitable for learning an artificial intelligence model. For example, the preprocessor 320 may perform processes such as noise removal, outlier removal, and missing value processing. Additionally, the preprocessor 320 can prevent the model from learning unnecessary patterns by normalizing the data, removing outliers, or adjusting the scale of the data through data preprocessing.
딥러닝부(330)는 딥러닝 뉴럴 네트워크를 학습정보로 학습시켜, 사고발생 판단 모델을 구현한다. 실시예에서 사고발생 판단모델은 터널 상황 모니터링 영상 및 터널 모니터링 정보를 통해 터널에서의 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류와 위급성을 판단하는 딥러닝 모델이다. 실시예에서 위급성은 발생한 사고의 인명과 재산상 피해 규모를 의미한다. 또한, 실시예에서 사고발생 판단 모델은 터널 모니터링 정보를 통해, 사고가 발생할 가능성을 예측한다. 실시예에서 사고발생 판단 모델은 터널 모니터링 데이터를 분석하여 사고 발생에 영향을 미치는 다양한 변수들을 고려하여 사고 발생 가능성을 계산한다. 실시예에서는 사고발생 판단 모델을 통해, 터널 모니터링 정보에 따라 사고가 발생할 가능성이 높은 지역이나 상황을 사전에 예측하여 사고 예방에 활용할 수 있도록 한다.The deep learning unit 330 trains a deep learning neural network with learning information and implements an accident occurrence judgment model. In the embodiment, the accident occurrence determination model is a deep learning model that determines whether an accident has occurred in the tunnel through tunnel situation monitoring images and tunnel monitoring information, and, if an accident occurs, determines the type and urgency of the accident. In the embodiment, emergency refers to the scale of damage to life and property in an accident that occurred. Additionally, in the embodiment, the accident occurrence determination model predicts the possibility of an accident occurring through tunnel monitoring information. In an embodiment, the accident determination model analyzes tunnel monitoring data and calculates the possibility of an accident occurring by considering various variables that affect the occurrence of an accident. In the embodiment, the accident occurrence judgment model is used to predict in advance areas or situations where accidents are likely to occur based on tunnel monitoring information and use it to prevent accidents.
실시예에서 사고발생 판단 모델의 학습정보는 터널 모니터링 정보 및 사고의 종류나 성격, 발생 장소와 시간, 날씨 등의 정보를 포함할 수 있다. 또한 학습정보는 CCTV 영상이나 교통정보 등 다양한 데이터를 포함할 수 있다. In an embodiment, the learning information of the accident occurrence judgment model may include tunnel monitoring information and information such as the type or nature of the accident, location and time of occurrence, and weather. Additionally, learning information may include various data such as CCTV footage or traffic information.
실시예에서 딥러닝 뉴럴 네트워크는 DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하고 이에 한정하지 않는다.In an embodiment, the deep learning neural network includes, but is not limited to, at least one of a Deep Neural Network (DNN), a Convolutional Neural Network (CNN), a Recurrent Neural Network (RNN), and a Bidirectional Recurrent Deep Neural Network (BRDNN).
분석부(340)는 터널상황 모니터링 영상 분석을 통해, 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류 및 위급성을 파악한다. 실시예에서 분석부(340)는 인공지능 머신러닝을 통한 이미지 인식(image recognition)과정을 통해 사고발생 여부와 사고의 종류를 최종 확정할 수 있다. 인공지능 이미지 인식은 기계가 마치 사람처럼 사진으로부터 사물을 인식하고 장면을 이해하는 것으로, 컴퓨터 비전 기술 중 하나에 해당한다. 실시예에서는 터널상황 모니터링 영상의 이미지 인식을 위해, 이미지에 포함된 개체 분류(classification), 검출(detection) 및 개체를 픽셀 단위로 식별하여 분할(segmentation)하는 데이터 처리 과정을 수행한다. 실시예에서 분석부(340)는 노이즈 대응 외 학습하지 못한 패턴 처리를 위해 학습 외 분포 데이터 탐지(out of distribution detection)과정을 수행한다. 학습 외 분포 데이터 탐지는 인공지능에 입력된 이미지가 학습된 확률분포 데이터 인지 아닌지 식별하는 것이다. 실시예에서는 학습 외 분포 데이터 탐지를 통해 인공 신경망이 판단하기 어려운 이미지를 걸러내거나 예외 처리하여 안정성과 신뢰성을 높일 수 있도록 한다. 실시예에서는 학습 외 분포 데이터 탐지를 위해서 딥러닝 판정에 대해 얼마나 확신(confidence)하는지를 나타내는 확률 값을 보정(calibration)하거나 학습 외 분포 데이터를 생성적 대립 신경망(GAN, Generative Adversarial Network)으로 생성하고 학습하여 탐지 정확도를 향상시킬 수 있도록 한다. The analysis unit 340 determines whether an accident has occurred through analysis of tunnel situation monitoring images, and if an accident occurs, determines the type and emergency of the accident. In the embodiment, the analysis unit 340 can finally determine whether an accident has occurred and the type of accident through an image recognition process using artificial intelligence machine learning. Artificial intelligence image recognition is a type of computer vision technology in which a machine recognizes objects and understands scenes from photos just like a human. In the embodiment, for image recognition of the tunnel situation monitoring video, a data processing process is performed to classify and detect objects included in the image, and to identify and segment the objects in pixel units. In the embodiment, the analysis unit 340 performs an out of distribution detection process outside of learning to process unlearned patterns in addition to noise response. Non-learning distribution data detection is to identify whether the image input to artificial intelligence is learned probability distribution data. In the embodiment, stability and reliability can be increased by filtering out or exception processing images that are difficult for the artificial neural network to judge through detection of distribution data other than learning. In the embodiment, in order to detect non-learning distribution data, a probability value indicating how confident one is in the deep learning decision is calibrated or non-learning distribution data is generated and learned using a generative adversarial network (GAN). This helps improve detection accuracy.
또한, 실시예에서는 이미지 인식 정확도를 유지하면서 모델의 크기를 줄이기 위해, 연산을 간소화하는 경량 딥러닝 기술을 이용하여 체형박스를 최종 확정할 수 있도록 한다. 실시예에서는 이미지 인식을 위해 콘볼루션 신경망(CNN, Convolution Neural Network)에서 콘볼루션 필터를 변형하여 연산 차원을 축소(Reduction)하거나 큰 영향이 없는 신경망의 가중치(weight)를 삭제하는 가지치기, 가중치 값의 부동 소수점을 줄여 연산을 간소화하는 양자화 과정을 수행하여 데이터 경량화를 가능하도록 한다. 또한, 실시예에서는 미리 학습시킨 큰 신경망의 출력을 작은 신경망에서 모방 학습하도록 하여 연산을 간소화하며 정확도를 유지할 수 있도록 한다.Additionally, in the embodiment, in order to reduce the size of the model while maintaining image recognition accuracy, the body shape box can be finalized using lightweight deep learning technology that simplifies calculations. In the embodiment, for image recognition, a convolutional filter is modified in a convolutional neural network (CNN) to reduce the operation dimension, or pruning and weight values to delete weights of a neural network that do not have a significant impact are performed. A quantization process is performed to simplify calculations by reducing the number of floating point numbers, enabling data lightweighting. Additionally, in the embodiment, the output of a pre-trained large neural network is imitated and learned by a small neural network to simplify computation and maintain accuracy.
실시예에서 통신부(350)는 사고 발생 여부에 따라 함체 도어 오픈 신호를 함체로 전송하고, 사고의 종류와 위급성에 따른 지원 요청 메시지를 구조기관으로 전송한다. In the embodiment, the communication unit 350 transmits an enclosure door open signal to the enclosure depending on whether an accident has occurred, and transmits a support request message according to the type and emergency of the accident to a rescue organization.
피드백부(360)는 딥러닝 모델을 피드백 한다. 피드백부(360)는 인공신경망 모델의 정확성이 낮은 경우, 개선 작업을 수행한다. 실시예에서 피드백부(360)는 특정 집단의 데이터가 일정수준 이상 부족한 경우 상기 특정 집단을 대표하는 데이터를 추가로 수집하고, 데이터 전처리 과정을 수행한다. 실시예에서 피드백부(360)는 데이터 정규화, 이상치 제거, 데이터의 배율 조정을 포함하는 데이터 전처리 과정을 수행하여 모델이 불필요한 패턴을 학습하는 것을 방지한다. 또한, 실시예에서 피드백부(360)는 모델 학습 알고리즘에 특정 조건을 추가하여 차별성을 방지하거나, 정확성을 보장할 수 있다. The feedback unit 360 feeds back the deep learning model. The feedback unit 360 performs improvement work when the accuracy of the artificial neural network model is low. In an embodiment, when the data for a specific group is insufficient by a certain level, the feedback unit 360 additionally collects data representing the specific group and performs a data preprocessing process. In an embodiment, the feedback unit 360 performs a data preprocessing process including data normalization, outlier removal, and data scaling to prevent the model from learning unnecessary patterns. Additionally, in an embodiment, the feedback unit 360 may prevent discrimination or ensure accuracy by adding a specific condition to the model learning algorithm.
실시예에서 피드백부(360)는 데이터 분석 정확성 보장을 위해, 혼돈행렬(Confusion Matrix) 분석을 통해, 모델의 예측 결과를 실제 결과와 비교하여 모델의 성능을 평가한다. 혼돈 행렬(confusion matrix)은 지도 학습에서 모델의 분류 성능을 평가하는 행렬이다. 혼돈 행렬은 모델이 예측한 결과와 실제 결과를 비교하여 분류 결과를 표시한다. 실시예에서 피드백부(360)는 혼돈행렬 분석을 통해, 각각의 클래스에 대한 정확도와 오분류율을 계산하여 모델의 성능을 평가할 수 있다. In the embodiment, the feedback unit 360 evaluates the performance of the model by comparing the predicted results of the model with the actual results through confusion matrix analysis to ensure data analysis accuracy. The confusion matrix is a matrix that evaluates the classification performance of a model in supervised learning. The confusion matrix displays the classification results by comparing the results predicted by the model with the actual results. In an embodiment, the feedback unit 360 may evaluate the performance of the model by calculating the accuracy and misclassification rate for each class through confusion matrix analysis.
또한, 실시예에서 피드백부(360)는 학습정보에 대한 시각화 분석을 통해 데이터의 분포를 확인할 수 있도록 한다. 예를 들어, 이미지 데이터의 경우 각 클래스에 대한 이미지 샘플을 시각화 하여 데이터의 다양성과 공정성을 평가할 수 있다. Additionally, in the embodiment, the feedback unit 360 allows the distribution of data to be confirmed through visual analysis of the learning information. For example, in the case of image data, the diversity and fairness of the data can be evaluated by visualizing image samples for each class.
또한, 피드백부(360)는 인공신경망 모델의 편향(Bias) 검증을 수행한다. 실시예에서 피드백부(360)는 학습정보에 대한 편향(Bias) 검증을 통해, 모델이 특정 클래스나 속성에 대해 편향되어 있는지 여부를 확인한다. 이를 위해 피드백부(360)는 각 클래스에 대한 샘플의 수를 비교하거나, 각 클래스에 대한 분류 성능을 평가한다.Additionally, the feedback unit 360 performs bias verification of the artificial neural network model. In the embodiment, the feedback unit 360 verifies whether the model is biased toward a specific class or attribute through bias verification of the learning information. To this end, the feedback unit 360 compares the number of samples for each class or evaluates classification performance for each class.
또한, 피드백부(360)는 평가 지표 계산을 통해, 학습정보의 공정성과 다양성을 검증하고 인공신경망 모델을 개선할 수 있도록 한다. 실시예에서 공정성 검증은 학습정보에 대해 인공신경망 모델이 이미지 인식 객체의 종류, 수집 데이터의 종류 등의 특정속성에 대해 차별성을 보이는지 여부를 확인하는 것이다. 실시예에서 피드백부(360)는 각 속성에 대한 샘플의 수를 비교하거나, 각 속성에 대한 분류 성능을 평가하여, 특정 속성에 대한 차별성 여부를 확인할 수 있다.In addition, the feedback unit 360 verifies the fairness and diversity of learning information and improves the artificial neural network model through calculation of evaluation indicators. In the embodiment, fairness verification is to check whether the artificial neural network model shows discrimination in specific properties such as the type of image recognition object and the type of collected data with respect to the learning information. In an embodiment, the feedback unit 360 may check whether a specific attribute is differentiated by comparing the number of samples for each attribute or evaluating classification performance for each attribute.
또한, 피드백부(360)는 인공신경망 모델의 성능을 평가하기 위한 다양한 지표를 계산한다. 예를 들어, 정확도, 정밀도, 재현율, F1-score 등의 지표를 계산하여 인공신경망 모델의 성능을 평가할 수 있다. 이때, 각 클래스에 대한 지표를 계산하여 모델의 공정성과 다양성을 평가할 수 있다.Additionally, the feedback unit 360 calculates various indicators to evaluate the performance of the artificial neural network model. For example, the performance of an artificial neural network model can be evaluated by calculating indicators such as accuracy, precision, recall, and F1-score. At this time, the fairness and diversity of the model can be evaluated by calculating indicators for each class.
실시예에서 피드백부(360)는 정확도(Accuracy), 정밀도 (Precision) 및 재현율 (Recall) 중 적어도 하나를 통해, 인공신경망 모델을 평가할 수 있다. 정확도는 인공 신경망 모델이 예측한 결과가 실제 결과와 얼마나 일치하는지를 측정하는 지표이다. 정밀도는 양성으로 예측한 결과 중 실제 양성인 비율을 측정하는 지표이다. 재현율은 실제 양성 중에서 모델이 양성으로 예측한 비율을 측정하는 지표이다. 실시예에서 피드백부(360)는 인공신경망 모델의 정확도, 정밀도 및 재현율을 산출하고, 산출된 지표 중 적어도 하나를 기반으로 인공신경망 모델을 평가할 수 있다. In an embodiment, the feedback unit 360 may evaluate the artificial neural network model through at least one of accuracy, precision, and recall. Accuracy is an indicator that measures how well the results predicted by an artificial neural network model match the actual results. Precision is an indicator that measures the proportion of results predicted to be positive that are actually positive. Recall rate is an indicator that measures the proportion of actual positives predicted by the model as positive. In an embodiment, the feedback unit 360 may calculate the accuracy, precision, and recall rate of the artificial neural network model and evaluate the artificial neural network model based on at least one of the calculated indicators.
실시예에서 피드백부(360)는 인공신경망 모델의 정확도를 평가 데이터셋을 사용하여 측정할 수 있다. 평가 데이터셋은 모델이 학습에 사용하지 않은 데이터로 구성되어 있으며, 모델의 성능을 객관적으로 평가하는 데 사용된다. 실시예에서 피드백부(360)는 평가 데이터셋을 사용하여 인공신경망 모델을 실행하고, 각 입력 데이터에 대한 인공신경망 모델의 예측 값과 해당 데이터의 실제 정답 값을 비교한다. 이후, 비교 결과를 통해, 모델이 얼마나 정확하게 예측하는지를 측정할 수 있다. 예컨대, 피드백부(360)에서 정확도는 전체 데이터 중에서 모델이 맞게 예측한 데이터의 비율로 계산될 수 있다.In an embodiment, the feedback unit 360 may measure the accuracy of the artificial neural network model using an evaluation dataset. The evaluation dataset consists of data that the model did not use for learning, and is used to objectively evaluate the model's performance. In an embodiment, the feedback unit 360 executes an artificial neural network model using an evaluation dataset, and compares the predicted value of the artificial neural network model for each input data with the actual correct answer value of the data. Afterwards, through the comparison results, you can measure how accurately the model predicts. For example, in the feedback unit 360, accuracy may be calculated as the ratio of data correctly predicted by the model among all data.
또한, 피드백부(360)는 정밀도와 재현율의 조화 평균으로 계산되는 지표인 정밀도와 재현율의 균형을 나타내는 지표인 F1 스코어(F1 Score)를 산출하고, 산출된 F1 스코어를 기반으로 인공신경망 모델을 평가하고, 분류 모델의 성능을 그래프로 시각화한 지표인 AUC-ROC 곡선을 생성하고, 생성된 AUC-ROC 곡선을 기반으로 인공신경망 모델을 평가할 수 있다. 실시예에서 피드백부(360)는 ROC 곡선 아래 면적 (AUC)이 1에 가까울수록 모델의 성능이 좋은 것으로 평가할 수 있다. In addition, the feedback unit 360 calculates the F1 score, which is an indicator of the balance between precision and recall, which is an indicator calculated as the harmonic average of precision and recall, and evaluates the artificial neural network model based on the calculated F1 score. In addition, an AUC-ROC curve, which is an index that visualizes the performance of the classification model in a graph, can be generated, and the artificial neural network model can be evaluated based on the generated AUC-ROC curve. In an embodiment, the feedback unit 360 may evaluate the model's performance as better as the area under the ROC curve (AUC) is closer to 1.
또한, 피드백부(360)는 인공신경망 모델의 해석 가능성을 평가할 수 있다. 실시예에서 피드백부(360)는 SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) 방법을 통해, 인공신경망 모델의 해석 가능성을 평가한다. SHAP (SHapley Additive exPlanations)는 모델이 예측한 결과에 대한 해석을 제공하는 라이브러리로서, 피드백부(360)는 라이브러리에서 SHAP 값을 추출한다. 실시예에서 피드백부(360)는 SHAP값 추출을 통해, 모델에 입력된 특성정보가 모델 예측에 얼마나 영향을 미쳤는지를 예측할 수 있다.Additionally, the feedback unit 360 may evaluate the interpretability of the artificial neural network model. In an embodiment, the feedback unit 360 evaluates the interpretability of the artificial neural network model through SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations) methods. SHAP (SHapley Additive exPlanations) is a library that provides interpretation of the results predicted by the model, and the feedback unit 360 extracts SHAP values from the library. In an embodiment, the feedback unit 360 can predict how much the characteristic information input to the model influenced the model prediction by extracting the SHAP value.
LIME (Local Interpretable Model-agnostic Explanations) 방법은 개별 샘플에 대한 모델의 예측을 설명하는 방법이다. 실시예에서 피드백부(360)는 LIME 방법을 통해, 샘플을 해석 가능한 모델로 근사하여 각 특성정보의 중요도를 계산한다. 또한, 피드백부(360)는 모델의 내부 가중치와 편향 값을 분석하여 각 특성 변수의 영향력을 추정할 수 있다. The LIME (Local Interpretable Model-agnostic Explanations) method is a method of explaining model predictions for individual samples. In the embodiment, the feedback unit 360 calculates the importance of each characteristic information by approximating the sample to an interpretable model through the LIME method. Additionally, the feedback unit 360 can estimate the influence of each characteristic variable by analyzing the internal weight and bias values of the model.
또한, 피드백부(360)는 인공신경망 모델이 실제 환경에서 사용되면서 발생하는 문제점에 대한 피드백을 수집하고, 수집된 피드백을 인공신경망 모델에 반영하여 인공신경망 모델을 지속적으로 개선한다.In addition, the feedback unit 360 collects feedback on problems that occur when the artificial neural network model is used in a real environment, and continuously improves the artificial neural network model by reflecting the collected feedback in the artificial neural network model.
이하에서는 안전대피를 위한 터널제어함체의 제어 방법에 대해서 차례로 설명한다. 실시예에 따른 안전대피를 위한 터널제어함체의 원격제어 방법의 작용(기능)은 안전대피를 위한 터널제어함체의 제어 시스템의 기능과 본질적으로 같은 것이므로 도 1 내지 도 3과 중복되는 설명은 생략하도록 한다.Below, the control method of the tunnel control enclosure for safe evacuation will be explained in turn. The operation (function) of the remote control method of the tunnel control enclosure for safe evacuation according to the embodiment is essentially the same as the function of the control system of the tunnel control enclosure for safe evacuation, so descriptions overlapping with FIGS. 1 to 3 are omitted. do.
도 6은 실시예에 따른 안전대피를 위한 터널제어함체의 원격제어 시스템의 신호 흐름도이다.Figure 6 is a signal flow diagram of a remote control system of a tunnel control enclosure for safe evacuation according to an embodiment.
도 6을 참조하면, S100 단계에서는 CCTV에서 터널을 실시간으로 촬영하여, 터널 상황 모니터링 영상을 생성한다. S200 단계에서는 서버에서 CCTV로부터 터널 상황 모니터링 영상과 터널 모니터링 정보를 수집한다. S300 단계에서는 서버에서 CCTV로부터 수신한 터널 상황 모니터링 영상과 터널 모니터링 정보를 분석하여 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류와 위급성을 파악한다. S400 단계에서는 터널제어함체에서 서버에서 판단된 사고발생 여부에 따라 함체 도어를 제어한다. S400 단계에서는 터널제어함체로 사고발생 신호가 수신된 경우, 도어를 오픈한다. 실시예에서 S400 단계에서는 터널제어함체에서 키의 인증 코드 확인 결과에 따라 도어 개폐를 제어할 수 있다. S500 단계에서는 로컬 관리 센터에서 터널 모니터링 정보를 수집하고, S600 단계에서는 터널 모니터링 정보 분석 결과에 따라 도어를 원격 제어한다. S700 단계에서는 터널제어함체에서 도어가 오픈된 경우, 대피 안내 표시를 도어에 출력한다.Referring to FIG. 6, in step S100, the tunnel is filmed in real time on CCTV to generate a tunnel situation monitoring image. In step S200, the server collects tunnel situation monitoring video and tunnel monitoring information from CCTV. In the S300 stage, the server analyzes the tunnel situation monitoring video and tunnel monitoring information received from CCTV to determine whether an accident has occurred, and if an accident occurs, the type and emergency of the accident are identified. In step S400, the tunnel control enclosure controls the enclosure door depending on whether an accident has occurred or not as determined by the server. In step S400, when an accident signal is received through the tunnel control enclosure, the door is opened. In the embodiment, in step S400, door opening and closing can be controlled according to the result of checking the authentication code of the key in the tunnel control enclosure. In step S500, tunnel monitoring information is collected from the local management center, and in step S600, the door is remotely controlled according to the results of tunnel monitoring information analysis. In step S700, when the door is opened in the tunnel control enclosure, an evacuation guidance sign is output on the door.
이상에서와 같은 안전대피를 위한 터널제어 함체 원격 제어방법은 대피로 확보 및 인명구조의 어려움이 큰 터널에서 사고 발생시 이에 신속하게 대응하여 인명피해와 시설물 피해를 최소화할 수 있도록 한다.The remote control method of the tunnel control enclosure for safe evacuation as described above can minimize casualties and damage to facilities by quickly responding to an accident in a tunnel where securing an evacuation route and saving lives is difficult.
또한, 실시예를 통해, 터널에서의 사고발생시 이용객들을 신속하고, 안전하게 대피할 수 있게 하는 효율적인 안전시스템을 제공한다. In addition, through embodiments, an efficient safety system is provided that allows users to quickly and safely evacuate in the event of an accident in a tunnel.
개시된 내용은 예시에 불과하며, 특허청구범위에서 청구하는 청구의 요지를 벗어나지 않고 당해 기술분야에서 통상의 지식을 가진 자에 의하여 다양하게 변경 실시될 수 있으므로, 개시된 내용의 보호범위는 상술한 특정의 실시예에 한정되지 않는다.The disclosed content is merely an example and can be modified and implemented in various ways by those skilled in the art without departing from the gist of the claims, so the scope of protection of the disclosed content is limited to the above-mentioned specific scope. It is not limited to the examples.
Claims (10)
터널을 실시간으로 촬영하여, 터널 상황 모니터링 영상을 생성하는 CCTV;
상기 CCTV로부터 수신한 터널 상황 모니터링 영상을 분석하여 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류와 위급성을 파악하고, 사고 발생 여부에 따라 사고발생 신호를 터널제어함체로 전송하는 서버;
상기 서버로부터 사고발생 신호를 수신하는 경우, 도어를 오픈하고 대피 안내 표시를 출력하는 터널제어함체; 및
터널제어함체로부터 터널 모니터링 정보를 수집하여, 터널을 모니터링하고, 터널 제어 함체 도어의 개폐를 원격 제어하는 로컬 관리센터; 를 포함하고,
상기 터널제어함체; 는
서버 및 로컬관리 센터와 통신하는 통신부;
함체 주변에 구비된 키의 인증코드를 통해, 키를 인증하는 IoT 센서;
상기 서버 및 로컬 관리센터로부터 수신한 사고발생 신호를 포함하는 함체 도어 오픈 신호 및 키 인증 결과에 따라 함체 도어 개폐를 제어하는 제어부;
터널 내 사고 발생 시, 함체 위치에서 터널 입구 및 출구까지의 거리와 대피 방향을 출력하는 고휘도 LED 표지판;
터널에서 사고가 발생한 경우, 터널제어 함체의 위치에서 일정 반경 이내에 존재하는 스마트 단말로 터널입구, 터널 출구 위치정보와 이동경로를 포함하는 대피 안내 메시지를 전송하는 대피 안내 메시지 송출부; 및
전자기장(EM)을 이용하여 출입문을 개폐하는 EM 도어; 를 포함하고
상기 서버; 는
CCTV로부터 터널상황 모니터링 영상, 터널에 구비된 함체의 기기정보, 딥러닝 모델의 학습 정보 및 터널 모니터링 정보를 수집하는 수집부;
터널상황 모니터링 영상 분석을 통해, 사고 발생 여부를 판단하고, 사고가 발생한 경우, 상기 사고의 종류 및 긴급도를 파악하는 분석부;
사고 발생 여부에 따라 함체 도어 오픈 신호를 함체로 전송하고, 사고의 종류와 긴급도에 따른 지원 요청 메시지를 구조기관으로 전송하는 통신부;
DNN(Deep Neural Network), CNN(Convolutional Neural Network) RNN(Recurrent Neural Network) 및 BRDNN(Bidirectional Recurrent Deep Neural Network) 중 적어도 하나를 포함하는 딥러닝 뉴럴 네트워크를 학습정보로 학습시켜 사고발생 판단 모델을 구현하는 딥러닝부; 를 포함하고
상기 IoT 센서는
터널관리자가 현장 유지보수 및 점검활동을 위해 로컬에서의 함체 도어 오픈이 필요한 경우, 인증 코드를 내장한 키를 인식시키면, 키에 내장된 인증 코드 인식 결과에 따라, 원격지의 도움 없이 함체 도어를 개방하고,
상기 제어부는 서버 및 로컬 관리센터로부터 수신한 함체 오픈 신호 및 함체 오픈 키에 삽입된 인증 코드의 인증 결과에 따라 함체 도어 개폐를 제어하고, 상기 터널제어함체에 설치된 EM도어의 오픈을 제어할 수 있다. EM도어는 전자기장(EM)을 이용하여 출입문을 개폐하고,
상기 고휘도 LED 표지판은
터널에서 발생한 사고의 종류와 위급성 및 판단된 사용자 행동 지침에 따라, 사용자 행동 지침에 대응하는 안내 메시지를 출력하고,
상기 사용자 행동 지침은 대피, 구조 대기를 포함하고,
상기 LED 표지판은 사용자 행동지침이 대피인 경우, 함체 위치에서 출구 또는 입구까지의 거리와 이동경로를 표시하고, 위험지역의 위치를 함께 표시하고, 사용자 행동지침이 구조 대기인 경우, 예상 대기시간과 구조대 위치 및 안전 대기 방법을 표시하는, 터널제어함체의 제어시스템.
In the control system of the tunnel control enclosure for safe evacuation,
CCTV that films the tunnel in real time and generates tunnel situation monitoring images;
A server that analyzes the tunnel situation monitoring video received from the CCTV to determine whether an accident has occurred, if an accident has occurred, determines the type and urgency of the accident, and transmits an accident signal to the tunnel control box depending on whether the accident has occurred;
A tunnel control enclosure that opens the door and outputs an evacuation guide when receiving an accident signal from the server; and
A local management center that collects tunnel monitoring information from the tunnel control enclosure, monitors the tunnel, and remotely controls the opening and closing of the tunnel control enclosure door; Including,
The tunnel control enclosure; Is
a communication department that communicates with servers and local management centers;
An IoT sensor that authenticates the key through the key's authentication code provided around the enclosure;
A control unit that controls the opening and closing of the enclosure door according to the enclosure door open signal and key authentication result including the accident occurrence signal received from the server and the local management center;
In the event of an accident in a tunnel, a high-brightness LED sign displays the distance from the hull location to the tunnel entrance and exit and the direction of evacuation;
If an accident occurs in a tunnel, an evacuation guidance message transmission unit that transmits an evacuation guidance message including tunnel entrance and tunnel exit location information and movement route to a smart terminal within a certain radius from the location of the tunnel control enclosure; and
EM door, which opens and closes the door using electromagnetic fields (EM); includes
the server; Is
A collection unit that collects tunnel situation monitoring images, device information of enclosures equipped in the tunnel, learning information of deep learning models, and tunnel monitoring information from CCTV;
An analysis unit that determines whether an accident has occurred through tunnel situation monitoring video analysis and, if an accident occurs, determines the type and urgency of the accident;
A communication unit that transmits a door open signal to the box depending on whether an accident has occurred and sends a support request message to the rescue organization according to the type and urgency of the accident;
Implement an accident judgment model by learning a deep learning neural network including at least one of DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), and BRDNN (Bidirectional Recurrent Deep Neural Network) with learning information. deep learning department; includes
The IoT sensor is
If the tunnel manager needs to open the enclosure door locally for on-site maintenance and inspection activities, by recognizing the key embedded with the authentication code, the enclosure door can be opened without remote assistance based on the recognition result of the authentication code embedded in the key. do,
The control unit controls the opening and closing of the enclosure door according to the enclosure open signal received from the server and the local management center and the authentication result of the authentication code inserted into the enclosure open key, and controls the opening of the EM door installed in the tunnel control enclosure. . EM doors open and close doors using electromagnetic fields (EM).
The high-brightness LED sign is
Depending on the type and emergency of the accident that occurred in the tunnel and the determined user action guidelines, a guidance message corresponding to the user action guidelines is output,
The user action guidelines include evacuation and waiting for rescue,
If the user action guideline is evacuation, the LED sign displays the distance and movement path from the enclosure location to the exit or entrance, the location of the danger area, and if the user action guideline is waiting for rescue, the expected waiting time and Tunnel control enclosure control system that displays the location of rescue teams and safe waiting methods.
(A) CCTV에서 터널을 실시간으로 촬영하여, 터널 상황 모니터링 영상을 생성하는 단계;
(B) 서버에서 상기 CCTV로부터 수신한 터널 상황 모니터링 영상을 분석하여 사고 발생 여부를 판단하고, 사고가 발생한 경우, 사고의 종류와 위급성을 파악하는 단계;
(C) 서버에서 사고 발생 여부에 따라 사고발생 신호를 터널제어함체로 전송하는 단계;
(D) 터널제어함체에서 상기 서버로부터 사고발생 신호를 수신하는 경우, 도어를 오픈하고 대피 안내 표시를 출력하는 단계; 를 포함하고
상기 (C)의 단계; 는
로컬관리센터에서 터널제어함체로부터 터널 모니터링 정보를 수집하여, 터널을 모니터링하고, 터널 제어 함체 도어의 개폐를 원격 제어하는 단계; 를 포함하고
상기 (B)의 단계; 는
(B-1) 수집부에서 CCTV로부터 터널상황 모니터링 영상, 터널에 구비된 함체의 기기정보, 딥러닝 모델의 학습 정보 및 터널 모니터링 정보를 수집하는 단계;
(B-2) 분석부에서 터널상황 모니터링 영상 분석을 통해, 사고 발생 여부를 판단하고, 사고가 발생한 경우, 상기 사고의 종류 및 긴급도를 파악하는 단계; 및
(B-3) 통신부에서 사고 발생 여부에 따라 함체 도어 오픈 신호를 함체로 전송하고, 사고의 종류와 긴급도에 따른 지원 요청 메시지를 구조기관으로 전송하는 단계; 를 포함하고,
상기 (D)의 단계; 는
(D-1) 터널제어함체에서 터널에서 사고가 발생한 경우, 터널제어 함체의 위치에서 일정 반경 이내에 존재하는 스마트 단말로 터널입구, 터널 출구 위치정보와 이동경로를 포함하는 대피 안내 메시지를 전송하는 대피 안내 메시지를 전송하는 단계;
(D-2) 터널제어함체에서 IoT 센서를 통해 터널관리자가 현장 유지보수 및 점검활동을 위해 로컬에서의 함체 도어 오픈이 필요한 경우, 인증 코드를 내장한 키를 인식시키면, 키에 내장된 인증 코드 인식 결과에 따라, 원격지의 도움 없이 함체 도어를 개방하는 단계: 및
(D-3) 서버 및 로컬 관리센터로부터 수신한 함체 오픈 신호 및 함체 오픈 키에 삽입된 인증 코드의 인증 결과에 따라 함체 도어 개폐를 제어하고, 상기 터널제어함체에 설치된 EM도어의 오픈을 제어할 수 있다. EM도어는 전자기장(EM)을 이용하여 출입문을 개폐하는 단계;를 포함하고,
상기 (D-1)의 단계; 는
터널에서 발생한 사고의 종류와 위급성 및 판단된 사용자 행동 지침에 따라, 사용자 행동 지침에 대응하는 안내 메시지를 출력하고,
상기 사용자 행동 지침은 대피, 구조 대기를 포함하고,
LED 표지판은 사용자 행동지침이 대피인 경우, 함체 위치에서 출구 또는 입구까지의 거리와 이동경로를 표시하고, 위험지역의 위치를 함께 표시하고, 사용자 행동지침이 구조 대기인 경우, 예상 대기시간과 구조대 위치 및 안전 대기 방법을 표시하는 터널제어함체의 제어방법.
In the control method of the tunnel control enclosure for safe evacuation,
(A) capturing the tunnel in real time on CCTV and generating a tunnel situation monitoring image;
(B) analyzing the tunnel situation monitoring video received from the CCTV at the server to determine whether an accident has occurred, and if an accident has occurred, determining the type and urgency of the accident;
(C) transmitting an accident signal from the server to the tunnel control enclosure depending on whether an accident has occurred;
(D) When the tunnel control enclosure receives an accident signal from the server, opening the door and outputting an evacuation guidance display; includes
Step (C) above; Is
Collecting tunnel monitoring information from the tunnel control enclosure at the local management center, monitoring the tunnel, and remotely controlling the opening and closing of the tunnel control enclosure door; includes
Step (B) above; Is
(B-1) collecting tunnel situation monitoring images, device information of enclosures provided in the tunnel, learning information of deep learning models, and tunnel monitoring information from CCTV in the collection unit;
(B-2) determining whether an accident has occurred through analysis of tunnel situation monitoring images in the analysis department, and if an accident has occurred, determining the type and urgency of the accident; and
(B-3) A step where the communication department transmits a door open signal to the enclosure depending on whether an accident has occurred, and transmits a support request message according to the type and urgency of the accident to a rescue organization; Including,
Step (D) above; Is
(D-1) If an accident occurs in a tunnel, an evacuation guidance message containing the tunnel entrance and exit location information and movement route is sent to a smart terminal within a certain radius from the tunnel control enclosure. Transmitting an information message;
(D-2) When the tunnel manager needs to open the enclosure door locally for on-site maintenance and inspection activities through the IoT sensor in the tunnel control enclosure, the key containing the authentication code is recognized, and the authentication code embedded in the key is used. According to the recognition result, opening the enclosure door without remote assistance: and
(D-3) Controls the opening and closing of the enclosure door according to the enclosure open signal received from the server and local management center and the authentication result of the authentication code inserted into the enclosure open key, and controls the opening of the EM door installed in the tunnel control enclosure. You can. The EM door includes the step of opening and closing the door using an electromagnetic field (EM),
Step (D-1) above; Is
Depending on the type and emergency of the accident that occurred in the tunnel and the determined user action guidelines, a guidance message corresponding to the user action guidelines is output,
The user action guidelines include evacuation and waiting for rescue,
If the user's action guide is evacuation, the LED sign displays the distance and movement path from the ship's location to the exit or entrance, the location of the danger area, and if the user's action guide is to wait for rescue, the expected waiting time and rescue team. Tunnel control enclosure control method that displays location and safe waiting method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230057164A KR102665312B1 (en) | 2023-05-02 | 2023-05-02 | Tunnel control enclosure and enclosure control method for safe evacuation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230057164A KR102665312B1 (en) | 2023-05-02 | 2023-05-02 | Tunnel control enclosure and enclosure control method for safe evacuation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102665312B1 true KR102665312B1 (en) | 2024-05-14 |
Family
ID=91075805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230057164A KR102665312B1 (en) | 2023-05-02 | 2023-05-02 | Tunnel control enclosure and enclosure control method for safe evacuation |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102665312B1 (en) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101021297B1 (en) | 2010-04-19 | 2011-03-11 | (주)설화엔지니어링 | Emergency box of automatic open and shut type in tunnel including idencification applratus on blackout by tunnle fire |
| KR101483712B1 (en) * | 2014-05-27 | 2015-01-19 | 현대아이티에스전자(주) | System and Method for Anouncing Emergency Situation in Tunnel |
| KR20160090992A (en) * | 2015-01-23 | 2016-08-02 | 박현수 | Security system, apparatus, and method using supplemental code |
| KR101683753B1 (en) * | 2016-04-28 | 2016-12-07 | 주식회사 포스코아이씨티 | Integration management system for tunnel facilities and road facilities, and tunnel operating system and central acquisition server |
| JP2020087389A (en) * | 2018-11-16 | 2020-06-04 | ホーチキ株式会社 | Tunnel emergency facility and disaster prevention facility |
| KR102258559B1 (en) * | 2020-10-27 | 2021-06-02 | 주식회사 미래로드 | Fire extinguisher indicator lamp control system for tunnel |
| KR20210127576A (en) | 2020-04-14 | 2021-10-22 | 배근우 | Smart fire fighting equipment |
| KR102391509B1 (en) * | 2021-04-27 | 2022-04-27 | 주식회사 대성티엠씨 | Fire detection system in road tunnel |
| KR20230016826A (en) * | 2021-07-27 | 2023-02-03 | 연세대학교 산학협력단 | Fire detection system and method based on vision |
-
2023
- 2023-05-02 KR KR1020230057164A patent/KR102665312B1/en active IP Right Grant
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101021297B1 (en) | 2010-04-19 | 2011-03-11 | (주)설화엔지니어링 | Emergency box of automatic open and shut type in tunnel including idencification applratus on blackout by tunnle fire |
| KR101483712B1 (en) * | 2014-05-27 | 2015-01-19 | 현대아이티에스전자(주) | System and Method for Anouncing Emergency Situation in Tunnel |
| KR20160090992A (en) * | 2015-01-23 | 2016-08-02 | 박현수 | Security system, apparatus, and method using supplemental code |
| KR101683753B1 (en) * | 2016-04-28 | 2016-12-07 | 주식회사 포스코아이씨티 | Integration management system for tunnel facilities and road facilities, and tunnel operating system and central acquisition server |
| JP2020087389A (en) * | 2018-11-16 | 2020-06-04 | ホーチキ株式会社 | Tunnel emergency facility and disaster prevention facility |
| KR20210127576A (en) | 2020-04-14 | 2021-10-22 | 배근우 | Smart fire fighting equipment |
| KR102258559B1 (en) * | 2020-10-27 | 2021-06-02 | 주식회사 미래로드 | Fire extinguisher indicator lamp control system for tunnel |
| KR102391509B1 (en) * | 2021-04-27 | 2022-04-27 | 주식회사 대성티엠씨 | Fire detection system in road tunnel |
| KR20230016826A (en) * | 2021-07-27 | 2023-02-03 | 연세대학교 산학협력단 | Fire detection system and method based on vision |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101995107B1 (en) | Method and system for artificial intelligence based video surveillance using deep learning | |
| JP6867153B2 (en) | Abnormality monitoring system | |
| CN106412501B (en) | A kind of the construction safety behavior intelligent monitor system and its monitoring method of video | |
| KR102369229B1 (en) | Risk prediction system and risk prediction method based on a rail robot specialized in an underground tunnel | |
| JP6532106B2 (en) | Monitoring device, monitoring method and program for monitoring | |
| US20110001812A1 (en) | Context-Aware Alarm System | |
| CN112686090B (en) | Intelligent monitoring system for abnormal behavior in bus | |
| CN112633057B (en) | Intelligent monitoring method for abnormal behavior in bus | |
| KR102327807B1 (en) | System for judging siuation of elevator based on Artificial intelligence | |
| CN116862740A (en) | Intelligent prison management and control system based on Internet | |
| CN113269111B (en) | Video monitoring-based elevator abnormal behavior detection method and system | |
| CN113554364A (en) | Disaster emergency management method, device, equipment and computer storage medium | |
| EP2076884B1 (en) | Improvements relating to event detection | |
| KR102665312B1 (en) | Tunnel control enclosure and enclosure control method for safe evacuation | |
| KR102302767B1 (en) | System for Detecting Subway Entrance Door based on Image Deep Learning Reading | |
| CN116665155B (en) | Underground trackless man-vehicle getting-off early warning safety management system based on image processing technology | |
| KR102556447B1 (en) | A situation judgment system using pattern analysis | |
| CN112885013A (en) | Monitoring and early warning method and device and readable storage medium | |
| CN117172970A (en) | Wisdom property management platform | |
| CN114463928B (en) | Intelligent alarm method and system | |
| KR101612867B1 (en) | Incident monitoring system and method based on incident vehicle information | |
| CN115052131A (en) | Special operation site safety on-line monitoring system based on remote video monitoring | |
| CN117953642B (en) | BIM-based intelligent building monitoring method and system | |
| CN117376535B (en) | Intelligent campus security control method and system | |
| CN114999119B (en) | Restricted space gas alarm system and method based on internet of things transmission function |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |