.svg)
AI 솔루션 문의하기
화재는 인명과 재산에 심각한 영향을 미치며 다른 재난보다 확산 속도가 빠르기 때문에 신속하고 정확한 감지와 지속적인 감시가 요구됩니다. 일반적으로 화재감지가 필요한 지역에는 화재감지 센서 및 CCTV가 설치되어 화재를 감지하게 됩니다. 그러나 기존 화재감지기 센서는 연기나 열을 감지하는 방식으로 화재 발생 후 일정 시간이 지나야 작동하는 한계가 있습니다.
CCTV를 활용해 인간이 눈으로 화재발생 상황을 보고 이를 두뇌에서 분석하는 과정을 통해 인식하고 감지하는 방식으로 화재를 감지하는 지능형 영상분석 알고리즘 기술이 개발되고 있습니다. 영상으로 획득한 이미지를 기계학습을 이용해 화재 발생 여부를 감지하는 화재 감지 시스템이 주목을 받고 있습니다.
지능형 영상기반 화재감지 시스템의 기본 구성은 피사체 및 이것을 촬영하여 전기신호로 변환하는 촬상계, 전기신호를 원격지에 전송하는 전송계, 전송되어 온 영상 신호를 분석하고 표시하는 서버계 등 크게 3가지 계로 구성됩니다.
화재 감시구역에서 화재로 인해 연기가 발생하면 CCTV 영상에 감지되고 그 포용범위에 있는 이미지를 전자신호로 발신합니다. 디지털 카메라는 이 전자신호를 직접 중앙연산처리장치로 전송하지만 아날로그 카메라는 신호를 아날로그/디지털 변환기에서 디지털 신호로 변환하고 중앙연산처리장치에서 디지털 신호를 수신합니다. 중앙연산처리장치는 소프트웨어에 의해 고온 연기의 유동과 일치하는 특정한 전자신호를 탐색합니다.
영상처리부는 다수개의 CCTV들로부터 영상이 입력되면 학습된 모델에 기초하여 영상내에 있는 객체와 불꽃, 연기 중 적어도 하나를 인식할 수 있습니다. 건물 내의 다수개의 CCTV 각각에 객체인식과 불꽃인식, 연기인식 중 적어도 하나의 기능을 할당합니다. 이를 통해 화재 여부를 신속하게 판단하여 화재 발생시 빠른 상황 파악과 안전 대피를 지원할 수 있습니다.
빨간색 값이 주변보다 높게 나타나는 특성을 활용합니다. 빨간색이 초록색과 파란색 값보다 큰 경우를 화염으로 판단합니다. 9개의 픽셀 중 5개의 픽셀이 색 분석에 맞는 조건과 일치하면 불꽃으로 판단하는 방식입니다.
그러나 사람의 피부가 불꽃으로 인식되거나 붉은 계통의 옷을 입은 사람이 불꽃으로 인식되는 오탐 현상이 발생할 수 있습니다. 오탐 현상이 일어나는 색의 분석을 통하여 예외처리하는 기술이 적용됩니다. 차영상을 이용한 화염 검출 방식으로 부피 증가가 발생한 부분 분석을 통해 인식률을 높입니다.
동영상을 학습데이터로 활용하여 화재 상황의 특징을 추출하여 분류모델에 적용한 연구에서는 YOLO와 SlowFast의 모델 성능을 비교 및 분석했습니다. YOLO는 배경의 영향에 따라 탐지 성능이 민감하게 변화하고, 화재의 규모가 너무 크거나 작을 때에도 화재를 제대로 감지하지 못하는 한계를 보였습니다.
반면 SlowFast는 동영상의 시간 축을 같이 학습하기 때문에 비정형 객체에 대해 주변이 흐리거나 밝아 형상을 명확하게 유추할 수 없는 상황에서도 우수하게 화재를 탐지하는 것을 확인했습니다. 이를 통해 화재 탐지율은 이미지 데이터 방식보다는 동영상 기반의 인공지능 인식 모델을 활용했을 때 더 적절했음을 확인했습니다.
CCTV 영상을 입력 받아서 내장된 화재분석 엔진을 통하여 연기와 불꽃을 분석하여 화재 여부를 판단하고 화재 시 방재센터로 경보신호를 송출할 수 있는 장치입니다. 영상처리 장치는 최대 8채널의 영상 입력이 가능하고 상시 저장과 이벤트 저장이 가능합니다.
화재 분석 기능은 최소 4채널 이상 가능하고, 한 개의 채널에 연기와 화염을 동시에 감지하도록 설정할 수 있으며 연기 또는 불꽃 하나만 감지 되도록 설정할 수 있습니다. 화재 분석은 한 채널당 최소 15프레임 이상 분석 가능하여 분석 신뢰도가 높습니다.
객체 식별 및 인식 기능으로 연기와 유사한 구름과 안개, 수증기, 운무 등을 구분해 오감지를 최소화했습니다. 연기와 유사한 구름과 안개 등의 오탐지를 최소화한 딥러닝 모델을 적용합니다. 실시간 다채널 동시 분석 및 모니터링이 가능합니다.
화재의 경우 발화시 신속한 상황인지와 발화점 파악, 원인 분석의 필요성이 절실합니다. 그러나 기존의 감지기는 상황 인지만이 가능합니다. CCTV 기반 영상화재 감지 분석기술은 화재의 원인에 대한 영상 확보가 가능해 화재의 원인분석에도 많은 도움을 줄 수 있습니다.
화재 발생 기록에 대한 상세 검색 및 검출 데이터 관리가 가능하고, 추후에 학습데이터로 활용 가능합니다. 관리자나 방재 담당자가 없는 장소에서도 CCTV 영상을 통하여 화재발생 시 조기에 자동으로 발견하여 통보하므로 최상의 통합 방재센터 시스템 구축이 가능합니다.
여러 CCTV 영상을 동시에 분석할 수 있게 경량화된 모델은 CCTV기반 화재 탐지 시스템에 적용되어 적은 비용으로 많은 공간을 넓게 모니터링할 수 있게 합니다. 딥러닝 기술을 기반으로 한 객체 탐지 기술은 연산 속도를 비약적으로 단축한 YOLO 모델이 실시간 탐지 프로그램에 적용되기 시작하면서 실용성이 크게 향상되었습니다.
실시간 처리 능력이 매우 중요합니다. 화재감지는 현장에서 실제데이터를 획득하기 어렵기 때문에 가상의 화재를 배경화면에 생성하여 현장에 적합한 모델을 학습하여 적용하는 기술이 활용됩니다.
비화재보 동작에 의한 출동 횟수가 감소하므로 이에 따른 비용 및 작업 중단에 따른 비용발생을 절감합니다. 화재발생 시 이에 대한 조치가 신속하게 처리 될수록 화재로 인한 인적 및 물적 피해는 줄어듭니다.
CCTV로 영상을 분석해 지능형으로 화재를 감지하면 자동으로 팝업 및 경보를 발생하여 관리자에게 알려주는 기술이 개발되어 사용 중입니다. 제품 생산 사업장에 설치된 영상 화재감지 시스템은 CCTV 영상으로 보이는 화염이나 연기를 분석해 화재경보를 발생하고, 네트워크를 통해 방재센터에서 실시간 모니터링이 가능하도록 구현됩니다.
CCTV 관제와 불꽃감지, 열감지를 동시에 수행하는 화재감지 일체형 카메라 기술이 개발되었습니다. 영상감시와 화재예방을 동시에 지원합니다. 전용 불꽃감지와 열감지 센서 및 특수글라스를 적용하고, 영상분석을 통한 화재예방 기능을 제공합니다.
모바일 알람을 통해 국내외 어디서나 24시간 화재 감시가 가능합니다. 상시 관리인이 필요하지 않습니다. 특화카메라 연동 시스템을 구축하여 보안과 더불어 재산을 효과적으로 보호합니다. 다양한 비상벨과 홈넷 연동으로 신축 아파트 시장 적용이 가능합니다.
딥러닝 기반의 화재 탐지 방법은 인간의 탐지 과정을 모방하는 DTA라고 불리는 방법을 통해 잘못된 화재 감지를 크게 줄일 수 있습니다. 경계박스는 세 가지 상황 즉 화염과 연기 그리고 불이 아닌 다른 상황의 위치를 찾습니다.
Faster R-CNN이 구름과 맨홀의 증기, 일몰 등 비디오 클립에 대해 잘못된 물체 감지 기능을 제공함에도 불구하고 다양한 비디오 클립에 대해서 유사한 실험 결과를 얻었습니다. 약 3분 동안 화재로 인식하다가 이후에는 비화재로 인식하는 등 성공적으로 화재의 변화를 감지합니다.
중앙연산처리장치는 특정한 전자신호를 인식하면 전기적 접점에 의해 경보상황을 발신합니다. 산불 연기 탐지시 담당자 SMS 발송 기능과 CCTV 및 관리자 정보 등록 기능이 제공됩니다. 시스템 상태 모니터링과 이벤트 발생 히스토리 및 통계 기능을 통해 관리 효율성을 높입니다.
국내 공인기관 성능시험을 통과한 기술이 적용되고 있습니다. 다량의 화재 데이터와 딥러닝을 이용해 뛰어난 감지 성능을 제공합니다. 불이 아닌 연기 탐지로 화재 발생 초기 상황을 감지하는 것이 핵심입니다.
기존의 단일화된 화재감지에서 불꽃과 연기로 세분화되어 검출이 가능한 고도화된 기술이 활용됩니다. 화재감지와 기보유하고 있는 안전장비 등 기술들과 함께 사용 시 화재로 인한 인명 피해에 효과적인 대응을 할 수 있습니다.
속성값 기반 개체 분류 인공지능 알고리즘을 기반으로 하여 감지한 객체에 대한 속성값을 빠르고 정확하게 식별합니다. 다양한 환경의 학습데이터 구축을 통한 정확도 높은 이벤트와 행동 패턴 인식이 가능합니다. 서로 다른 카메라에서 동일 객체를 찾는 최신 기술이 적용되고 있습니다.
.svg)
.svg)
