KR-102960181-B1 - SYSTEM AND METHOD FOR PROCESSING BLACK ICE OF ROAD

Abstract

도로의 블랙 아이스 처리 시스템 및 방법이 제공된다. 본 발명의 실시예들에 따르면, 대상도로의 유형, 형태, 교통상황, 기상환경 등을 종합적으로 고려하여 노면의 블랙 아이스를 보다 유연하게 감지, 제거할 수 있도록 함으로써, 다양한 상황에 맞는 블랙 아이스의 감지 및 제거가 가능해진다.

Inventors

• 오상곤

Assignees

• 주식회사 해랑에너지

Dates

Publication Date

20260506

Application Date

20251105

Claims (5)

1. 설정된 복수 개의 지점에 설치된 CCTV로부터 획득된 촬영영상으로부터 대상도로의 유형과 형태를 분류하는 도로 분류부; 상기 촬영영상으로부터 상기 대상도로의 교통상황을 분석하는 교통상황 분석부; 상기 대상도로의 기상환경을 획득하는 기상환경 획득부; 카메라, 온도 센서, 습도 센서 및 레이더 센서로부터 상기 대상도로의 노면에 관한 센서 데이터를 각각 획득하는 센서 데이터 획득부; 설정된 인공지능 모델을 기초로 상기 대상도로의 유형과 형태, 상기 교통상황, 상기 기상환경 및 상기 대상도로의 센서 데이터를 분석하여 상기 대상도로의 결빙 위험성을 결정하되, 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경에 따라 상기 센서 데이터 각각에 대한 가중치를 동적으로 달리하는 결빙 위험성 결정부; 상기 결빙 위험성에 따라 적외선 히터, 레이저 조사장치 및 제설제 살포장치 중 적어도 하나를 포함하는 제거장치를 동작시켜 상기 노면의 블랙 아이스를 제거하되, 상기 결빙 위험성, 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경에 따라 상기 블랙 아이스의 제거방식을 동적으로 달리하는 블랙 아이스 제거부; 및 상기 블랙 아이스의 제거 과정에서 상기 노면의 잔여수분을 감지하는 잔여수분 감지부를 포함하며, 상기 블랙 아이스 제거부는, 상기 노면의 잔여수분에 따라 상기 제거장치의 동작을 동적으로 제어하고, 상기 대상도로의 유형은, 고속도로, 교량도로, 터널도로 및 산악도로 중 하나를 포함하며, 상기 대상도로의 형태는, 직선도로, 커브도로 및 경사도로 중 하나를 포함하고, 상기 기상환경은, 상기 대상도로로부터 설정된 반경 이내 영역의 날씨, 기온 및 습도 중 적어도 하나를 포함하며, 상기 결빙 위험성 결정부는, 기 학습된 제1 학습 데이터 중 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경과 각각 대응되는 제1 학습 데이터를 선별하고, 선별된 상기 제1 학습 데이터에 대응되는 가중치를 상기 센서 데이터 각각에 대한 가중치로 결정하되, 선별된 상기 제1 학습 데이터와 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경 간의 유사도에 따라 결정된 상기 가중치를 보정하는, 도로의 블랙 아이스 처리 시스템.
2. 삭제
3. 청구항 1에 있어서, 상기 블랙 아이스 제거부는, 기 학습된 제2 학습 데이터 중 상기 대상도로의 유형과 형태, 상기 교통상황, 상기 기상환경 및 상기 결빙 위험성과 각각 대응되는 제2 학습 데이터를 선별하고, 선별된 상기 제2 학습 데이터에 대응되는 하나 이상의 제거장치를 상기 블랙 아이스의 제거를 위한 제거장치로 결정하며, 선별된 상기 제2 학습 데이터에 대응되는 하나 이상의 제거장치의 동작시간 및 강도를 결정된 상기 제거장치의 동작시간 및 강도로 결정하는, 도로의 블랙 아이스 처리 시스템.
4. 청구항 3에 있어서, 상기 블랙 아이스 제거부는, 상기 노면의 잔여수분의 변화패턴과 선별된 상기 제2 학습 데이터에 대응되는 노면의 잔여수분의 변화패턴을 상호 비교한 후 비교결과에 따라 상기 제거장치의 동작시간 및 강도를 조정하는, 도로의 블랙 아이스 처리 시스템.
5. 도로 분류부에서, 설정된 복수 개의 지점에 설치된 CCTV로부터 획득된 촬영영상으로부터 대상도로의 유형과 형태를 분류하는 단계; 교통상황 분석부에서, 상기 촬영영상으로부터 상기 대상도로의 교통상황을 분석하는 단계; 기상환경 획득부에서, 상기 대상도로의 기상환경을 획득하는 단계; 센서 데이터 획득부에서, 카메라, 온도 센서, 습도 센서 및 레이더 센서로부터 상기 대상도로의 노면에 관한 센서 데이터를 각각 획득하는 단계; 결빙 위험성 결정부에서, 설정된 인공지능 모델을 기초로 상기 대상도로의 유형과 형태, 상기 교통상황, 상기 기상환경 및 상기 대상도로의 센서 데이터를 분석하여 상기 대상도로의 결빙 위험성을 결정하되, 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경에 따라 상기 센서 데이터 각각에 대한 가중치를 동적으로 달리하는 단계; 블랙 아이스 제거부에서, 상기 결빙 위험성에 따라 적외선 히터, 레이저 조사장치 및 제설제 살포장치 중 적어도 하나를 포함하는 제거장치를 동작시켜 상기 노면의 블랙 아이스를 제거하되, 상기 결빙 위험성, 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경에 따라 상기 블랙 아이스의 제거방식을 동적으로 달리하는 단계; 잔여수분 감지부에서, 상기 블랙 아이스의 제거 과정에서 상기 노면의 잔여수분을 감지하는 단계; 및 상기 블랙 아이스 제거부에서, 상기 노면의 잔여수분에 따라 상기 제거장치의 동작을 동적으로 제어하는 단계를 포함하고, 상기 대상도로의 유형은, 고속도로, 교량도로, 터널도로 및 산악도로 중 하나를 포함하며, 상기 대상도로의 형태는, 직선도로, 커브도로 및 경사도로 중 하나를 포함하고, 상기 기상환경은, 상기 대상도로로부터 설정된 반경 이내 영역의 날씨, 기온 및 습도 중 적어도 하나를 포함하며, 상기 센서 데이터 각각에 대한 가중치를 동적으로 달리하는 단계는, 기 학습된 제1 학습 데이터 중 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경과 각각 대응되는 제1 학습 데이터를 선별하고, 선별된 상기 제1 학습 데이터에 대응되는 가중치를 상기 센서 데이터 각각에 대한 가중치로 결정하되, 선별된 상기 제1 학습 데이터와 상기 대상도로의 유형과 형태, 상기 교통상황 및 상기 기상환경 간의 유사도에 따라 결정된 상기 가중치를 보정하는, 도로의 블랙 아이스 처리 방법.

Description

도로의 블랙 아이스 처리 시스템 및 방법{SYSTEM AND METHOD FOR PROCESSING BLACK ICE OF ROAD} 본 발명의 실시예들은 도로의 블랙 아이스를 감지, 제거하는 기술과 관련된다. 행정안전부에 따르면, 2018년부터 2022년까지 블랙 아이스(Black Ice)로 인한 교통사고는 107명이 사망하고 7,728명이 부상을 입은 것으로 집계되었다. 특히, 이러한 도로 결빙으로 인한 교통사고 치사율은 사고 100건당 2.3명으로 도로 결빙이 아닌 상태에서의 치사율인 1.5명보다 현저히 높다. 일반적으로, 운전자는 영상 10도만 되어도 창문을 닫은 상태에서 히터를 틀고 운전을 하기 때문에, 외부의 날씨변화에 무감각해지게 된다. 이에 따라, 운전자는 평소 습관대로 운전을 하다 블랙 아이스를 만나면 당황하여 교통사고를 발생시킨다. 따라서, 도로의 블랙 아이스를 미리 감지, 제거하여 블랙 아이스로 인한 교통사고를 예방함과 동시에 설사 사고가 발생되더라도 그 사고위험을 최소화할 필요가 있다. 도 1은 본 발명의 일 실시예에 따른 블랙 아이스 처리 시스템의 상세 구성을 나타낸 블록도 도 2는 본 발명의 일 실시예에 따른 대상도로의 유형을 나타낸 예시 도 3은 본 발명의 일 실시예에 따른 대상도로의 형태를 나타낸 예시 도 4는 본 발명의 일 실시예에 따른 인공지능 모델을 이용하여 결빙 위험성을 결정하는 과정을 설명하기 위한 도면 도 5는 본 발명의 일 실시예에 따른 인공지능 모델을 이용하여 블랙 아이스를 제거하는 과정을 설명하기 위한 도면 도 6은 본 발명의 일 실시예에 따른 블랙 아이스 처리 방법을 설명하기 위한 흐름도 도 7은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도 이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다. 본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 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. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다. 도 1은 본 발명의 일 실시예에 따른 블랙 아이스 처리 시스템(100)의 상세 구성을 나타낸 블록도이다. 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 블랙 아이스 처리 시스템(100)은 도로 분류부(110), 교통상황 분석부(120), 기상환경 획득부(130), 센서 데이터 획득부(140), 결빙 위험성 결정부(150), 블랙 아이스 제거부(160) 및 잔여수분 감지부(170)를 포함한다. 도로 분류부(110)는 설정된 복수 개의 지점에 설치된 CCTV(미도시)로부터 획득된 촬영영상으로부터 대상도로의 유형과 형태를 분류한다. 도 2는 본 발명의 일 실시예에 따른 대상도로의 유형을 나타낸 예시이다. 도 2를 참조하면, 본 발명의 일 실시예에 따른 대상도로의 유형은 예를 들어, 고속도로, 교량도로, 터널도로, 산악도로 등이 될 수 있다. 도 2의 (a), (b), (c) 및 (d)는 각각 고속도로, 교량도로, 터널도로 및 산악도로를 각각 나타낸다. 다만, 이는 일 예시에 불과하며, 대상도로의 유형이 이에 한정되는 것은 아니다. 도 3은 본 발명의 일 실시예에 따른 대상도로의 형태를 나타낸 예시이다. 도 3을 참조하면, 본 발명의 일 실시예에 따른 대상도로의 형태는 예를 들어, 직선도로, 커브도로, 경사도로 등이 될 수 있다. 도 3의 (a), (b) 및 (c)는 직선도로, 커브도로 및 경사도로를 각각 나타낸다. 다만, 이는 일 예시에 불과하며, 대상도로의 형태가 이에 한정되는 것은 아니다. 도로 분류부(110)는 설정된 복수 개의 지점에 설치된 CCTV로부터 촬영영상을 획득하고, 촬영영상의 이미지를 분석함으로써 대상도로의 유형과 형태를 각각 분류할 수 있다. 일 예시로서, 도로 분류부(110)는 CCTV로부터 획득된 촬영영상으로부터 대상도로의 윤곽선을 추출하고, 대상도로로부터 설정된 거리 이내의 객체(예를 들어, 산악지형, 강, 터널 등)를 식별할 수 있다. 이후, 도로 분류부(110)는 추출된 윤곽선의 패턴과 식별된 객체의 종류를 데이터베이스(미도시)에 기 저장된 이미지 내 윤곽선의 패턴과 객체의 종류와 비교함으로써 대상도로의 유형과 형태를 결정할 수 있다. 이를 위해, 데이터베이스에 기 저장된 이미지는 도로의 윤곽선 및 주변 객체의 종류에 따라 도로의 특정 유형-형태로 분류되어 라벨링되어 있을 수 있다. 한편, 윤곽선 추출 알고리즘 및 객체 인식 알고리즘은 본 발명이 속한 기술분야에서 일반적으로 널리 알려져 있는바, 여기서는 그 자세한 설명을 생략하기로 한다. 교통상황 분석부(120)는 CCTV로부터 획득된 촬영영상으로부터 대상도로의 교통상황을 분석한다. 이를 위해, 교통상황 분석부(120)는 촬영영상으로부터 대상도로의 차선 개수, 설정된 시간 동안 대상도로를 주행하는 차량들의 총 대수 및 평균속도를 산출할 수 있다. 교통상황 분석부(120)는 미리 정해진 시간대별로 상기 차량들의 총 대수 및 평균속도를 계산하여 대상도로의 교통상황을 각 시간대별로 분석할 수 있다. 또한, 교통상황 분석부(120)는 촬영영상으로부터 대상도로 내 교통사고 발생여부, 도로공사 진행여부 등을 식별할 수 있다. 이와 같이, 본 실시예들에 있어서, 대상도로의 교통상황은 설정된 시간 동안 대상도로를 주행하는 차량들의 총 대수, 설정된 시간 동안 대상도로를 주행하는 차량들의 평균속도, 대상도로 내 교통사고 발생여부 및 도로공사 진행여부를 포함할 수 있다. 기상환경 획득부(130)는 대상도로의 기상환경을 획득한다. 본 실시예들에 있어서, 대상도로의 기상환경은 대상도로로부터 설정된 반경 이내 영역의 날씨, 기온 및 습도 중 적어도 하나를 포함할 수 있다. 기상환경 획득부(130)는 예를 들어, 기상청 서버(미도시)로부터 대상도로의 기상환경을 획득할 수 있다. 또한, 기상환경 획득부(130)는 대상도로에 설치된 온도 센서(미도시), 습도 센서(미도시) 등으로부터 대상도로의 기상환경을 획득할 수도 있다. 센서 데이터 획득부(140)는 기 설치된 카메라, 온도 센서, 습도 센서 및 레이더 센서로부터 대상도로의 노면에 관한 센서 데이터를 각각 획득한다. 이때, 카메라, 온도 센서, 습도 센서 및 레이더 센서는 대상도로의 일측에 각각 하나 이상 설치될 수 있다. 이러한 센서들은 대상도로의 노면을 향하도록 설치될 수 있으며, 실시간으로 틸팅(tilting)되어 그 각도가 변경될 수 있다. 또한, 센서 데이터는 노면 촬영 이미지, 노면의 온도 데이터, 습도 데이터, 레이더 데이터 등이 될 수 있으며, 후술할 바와 같이 노면의 결빙 위험성을 결정하는 데 활용될 수 있다. 결빙 위험성 결정부(150)는 설정된 인공지능 모델을 기초로 상술한 대상도로의 유형과 형태, 교통상황, 기상환경 및 대상도로의 센서 데이터를 분석하여 대상도로의 결빙 위험성을 결정한다. 본 실시예들에 있어서, 대상도로의 결빙 위험성은 대상도로의 노면에 블랙 아이스가 생성될 확률 또는 노면 내 블랙아이스의 생성될 것으로 예상되는 면적의 크기에 따라 결정될 수 있다. 구체적으로, 결빙 위험성 결정부(150)는 센서 데이터 각각을 기반으로 대상도로의 결빙 위험성을 결정하되, 대상도로의 유형과 형태, 교통상황 및 기상환경에 따라 결빙 위험성을 보정할 수 있다. 일 예시로서, 결빙 위험성 결정부(150)는 아래 수학식 1에서와 같이 노면 촬영 이미지 내에서 데이터베이스에 기 저장된 블랙 아이스 패턴과 대응되는 패턴의 면적이 커질수록, 온도 데이터 내 노면의 온도가 낮아질수록, 습도 데이터 내 습도가 높아질수록, 레이더 데이터에 포함된 신호 패턴과 데이터베이스에 기 저장된 블랙 아이스의 신호 패턴 간의 유사도가 높아질수록, 대상도로의 결빙 위험성이 높은 것으로 판단할 수 있다. [수학식 1] 결빙 위험성(P) = k1 * A - k2 * B + k3 * C + k4 * D (여기서, A는 노면 촬영 이미지 내에서 검출된 블랙 아이스 패턴의 면적, B는 온도 데이터 내 노면의 온도, C는 습도 데이터 내 습도, D는 레이더 데이터에 포함된 신호 패턴과 데이터베이스에 기 저장된 블랙 아이스의 신호 패턴 간의 유사도를 각각 나타냄. 또한, k1, k2, k3, k4는 각각 A, B, C, D의 가중치를 나타내는 계수를 나타냄) 이때, 결빙 위험성 결정부(150)는 상술한 대상도로의 유형과 형태, 교통상황 및 기상환경에 따라 센서 데이터 각각에 대한 가중치(k1, k2, k3, k4)를 동적으로 달리할 수 있다. 이를 위해, 결빙 위험성 결정부(150)는 인공지능 모델을 통해 기 학습된 제1 학습 데이터 중 상술한 대상도로의 유형과 형태, 교통상황 및 기상환경과 각각 대응되는 제1 학습 데이터를 선별하고, 선별된 제1 학습 데이터에 대응되는 가중치를 센서 데이터 각각에 대한 가중치로 결정할 수 있다. 여기서, 제1 학습 데이터는 도로의 유형/형태 - 교통상황 - 기상환경 - 센서 데이터 각각에 대한 가중치(k1, k2, k3, k4) - 결빙 위험성(P)의 세트(set)를 포함할 수 있다. 여기서, 결빙 위험성 결정부(150)는 선별된 제1 학습 데이터에 대응되는 가중치를 센