KR102665312B1 - 안전대피를 위한 터널제어함체 원격 제어방법 - Google Patents
안전대피를 위한 터널제어함체 원격 제어방법 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
또한, 실시예를 통해, 터널에서의 사고발생시 이용객들을 신속하고, 안전하게 대피할 수 있게 하는 효율적인 안전시스템을 제공한다.
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.
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 흐름도
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 흐름도
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.
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.
도 1은 터널제어함체 설치예를 나타낸 도면이고, 도 2는 실시예에 따른 터널제어함체 관리 방법을 설명하기 위한 도면이다.
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.
도 3은 실시예에 따른 안전대피를 위한 터널제어함체의 제어시스템 구성을 나타낸 도면이다.
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.
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.
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.
스마트 단말(500)은 터널을 이용하는 사용자의 단말로서, 실시예에서는 터널 사고 발생 시, 터널제어함체(200)로부터 수신한 대피 안내 메시지를 출력한다.
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 수동개방이 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 원격오픈하고, 함체내부 LED표시판으로 이용객의 위치정보와 터널의 입구, 출구까지의 거리 또는 비상통로까지의 거리와 방향을 표출한다.
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.
도 4는 실시예에 따른 터널제어함체(200)의 데이터 처리 구성을 나타낸 도면이다.
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.
통신부(210)는 서버(300) 및 원격제어 센터(400)와 통신한다.
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.
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.
실시예에서 제어부(230)는 터널제어함체에 설치된 EM도어의 오픈을 제어할 수 있다. EM도어는 전자기장(EM)을 이용하여 출입문을 개폐하는 장치이다.
실시예에서 제어부(230)는 터널에 사고가 발생하지 않은 평상시에는 로컬 관리센터에서 프로그램을 통해, 도어의 원격 오픈 제어 신호를 수신하여 원격 개폐를 지원한다.
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.
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.
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.
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.
도 5는 실시예에 따른 서버(300)의 데이터 처리 구성을 나타낸 도면이다.
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.
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.
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.
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.
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.
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.
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.
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.
실시예에서 통신부(350)는 사고 발생 여부에 따라 함체 도어 오픈 신호를 함체로 전송하고, 사고의 종류와 위급성에 따른 지원 요청 메시지를 구조기관으로 전송한다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
또한, 피드백부(360)는 인공신경망 모델이 실제 환경에서 사용되면서 발생하는 문제점에 대한 피드백을 수집하고, 수집된 피드백을 인공신경망 모델에 반영하여 인공신경망 모델을 지속적으로 개선한다.
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.
도 6은 실시예에 따른 안전대피를 위한 터널제어함체의 원격제어 시스템의 신호 흐름도이다.
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.
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.
또한, 실시예를 통해, 터널에서의 사고발생시 이용객들을 신속하고, 안전하게 대피할 수 있게 하는 효율적인 안전시스템을 제공한다.
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.
Claims (10)
- 안전대피를 위한 터널제어함체의 제어시스템에 있어서,
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.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 안전대피를 위한 터널제어함체의 제어방법에 있어서,
(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.
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230057164A KR102665312B1 (ko) | 2023-05-02 | 2023-05-02 | 안전대피를 위한 터널제어함체 원격 제어방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230057164A KR102665312B1 (ko) | 2023-05-02 | 2023-05-02 | 안전대피를 위한 터널제어함체 원격 제어방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102665312B1 true KR102665312B1 (ko) | 2024-05-14 |
Family
ID=91075805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230057164A KR102665312B1 (ko) | 2023-05-02 | 2023-05-02 | 안전대피를 위한 터널제어함체 원격 제어방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102665312B1 (ko) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101021297B1 (ko) | 2010-04-19 | 2011-03-11 | (주)설화엔지니어링 | 터널 내부화재로 인한 정전 발생시 식별장치를 가진 자동 개폐식 터널 내 비상기구함 |
KR101483712B1 (ko) * | 2014-05-27 | 2015-01-19 | 현대아이티에스전자(주) | 터널내 비상 상황 안내 시스템 및 방법 |
KR20160090992A (ko) * | 2015-01-23 | 2016-08-02 | 박현수 | 부가 코드를 이용한 보안 시스템, 장치, 및 그 방법 |
KR101683753B1 (ko) * | 2016-04-28 | 2016-12-07 | 주식회사 포스코아이씨티 | 터널 설비들 및 도로 설비들을 관리하는 도로 통합관리시스템 및 이를 구성하는 터널 운영 시스템, 중앙 취합 서버 |
JP2020087389A (ja) * | 2018-11-16 | 2020-06-04 | ホーチキ株式会社 | トンネル非常用設備及び防災設備 |
KR102258559B1 (ko) * | 2020-10-27 | 2021-06-02 | 주식회사 미래로드 | 터널용 소화기 표시등 제어시스템 |
KR20210127576A (ko) | 2020-04-14 | 2021-10-22 | 배근우 | 스마트 소화방재장치 |
KR102391509B1 (ko) * | 2021-04-27 | 2022-04-27 | 주식회사 대성티엠씨 | 도로 터널의 화재 발생 감지 시스템 |
KR20230016826A (ko) * | 2021-07-27 | 2023-02-03 | 연세대학교 산학협력단 | 비젼 기반 화재 탐지 시스템 및 그 방법 |
-
2023
- 2023-05-02 KR KR1020230057164A patent/KR102665312B1/ko active IP Right Grant
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101021297B1 (ko) | 2010-04-19 | 2011-03-11 | (주)설화엔지니어링 | 터널 내부화재로 인한 정전 발생시 식별장치를 가진 자동 개폐식 터널 내 비상기구함 |
KR101483712B1 (ko) * | 2014-05-27 | 2015-01-19 | 현대아이티에스전자(주) | 터널내 비상 상황 안내 시스템 및 방법 |
KR20160090992A (ko) * | 2015-01-23 | 2016-08-02 | 박현수 | 부가 코드를 이용한 보안 시스템, 장치, 및 그 방법 |
KR101683753B1 (ko) * | 2016-04-28 | 2016-12-07 | 주식회사 포스코아이씨티 | 터널 설비들 및 도로 설비들을 관리하는 도로 통합관리시스템 및 이를 구성하는 터널 운영 시스템, 중앙 취합 서버 |
JP2020087389A (ja) * | 2018-11-16 | 2020-06-04 | ホーチキ株式会社 | トンネル非常用設備及び防災設備 |
KR20210127576A (ko) | 2020-04-14 | 2021-10-22 | 배근우 | 스마트 소화방재장치 |
KR102258559B1 (ko) * | 2020-10-27 | 2021-06-02 | 주식회사 미래로드 | 터널용 소화기 표시등 제어시스템 |
KR102391509B1 (ko) * | 2021-04-27 | 2022-04-27 | 주식회사 대성티엠씨 | 도로 터널의 화재 발생 감지 시스템 |
KR20230016826A (ko) * | 2021-07-27 | 2023-02-03 | 연세대학교 산학협력단 | 비젼 기반 화재 탐지 시스템 및 그 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101995107B1 (ko) | 딥 러닝을 이용한 인공지능 기반 영상 감시 방법 및 시스템 | |
JP6867153B2 (ja) | 異常監視システム | |
KR102369229B1 (ko) | 지하공동구 특화 레일로봇 기반 위험예측시스템 및 위험예측방법 | |
CN112686090B (zh) | 一种公交车内异常行为智能监控*** | |
JP6532106B2 (ja) | 監視装置、監視方法および監視用プログラム | |
US20110001812A1 (en) | Context-Aware Alarm System | |
CN112633057B (zh) | 一种公交车内异常行为智能监控方法 | |
KR102327807B1 (ko) | 인공지능 기반 승강기 위험상황 자동 예측판단시스템 | |
CN116862740A (zh) | 一种基于互联网的智能监狱管控*** | |
CN113269111B (zh) | 一种基于视频监控的电梯异常行为检测方法及*** | |
CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
KR102665312B1 (ko) | 안전대피를 위한 터널제어함체 원격 제어방법 | |
KR102302767B1 (ko) | 영상 딥러닝 판독에 따른 열차 출입문 감지 시스템 | |
CN116665155B (zh) | 一种基于图像处理技术的地下无轨人车的下车预警安全管理*** | |
US20100109867A1 (en) | Improvements relating to event detection | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
CN117172970A (zh) | 一种智慧物业管理平台 | |
CN114463928B (zh) | 一种智能报警方法和*** | |
KR101612867B1 (ko) | 돌발상황발생 차량정보 인식을 통한 돌발상황 감시시스템 및 방법 | |
KR20140059962A (ko) | 엘리베이터 방범시스템 및 방법 | |
CN115052131A (zh) | 基于远程视频监控的特殊作业现场安全在线监测*** | |
CN117953642B (zh) | 基于bim的智慧建筑监测方法及*** | |
CN117376535B (zh) | 智慧校园安防管控方法及*** | |
CN118072255B (zh) | 一种智慧园区多源数据动态监控和实时分析***及方法 | |
CN114999119B (zh) | 一种基于物联网传输功能的受限空间气报警***与方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |