• Proceedings of the Korea Information Processing Society Conference
• /
• 2023.11a
• /
• pp.652-655
• /
• 2023

우리나라에서는 지난 10년간 매년 4만 건 내외의 화재가 발생하여 많은 인명 피해와 경제적 손실이 발생하고 있다. 화재가 발생했을 때는 화재를 신속히 진압하여 인명 피해와 경제적 손실을 최소화하여야 한다. 또한, 화재 사고를 예방하기 위해 화재의 발화 원인이 무엇인지 알아내야 한다. 기존의 화재 경보 시스템에서는 온도, 연기, 불꽃 센서 등으로 화재를 감지하였으나 오경보나 화재를 인식하지 못하는 문제, 화재 원인을 구분하지 못하는 문제 등이 있었다. 또한, 사람이 화재 발생을 인지하기까지 시간이 많이 소요될 수 있고 부재로 인해 화재 상황인식이 늦어질 수도 있는 문제가 있었다. 이러한 문제를 해결하기 위해 본 논문에서는 GCN(Graph Convolutional Network) 모델을 이용하여 화재 상황에서의 복합 센서 상황을 학습해서 실제 화재 사고가 발생했을 때 화재의 원인을 구분할 수 있는 모델을 제안한다.

• Proceedings of the KAIS Fall Conference
• /
• 2011.05a
• /
• pp.393-395
• /
• 2011

기존의 화재 감시 시스템은 보통 연기, CO 혹은 온도와 온도의 변화량을 가지고 화재 여부를 판단하였다. 대부분의 각각의 센서에서 측정된 값을 가지고 미리 설정한 값과 비교하여 기준을 넘었을 경우에 화재라고 결정한다.건물 내부에 화재가 발생하였을 경우에는 연기와 고열로 인하여 접근이 어려울 경우가 대부분이다. 사람의 손이 닿지 않는 경우에 화재 감시반 센서모듈을 통하여 고열과 가득한 연기로 인한 내부 환경을 판정하여서 화재상황을 인식하는 방식을 제안한다.

• Proceedings of the Korea Institute of Fire Science and Engineering Conference
• /
• 2013.04a
• /
• pp.50-51
• /
• 2013

화재발생시 기존의 비상경보설비는 화재경보라는 단순한 정보만을 제공함으로서 대피자의 입장에서는 건축물의 안전상황 및 피난상황을 식별할 수 없다. 따라서 화재발생시 대피자들이 밀집되는 병목현상이나 화재 영향에 노출되어 있는 피난경로로의 대피 등은 화재 피해를 가중시키고 있다. 본 연구의 목적은 현재 응용 가능한 대표적인 Ubiquitous 기술 중 개인의 위치를 식별하여 이용하는 위치인식기술 RSSI(Received Signal Strength Indication)을 활용한다. RSSI를 기반으로 한 LQI(Link Quality Indication)는 무선통신기간의 거리인식을 통해 대피자 정보 시스템 정보를 획득한다. 이러한 위치정보시스템을 응용하여 개발한 화재 안전 시스템은 화재 위치를 식별하고 화재위험 지역의 상황변화를 예측하여 피난경로 선정을 위한 안전정보를 제공하여 준다.

• Journal of the Society of Disaster Information
• /
• v.19 no.4
• /
• pp.968-975
• /
• 2023

Purpose: We would like to confirm that the false positive rate of flames/smoke is high when detecting fires. Propose a method and dataset to recognize and classify fire situations to reduce the false detection rate. Method: Using the video as learning data, the characteristics of the fire situation were extracted and applied to the classification model. For evaluation, the model performance of Yolov8 and Slowfast were compared and analyzed using the fire dataset conducted by the National Information Society Agency (NIA). Result: YOLO's detection performance varies sensitively depending on the influence of the background, and it was unable to properly detect fires even when the fire scale was too large or too small. Since SlowFast learns the time axis of the video, we confirmed that detects fire excellently even in situations where the shape of an atypical object cannot be clearly inferred because the surrounding area is blurry or bright. Conclusion: It was confirmed that the fire detection rate was more appropriate when using a video-based artificial intelligence detection model rather than using image data.

• 방재와보험
• /
• s.112
• /
• pp.42-45
• /
• 2006

단열 샌드위치 패널은 안전하지 못한다는 인식이 있었지만, PIR 내장 패널은 불연건물에서 사용할 수 있도록 LPCB의 인증을 획득한 것으로 화재 시나리오 결과에 영향이 거의 없는 것으로 나타났다. 실제 화재 상황에서 입증된 성능으로 화재안전솔루션을 제공하는 있는 PIR 패널에 대해 알아본다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2022.11a
• /
• pp.426-428
• /
• 2022

화재 상황에서의 빠른 현장 파악은 인명피해를 줄이는데 중요한 요소이다. 기존 연구의 화재와 관련된 데이터셋들은 대부분 불과 연기를 라벨링하여 화재의 예방에 초점을 두고 있다. 본 연구에서는 화재 상황에서 사람과 소방관, 연기, 불을 탐지하는 Object detection 모델을 만들어 현장 파악에 더욱 도움을 주고자 하였다. 이를 위해 화재 상황 이미지 약 3000장을 수집하고 라벨링하여 데이터셋을 구성하였으며 이를 이용해 객체 검출 모델인 RetinaNet을 학습하였다. 또한, 화재 상황에서 Object Detection 모델의 성능을 향상시키기 위해 기존 모델인 RetinaNet에 Dehazing(FFA-Net), Smoke augmentation, semi-supervised(ISD) 방법을 적용하였고, semi-supervised 조건에서 mAP 63.7로 가장 높은 성능을 도출하였다.

• Proceedings of the Korean Society of Disaster Information Conference
• /
• 2023.11a
• /
• pp.202-203
• /
• 2023

최근 화재 탐지 분야는 불꽃 연기의 특징과 인공지능 인식(Detection) 모델을 활용하여 탐지율을 높이려는 연구가 많이 진행되어 왔다. 기존 화재 탐지 정확도를 높이기 위한 모델 연구 이외에도 불꽃·연기의 특징을 다양한 방법으로 데이터 가공한 학습 데이터셋을 활용하는 연구들이 진행되고 있다. 본 논문에서는 화재 탐지시 불꽃/연기의 오탐지율이 높은 것을 확인하고 오탐지율을 낮추기 위해 화재 상황을 인식하여 분류하는 방법과 데이터셋을 제안한다. 제안한 모델은 동영상을 학습데이터로 활용하여 화재 상황의 특징을 추출하여 분류모델에 적용하였다. 평가는 한국정보화진흥원(NIA)에서 진행하는 화재 데이터셋을 이용하여 Yolov8, Slowfast의 모델 성능을 비교 및 분석하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2011.11a
• /
• pp.238-240
• /
• 2011

수많은 건물들이 세워지고 있는 가운데 안전 역시 중요한 문제로 인식되고 있다. 본 논문은 유비쿼터스 시대에 맞추어 센서네트워크를 이용하여 건물의 화재정보를 실시간으로 감지하고 화재 발생 시 다양한 상황정보를 고려하여 대피 경로를 사용자 스마트 기기로 알려주는 상황정보 기반의 지능형 화재대피 서비스 모델 설계를 제안한다. 제안하는 서비스 모델은 센서가 실시간으로 건물 내부를 감지하고 화재 여부 및 화재지역, 연기량, 사람수 등의 상황정보를 파악하여 서버에 전송하고 서버는 전송된 정보를 분석하여 대피경로 추출 알고리즘을 이용해 최적의 대피 경로를 사용자의 스마트기기로 전송한다. 이 시스템 구현으로 건물 화재 발생시 사람들이 안전하게 대피할 수 있을 것으로 사료된다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2007.05a
• /
• pp.806-809
• /
• 2007

최근 화재, 수해, 테러 등의 안전사고가 증가하면서 건물 안전 시스템 구축을 위한 관심이 높아지고 있다. 이러한 시스템을 개발하는데 있어 유비쿼터스 컴퓨팅은 핵심 기술로 떠오르고 있다. 특히 화재시 건물 내 생존자를 안전한 경로로 대피하기 위한 시스템은 이미 여러 프로젝트에서 시범으로 보이고 있다. 이에 필요한 기능은 사용자 위치 인식, 화재 감지, 안전 경로 안내로 구성된다. 각 기능을 구현하기 위해 사용되는 장비는 생존자의 개별 인식에 이용하는 RFID 태그, 건물 내 각 방의 화재 상황을 감지하기 위한 센서네트워크 그리고 사용자 이동을 확인 할 수 있는 카메라로 구성되어 있다. 본 논문은 화재 상황에서 생존자를 대피하기 위한 안전 경로 시스템을 설계하고, 센서 네트워크와 RFID를 활용하여 프로토타입을 구축하며, 시뮬레이션을 통해 제안된 시스템의 유효성을 검증한다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2015.05a
• /
• pp.93-96
• /
• 2015

In this paper, we introduce a fire detection system using context-aware sensor. In existing weather and based on vision sensor of fire detection system case, acquired image through sensor of camera is extracting features about fire range as processing to convert HSI(Hue, Saturation, Intensity) model HSI which is color space can have durability in illumination changes. However, in this case, until a fire occurs wide range of sensing a fire in a single camera sensor, it is difficult to detect the occurrence of a fire. Additionally, the fire detection in complex situations as well as difficult to separate continuous boundary is set for the required area is difficult. In this paper, we propose an algorithm for real-time by using a temperature sensor, humidity, Co2, the flame presence information acquired and comparing the data based on multiple conditions, analyze and determine the weighting according to fire it. In addition, it is possible to differential management to intensive fire detection is required zone dividing the state of fire.