Input · 현장
현장 CCTV기존 운영 카메라 · RTSP/ONVIF
01 SYSTEM ARCHITECTURE
시스템 구성 방안
기존 CCTV 영상이 지능형 영상분석서버를 거쳐, 화재 판정 시에만 관제·전파 체계 전체로 알람이 확산되는 구조입니다.
→
Analysis · 지능형 영상분석
딥러닝 객체 인식고민감도 화재 후보 탐지
VLM 상황 분석화재 이벤트 최종 판단
→
Response · 관제·전파
기존 VMS 팝업영상관제 알람 (API 연계)
알림톡 전송담당자·책임자 상황전파
통합모니터링 연동환경안전 연동 알람
센서 제어제어 이벤트 전송
평상시
일반 상황. 영상은 기존 VMS·스토리지에 정상 저장되고, 상시 배출 연기 등 무관 이벤트는 저장 대상에서 배제됩니다.
Alarm 발생 시
화재 판정 시. 현장 CCTV 팝업과 함께 알림톡, 통합모니터링 연동 알람, 센서 제어 신호가 동시에 전파됩니다.
VISIONONE FIRE VLM ENGINE
지능형 화재분석 엔진
객체인식과 VLM의 이중 판단으로 오탐을 줄이는 VisionOne 제품군의 화재감지 특화 엔진입니다.
최대 6CH · PoC 영상에 따라 조정
Intel Xeon Scalable
10GBase-T ×2
OPEN API
이벤트 연동 API 제공
화재 판정 이벤트를 표준 규격 API로 제공합니다. 알람·팝업·저장 연동 인터페이스를 현장 요구 규격에 맞춰 개발합니다.
이벤트 API 제공
ONVIF / RTSP 수신
현장 규격 맞춤
VMS LINK
기존 VMS 연계
운영 중인 VMS를 교체 없이 그대로 사용합니다. 기존 VMS의 연동 규격에 맞춰 이벤트 팝업·알람·저장이 동작하도록 연계합니다.
기존 VMS 그대로
팝업·알람 연계
저장 정책 연계
기존 CCTV·VMS 인프라와의 연계를 전제로 설계 — CCTV 연동, 분석, 이벤트 전파를 API 기반으로 통합 제공하며, 대규모 인프라에도 대응합니다.
02 LEGACY VS IMPROVED
기존 방식과 개선 방식,
무엇이 다른가
기존 방식은 민감도 하나로 오탐과 미탐 사이에서 타협해야 합니다. 개선 방식은 고민감도로 후보 범위를 넓히고, VLM이 최종 판단합니다.
기존 방식 — 객체인식 단독
TRADE-OFFFrame 입력
객체 인식보통 민감도 세팅 (일반적으로 70% 이상)
화재 탐지 시 즉시 알림중간 검증 단계 없음
민감도를 높이면 오탐이 늘고, 낮추면 미탐이 늘어나는 구조적 한계.
원거리 화재(픽셀 양이 적음)는 미탐지되거나, 화재와 비슷한 물체를 화재로 오탐지할 우려.
개선 방식 — 객체인식 + VLM
VISIONONE FIREFrame 입력
객체 인식 — 높은 민감도화재 탐지 확률 30% 이상이면 후보로 채택
VLM 최종 확인상황과 맥락을 파악해 화재 여부 판정
정탐만 알림
고민감도로 화재 후보를 넓게 포착하고, VLM이 오탐 후보를 다시 구분해 정탐과 오탐 성능을 함께 개선.
※ 객체 탐지 모델 — 이미지에서 특정 객체의 형상을 찾아 위치와 종류를 예측하지만, 맥락을 이해하지는 못함.
※ VLM(Vision-Language Model) — 이미지와 텍스트를 함께 이해하는 모델로, 이미지의 맥락과 상황을 스스로 해석하며 정확성이 우수함.
03 WHAT IS A VLM
VLM은 맥락을 봅니다
VLM(Vision-Language Model)은 시각 정보와 언어 정보를 동시에 처리하는 멀티모달 AI입니다. 객체인식과의 차이가 곧 오탐 차단의 근거입니다.
"비슷해 보이지만,
실제 불꽃은 아님"
— 이렇게 판단할 수 있는 모델
영상 인코더가 장면을 읽고 언어 모델이 의미를 해석하는 구조로, 이미지 전체의 맥락과 상황까지 파악합니다.
- 이미지와 텍스트를 함께 학습해 두 정보의 의미 연결을 이해
- 자연어 논리로 장면 전체의 맥락·상황을 해석
- 겹친 객체, 유사 객체 등 객체인식의 약점 상황에서 강함
| 객체 인식 | VLM | |
|---|---|---|
| 정보 단위 | 객체(Box), 클래스(Label) | 이미지 + 자연어 의미 (설명, 질문 등) |
| 출력 결과 | "이 위치에 불꽃 있음" | "불꽃이 튀고 있으며 사람은 피하고 있음. 위험한 상황." |
| 이해 범위 | '보이는' 객체의 모양 | '보이는 것' + '그 의미' + '상호 관계' |
| 한계 / 강점 | 겹친 물체에 약함, 유사 물체 오인식 많음 | "비슷해 보이지만 실제 불꽃은 아님" 등 맥락적 판단 가능 |
| 예시 | 자동차 후미등을 불꽃으로 오탐지 | "자동차의 불빛일 뿐, 화재 아님"이라고 판단 |
04 LIVE DEMONSTRATION
동일 장면, 실제 처리 영상 비교
기존 방식과 개선 방식이 같은 입력 영상을 어떻게 다르게 판단하는지 — 실제 처리 영상입니다.
빨간 박스 — 불꽃 탐지
노란 박스 — VLM 오탐 판별
오탐지 상황 비교
기존 방식은 불꽃과 유사한 형태의 객체도 화재로 오탐해 알람을 띄우지만, VLM은 상황과 맥락을 이해해 오탐을 걸러냅니다.
기존 방식
FALSE ALARM불꽃과 유사한 객체를 화재로 오탐지하여 알람 발생
개선 방식 (객체인식 + VLM)
FILTERED ✓VLM이 맥락을 판단해 동일 장면의 오탐을 차단
정탐 성능 향상
기존 방식이 유사한 색감의 객체와 겹친 불꽃을 놓친 사례에서, 개선 방식이 후보를 포착하고 VLM으로 최종 판정하는 과정을 보여줍니다.
기존 방식
MISSED유사 색감의 배경과 겹쳐 실제 불꽃을 놓침
개선 방식 (객체인식 + VLM)
DETECTED ✓고민감도 + VLM 판단으로 놓친 불꽃 후보를 재확인
05 PTZ ENHANCEMENT
성능 향상을 위한 추가 제안 — PTZ 광학 줌
거리가 멀어질수록 고정형 영상의 판별 정보가 부족해집니다. 선택 사양인 PTZ 카메라로 의심 구역을 광학 확대해 VLM이 더 선명한 화면을 재판별합니다.
STEP 1
1차 탐지
고민감도 세팅으로 원거리·저화질 화재 후보의 탐지 범위를 확대
STEP 2
광학 ZOOM
PTZ가 의심 좌표로 구동, 디지털 확대가 아닌 광학 줌으로 실제 픽셀 정보 확보
STEP 3
VLM 판별
확대된 화면을 맥락으로 재판정 — 예: 오탐(자동차 Light) 판별
STEP 4
정탐 / 오탐 확정
Zoom-in·out 반복 교차 검증 후 정탐만 알람 전파
✕ 단순 확대 → VLM 판별고정형 카메라의 디지털 확대는 픽셀이 뭉개져 판단이 어려움.
✓ 광학 ZOOM → VLM 판별실제 광학 줌으로 선명한 화면을 확보해 정탐/오탐을 명확히 판별.
06 PERFORMANCE COMPARISON
제안 시스템 성능 비교
테스트용 불꽃 데이터셋 2,491장 + 일반상황 데이터셋 2,336장 기준, 구성별 성능·비용 비교입니다.
| 구성 | 정탐 | 오탐 차단 | 비용 | 비고 |
|---|---|---|---|---|
| 객체인식 단독 | 미흡 | 미흡 | 중간 | 정확도가 낮아 실제 적용 시 많은 문제 발생 |
| 객체인식 + VLM | 높음 | 높음 | 낮음 | 성능과 비용의 균형 측면에서 가장 효율적인 구성 |
| 객체인식 + VLM + PTZ | 매우 높음 | 매우 높음 | 높음 | 정확도 최상 — 설치·유지 비용 증가 요소 존재 |
※ 모든 상황에 VLM을 쓰면 실시간 감지가 어려우므로, 객체인식과 VLM을 적절히 사용해 최적의 솔루션을 제공합니다.
PATENT
PENDING
PENDING
보유 기술 — 불꽃 오탐지 문제를 보완하는 기술 (특허 출원)
객체인식 모델로 불꽃과 연기를 탐지한 후, 동영상의 전/후 프레임 간 관계를 분석하여 실제 불꽃·연기의 움직임 특성을 가지는지 판단하는 자체 기술을 보유하고 있습니다.
07 NEXT STEP
귀사 요구사항에 어떻게 대응하는지
항목별로 확인하십시오
요구사항 명세서 10개 항목에 대한 구현 방안과 현장 검증 포인트를 정리한 대응 분석이 준비되어 있습니다.