.svg)
AI 솔루션 문의하기
기존의 화재 감지 시스템은 연기 감지센서와 열 감지센서, 화염 감지 센서 등을 사용합니다. 그러나 연기 감지센서의 경우 통풍이 잘 되는 환경이나 야외 등 공기의 확산으로 인해 연기가 센서에 감지되지 않을 수 있습니다. 열 감지센서의 경우 감지기의 주변이 이미 온도가 높아진 후에야 작동하기 때문에 화재가 어느 정도 확산된 이후에 감지가 이루어진다는 단점이 있습니다.
불꽃 감지센서는 자외선 감지방법을 사용하는 경우 연기나 기타 부유물에 의해서 자외선이 흡수되어 감도가 떨어질 수 있습니다. 용접 불빛에도 반응하는 등 오감지의 가능성이 높다는 단점이 있습니다. 기존 감지기들이 초기 감지가 어렵고 사람이 사용하는 불과 파생된 연기 등에 오경보율이 높습니다.
딥러닝 기반 인공지능은 불꽃이나 연기 이미지를 학습하는 방법으로 동작할 수 있습니다. 데이터베이스에 다량의 불꽃 이미지 및 연기 이미지를 저장하고, 영상판독 시스템의 딥러닝 기반 인공지능은 이 데이터베이스에 저장된 불꽃 이미지 및 연기 이미지를 통하여 불꽃 및 연기를 인식하는 능력을 향상시킬 수 있습니다.
딥러닝 기반 인공지능이 많은 학습을 할수록 화재 상황에 대한 인식의 정확도 및 신뢰도가 높아집니다. CCTV를 활용하여 화재를 감지하는 기술이 적용되고 있습니다. 건물 내의 다수 CCTV 각각에 객체인식과 불꽃인식, 연기인식 중 적어도 하나의 기능을 할당하고, 학습된 모델에 의해 수신된 CCTV영상으로부터 객체와 불꽃, 연기 등을 감지하여 화재 여부를 판단합니다.
입력 영상 프레임으로부터 색상정보를 이용하여 화염의 후보 영역을 먼저 검출한 다음, 학습된 CNN을 활용해서 최종적으로 화재를 감지하는 방법입니다. 비디오 프레임에서 화재의심지역 또는 비화재 객체를 감지합니다. Faster R-CNN은 CNN 추출기와 분류기가 있는 경계박스로 구성되어 있습니다.
영상에서 화염의 특성을 사람이 직접 정의하여 알고리즘을 개발하는 기존 방식은 유사 개체에 대해 오경보를 발생시킬 수 있습니다. 영상 프레임간의 움직임을 이용할 경우 네트워크가 원활하지 않은 환경에서는 의도한 알고리즘이 정확하게 동작하지 않는 단점이 있습니다.
Faster R-CNN이 화염과 연기, 비화재 물체의 종류를 감지할 때, 화재와 유사한 단일 프레임에서 비화재 물체로 인해 잘못된 탐지가 발생할 수 있습니다. 일몰과 굴뚝연기, 구름 등이 비화재 물체의 예시입니다. 비화재에 관한 정보는 하나의 경계박스로 정보를 인식하고, 화재의심지역 탐지가 컨텍스트를 더 잘 반영하기 때문에 더욱 확실한 분류가 가능합니다.
경계박스의 좌표를 활성화 맵에 투영하여 공간형상을 추출합니다. 이러한 공간설정을 통해 화염과 연기 그리고 불 이외의 물체를 포함하여 다양한 공간적 특성을 인식할 수 있습니다. 단기영상으로 판독하여도 정확도가 최대 97.92%까지 높아집니다.
실시간 모니터링을 통해 연기 감지 시 SMS와 이메일, 대시보드 등 다양한 채널을 통해 담당자에게 알림을 제공하는 시스템 구축이 가능합니다. 연기의 방향과 각도로 추정하여 화재의 발화 위치에 대한 위도와 경도 GPS 좌표를 제공할 수 있습니다. 적외선 카메라에 적용 시 야간에도 연기를 감지할 수 있습니다.
감지 건에 대한 상세 정보 확인 및 지속적인 인공지능 학습을 위해 실제 화재 여부를 기록합니다. 이벤트 발생시점의 모든 정보를 상세하게 제공하고 주요 지표를 대시보드를 통해 확인할 수 있습니다.
비전 센서 또는 적외선 카메라는 영상 내 불꽃 또는 연기 형태를 인식합니다. 온도 센서 및 열화상 카메라는 이상 온도 상승 여부를 감지합니다. 인공지능 분석 엔진은 위 신호들을 실시간으로 분석하고 판단합니다. 이렇게 연결된 인공지능 화재 감지 시스템은 24시간 무인 모니터링이 가능합니다.
경고 발생 시 SMS와 앱 알림, 관제센터 연결까지 자동 대응이 이루어집니다. 기존 방식에서는 주로 열감지기나 연기감지기를 점 단위로 설치해 정해진 범위 내 위협만 잡아낼 수 있었습니다. 반면 인공지능 화재 감지는 넓은 공간을 커버하면서 패턴 변화까지 포착하므로 더 정확하고 빠른 대응이 가능합니다.
화재 발생 전에 발생되는 연기를 촬영한 동영상으로부터 화재 발생을 사전 예측하여 알림하는 인공지능 기술 개발을 위한 화재 발생 예측 학습용 데이터 구축이 진행되고 있습니다. 산업시설과 일반가정, 자연환경 등 화재위험이 높은 곳에 선제적인 화재감지 솔루션이 필요합니다.
화재위험지역에서 연기발생을 감지하고 화재신호를 신속히 전파하는 기술 개발이 필요합니다. 다양한 환경의 연기영상을 활용해 수준 높은 인공지능 응용서비스 개발이 가능합니다. 객체와 불꽃, 연기 카테고리로 분류되는 샘플 이미지를 통해 기계학습을 수행합니다.
연기 또는 증기와 화염 부분의 변화를 관찰하는 기술이 적용됩니다. Faster R-CNN은 종종 진짜 연기와 증기를 혼동할 수 있습니다. 화염으로 불이 시작되지만 물을 부어 불을 끄는 경우 시간이 지남에 따라 증기가 증가하기 시작합니다.
비디오 시퀀스의 샘플 프레임을 분석하고, 화염과 연기 영역의 변화와 시간의 경과에 따른 최종 결정을 나타냅니다. 일출 동영상의 경우 Faster R-CNN이 화염 물체를 잘못 감지하고 화염 면적이 증가하더라도 최종 결정은 비화재로 인식될 수 있습니다.
건물에 설치된 다수 CCTV들 각각에 서로 다른 기능을 할당하고, 수신된 CCTV영상으로부터 학습된 모델에 기초하여 화재 여부를 신속하게 판단할 수 있습니다. 화재 발생시 빠른 상황 파악과 안전 대피를 지원합니다. CCD카메라를 설치하면 실시간 감지가 가능하고 화재 발생이 확인되면 즉시 경고할 수 있어 초기 화재 진압에 기여할 수 있습니다.
화재감지기를 설치하기 어려운 곳에서도 무선통신이 가능한 초소형 CCD카메라를 이용하여 감시할 수 있습니다. 1대 카메라가 넓은 면적을 커버할 수 있어 효율적인 모니터링이 가능합니다.
기존 화재경보시스템은 화재가 아닌 경우에도 오동작하는 문제가 많이 발생하였습니다. 인공지능 기반 시스템은 요리 연기와 안개, 먼지 등을 실제 화재와 구분할 수 있습니다. 실시간 영상 처리와 온도 데이터 분석을 통해 초기 징후를 포착하기 때문에 빠르게 경고를 보낼 수 있습니다.
연기나 불꽃 발생 직후 바로 알림이 가능하고 오탐율을 감소시킵니다. 자동 알림 및 경보 시스템 연동으로 관제센터와 관리자에게 즉각 전송됩니다. 색상정보를 이용하여 화염의 후보 영역을 먼저 검출한 다음 학습된 인공신경망을 활용하는 방식으로 네트워크 환경의 제약을 보완하고 있습니다.
.svg)
.svg)
