• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.01a
• /
• pp.51-52
• /
• 2018

산업 현장에서 작업자의 잘못된 작업행동으로 인한 안전사고가 꾸준히 발생하고 있다. 현재는 관리자가 육안으로 작업자의 위험행동 여부를 관리하고 있지만, 모든 작업자를 관리자 한명이 관리하기에는 현실적으로 어려움이 있다. 본 논문에서는 이 문제를 해결하기 위해 고소 작업자의 안전벨트에 IoT 장치를 부착하여 행동 데이터를 클라우드에 업로드하고, 딥러닝을 통해 작업자 위험행동 여부를 분석한다. 분석한 결과를 관리자가 쉽게 모니터링 할 수 있도록 하여, 안전사고를 예방하도록 하는 시스템을 설계하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2017.07a
• /
• pp.259-260
• /
• 2017

본 논문에서는 건설 현장이나 발전소 등의 고소 작업이 많은 곳에서 작업하는 근로자의 안전을 확보하기 위해, 클라우드 웹 서비스에 기반에 고소작업자의 행동 데이터를 수집 저장하여 그 데이터를 통해 관리자가 작업자의 행동을 모니터링 하고 위험경고 메시지를 받을 수 있는 시스템을 제안하였다. 작업자가 하는 행동을 관리자가 실시간으로 확인하는 것을 통해 고소 작업산업 현장에서 작업자의 경각심으로 예방이 가능하다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2016.07a
• /
• pp.237-238
• /
• 2016

대부분의 작업환경에서는 여러 가지 위험요소로 인한 안전사고가 자주 발생한다. 추락이나 작업환경의 붕괴 등 안전사고 발생시, 작업자가 관리자에게 응급상황을 전해야하지만, 사고로 인해 작업자가 원활하게 몸을 사용하지 못하는 경우에는 응급상황을 전달하는데 문제점이 발생한다. 본 논문에서는 이러한 문제를 해결하기 위해서 블루투스로 스마트폰에 응급상황을 전할 수 있는 웨어러블 단말기와 스마트폰의 WI-FI나 LTE망을 사용하여 작업자의 상황을 실시간으로 모니터링 할 수 있는 안전 시스템을 설계한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2017.01a
• /
• pp.7-8
• /
• 2017

각종 산업현장에서 작업자들의 안전 불감증으로 인해 발생하는 안전사고는 매년 꾸준히 증가하고 있는 추세이다. 본 논문에서 제안하는 스마트 작업자 안전벨트 및 행동인식 기반 위험경보 시스템은 이러한 상황을 방지하고자 작업자가 안전벨트의 훅을 제대로 걸지 않고 일을 진행하는 경우, 작업장 내에서 뛰어다니는 경우, 잘못된 자세로 일하는 경우를 시스템에서 인지하고 작업자, 관리자에게 알림을 줌으로서 작업자의 안전사고를 예방할 수 있도록 하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.01a
• /
• pp.57-58
• /
• 2019

본 논문에서는 앞서 진행한 연구들과 딥러닝을 이용한 고소작업자 행동 모니터링 논문에 이어 작업자 위험 행동분류 시스템을 개선할 수 있는 연구 결과를 비교, 설명한다. 이번 연구에서는 작업자의 행동에 따른 고도계 센서의 데이터를 추가로 수집하여 작업자의 더 다양한 행동을 분류하고 위험 행동 패턴 분석을 위한 방향을 제시한다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.07a
• /
• pp.25-26
• /
• 2018

이 논문에서는 고소 작업자의 위험 행동 분석을 위해 딥러닝 기법 중 연속적인 데이터 분석에 적합하며 매우 뛰어난 성능을 보여주는 LSTM 알고리즘을 이용해 모니터링 하는 시스템을 개발하였다. 모델을 위해 학습 데이터는 안전벨트에 자이로센서 등을 부착해서 실험하였다. 시스템은 작업자의 5가지의 행동 패턴을 분석할 수 있으며, 96%의 정확도를 얻었다.