센서 데이터의 이미지화
수집 데이터의 변화와 객체 특성을 학습 가능한 패턴으로 표현하는 것을 핵심 접근으로 삼습니다.
PASSNET TECHNOLOGYLASER SENSING × DEEP LEARNING
AI 딥러닝 기반 레이저 센서 데이터 객체 이미지화
감지를 넘어,
현장을 이해하다.
레이저 센서가 수집한 데이터를 객체 패턴으로.
AI의 분류를 현장의 판단과 대응으로 연결합니다.
SIGNAL → INSIGHT기술 개념도
SENSOR INPUT / 시간에 따른 센서 신호
PATTERN IMAGE
특징 표현
→
딥러닝 분류
→
딥러닝 분류
CONTEXT객체 + 상황
사람 · 사물
행동 · 진입 · 잔류
현장 제어 / 경보 / 통합 관제
이해를 위한 개념 표현이며 실제 측정·분류 결과가 아닙니다.
01 / TECHNOLOGY
데이터를 이미지로,
이미지를 현장의 판단으로.
패스넷의 등록특허에 기재된 기술은 레이저 센서가 수집한 거리·점군 데이터를 2차원 또는 3차원 형상으로 변환하고, AI 기반 객체 인식·분류·추적을 판단 및 제어로 연결하는 구조입니다.
단일 감지 신호에서 출발해 객체 종류와 시간에 따른 변화를 함께 해석합니다. 실제 판단 항목과 연동 범위는 수집 데이터, 학습 범위, 설치 환경에 따라 설계합니다.
객체에서 상황으로
사람·사물 분류와 시간 정보를 결합해 행동, 진입, 잔류 등 현장에 필요한 판단을 설계합니다.
판단에서 대응으로
운영 규칙에 따른 이벤트를 제어 장치·경보·관제 시스템에 전달하도록 연계 구조를 구성합니다.
02 / HOW IT WORKS
하나의 데이터 흐름,
다섯 단계의 연결.
레이저 데이터 수집
관심 구역을 설정하고 센서의 관측 데이터를 수집합니다.
센서 · 설치 조건객체 패턴 이미지화
데이터를 정리하고 객체 특성을 담은 이미지 표현으로 변환합니다.
전처리 · 특징 표현AI 딥러닝 분류
학습한 패턴을 바탕으로 객체 유형과 변화 특성을 분류합니다.
학습 데이터 · 모델객체·상황 판단
사람·사물·행동과 진입·잔류를 구역 및 시간 조건과 함께 판단합니다.
구역 · 시간 · 운영 규칙제어·경보·관제
판단 이벤트를 현장 대응 장치와 운영 시스템에 연동합니다.
이벤트 · 인터페이스설계 개념입니다. 행동·잔류 판단은 시간에 따른 데이터와 현장별 기준이 필요하며, 운영 성능은 실증을 통해 검증해야 합니다.
03 / APPLICATIONS
현장은 달라도,
안전을 향한 연결은 같습니다.
공공 인프라부터 산업 현장까지, 구역과 객체의 관계를 이해해야 하는 곳에 적용을 검토합니다. 아래 내용은 적용 시나리오이며 납품·실증 실적을 의미하지 않습니다.
보행자 안전
지속 대기에 따른 보행신호 요청과 레이저 센서 AI의 사람·사물 구분을 연결해 상황에 맞는 음성안내를 구성합니다.
연계 대상 · 신호제어기 / 음성안내 장치5가지 동작 장면 보기 →불법주정차 예방
설정 구역 내 차량 등 객체의 체류를 분석해 주정차 예방 안내와 운영자 확인을 지원하는 방향입니다.
연계 대상 · 예방 안내 / 운영 관제철도·KTX 대기구역
승객과 여행용 가방을 구분하고, 선로 앞 접근금지선에 접근·진입하는 승객에게 안전 계도 안내방송을 제공하는 방안을 검토합니다.
연계 대상 · 역사 안내 / 안전 관제DMZ·경계 보안
경계 구역의 객체 변화와 진입 이벤트를 분류하여 운영자가 상황을 확인하도록 지원하는 방향입니다.
검토 사항 · 지형 / 환경 / 보안 요구출입·침입 감지
제한 구역의 진입과 잔류를 운영 시간 및 구역 정책에 연결하여 경보 이벤트로 구성합니다.
연계 대상 · 출입 관리 / 시설 관제산업안전
작업자·사물의 위험 구역 접근을 판단하고 안전 담당자의 확인과 현장 주의 경보를 지원합니다.
검토 사항 · 설비 연동 / 안전 운영 절차INTEGRATED SAFETY / 통합 보행안전 기술
AI 레이저 기반 통합형
자동 보행신호 음성안내 보조장치
레이저의 위험 접근 감지와 카메라의 횡단 대기 판단을 연결합니다. 안전 음성안내와 자동 보행신호 요청을 하나의 통합 판단 구조로 구성합니다.
PEDESTRIAN SAFETY / 보행자 안전 시나리오대기부터 횡단까지,
대기부터 횡단까지,
상황에 맞춰 안내합니다.
카메라는 보행자의 지속 대기를 확인하고, 레이저 센서 AI는 경계석 접근 객체를 구분합니다.
A
대기 확인 → 신호 요청 → 횡단 안내
보행신호와 연계되는 3단계 동작
B
사람과 자전거를 구분하는 음성안내
적색신호에서 검출된 객체에 따른 두 가지 상황
이미지 확대 ↗SCENE 04
사람 검출 · 경고 방송
적색신호 중 사람이 경계석 쪽 레이저 검출 영역에 진입하면 사람으로 판별해 “위험하오니 차도로 들어가지 마세요”라고 안내합니다.
이미지 확대 ↗SCENE 05
앞바퀴 검출 · 음성 미작동
아이의 몸은 검출 영역 밖에 있고 자전거 앞바퀴만 들어온 상황입니다. 레이저 센서 AI가 자전거로 판별하여 경고 음성을 송출하지 않는 시나리오입니다.
CH-1 · 차도방향 검출 영역경계석의 차도 쪽 접근 구역
CH-2 · 인도방향 검출 영역인도 쪽 접근 구역
카메라 검출 영역지속 대기 여부를 확인하는 인도 구역
제공된 이미지를 활용한 동작 시나리오입니다. 검출 영역·대기시간·객체 판별 및 음성안내 조건은 현장에 맞춰 설정하고 검증합니다.
AI LASER / 보행신호 음성안내에 특화된 객체 판별무엇이 들어왔는지 구분하고,
01 / 불필요한 방송 감소 02 / 현장 응답 설계 03 / 운영·유지관리
무엇이 들어왔는지 구분하고,
필요한 상황에 안내합니다.
레이저 센서 데이터에 AI 학습을 결합하여 사람과 다양한 장애물을 구분하고, 보행신호 상태와 진입 위치에 맞춰 음성안내 여부를 판단하는 것이 패스넷의 개선 방향입니다.
보행자자전거킥보드겨울철 눈덩이폐기물·적치물
자전거 사례에서 나아가 다양한 장애물로 학습·검증 대상을 확장합니다. 사람이 자전거나 킥보드와 함께 진입하는 경우에는 사람의 진입 여부를 함께 판단합니다.
영역 검출에 객체 판별을 더하다
객체 분류 기능이 없는 단순 검출형 장치는 설정 영역에서 사물이 검출되면 사람 여부와 관계없이 음성안내가 작동할 수 있습니다. AI 레이저 방식은 사람과 비보행 객체를 구분하여 불필요한 반복 방송을 줄이는 것을 목표로 합니다.
검출부터 안내까지 연결하다
레이저 데이터의 객체 판별, 신호상태 확인, 음성안내 출력을 보행안전 목적에 맞춰 구성합니다. 응답시간은 센서 주기·연산·통신·출력 전 과정을 기준으로 측정하고, 평균뿐 아니라 최대 지연과 편차도 확인합니다.
영상 의존도와 관리 부담을 줄이다
위험 접근 음성안내의 판단을 레이저 센서 AI가 담당하도록 하여 영상 분석에 대한 의존도를 낮추는 방향입니다. 불필요한 방송과 현장 점검 부담을 줄이고 운영비를 개선하는 효과를 목표로 합니다.
실제 작동 자료로 보는 검출 데이터
제공된 실내 작동 영상에서는 설치된 시험 장치와 바닥 시험 구역, 신호등 및 모니터의 점·선 형태 검출 데이터 표시를 확인할 수 있습니다. 이와 같은 현장 데이터를 바탕으로 객체별 학습과 음성안내 조건을 구체화합니다.
카메라 방식의 고려사항과 역할 분담
영상 기반 검출은 조도, 강한 비·눈, 렌즈나 보호창의 오염에 따라 인식 성능이 달라질 수 있어 청소와 영상 상태 점검이 필요합니다. 카메라에서 객체를 구분한 뒤 최종 장치가 처리하는 구성은 영상 획득·분석·통신·제어 단계의 지연을 함께 관리해야 합니다.
본 통합 구성에서는 카메라가 지속 대기와 신호 요청을, 레이저 센서 AI가 위험 접근 객체 판별과 음성안내를 담당합니다. 레이저 방식 역시 강우·강설, 센서창 오염, 설치 조건에 따른 점검과 현장 검증이 필요합니다.
참고: 카메라 제조사의 영상 분석 환경 안내판별 가능한 객체와 정확도는 학습 데이터 및 현장 시험으로 확인합니다. 0.1초·0.5초 이내의 응답 보장, 오차 없는 처리, 장비 수명 및 비용의 배수 우위는 비교 시험 결과에 근거해 제시합니다.
AI 레이저 센서
거리·위치·형상·반사 데이터 수집
- 레이저 점군 → BEV / Voxel Grid 영상화
- CNN 기반 사람·사물 인식 및 추적
- 경계석 접근·이동방향·위험 진입 판단
적색신호 중 위험 접근 → 안전 음성안내
영상 카메라
지정 구역의 보행자 영상 분석
- 사람 객체 인식 및 동일 보행자 추적
- 대기영역 내 설정시간 이상 체류 확인
- 단순 통과자와 횡단 대기 후보 구분
지속 대기 확인 → 보행신호 요청 후보
통합 판단부
사람 여부 + 대기시간 + 접근 방향 + 현재 신호상태
센서별 판단과 상태정보를 함께 확인해 위험 안내와 신호요청 조건을 구분합니다.
보행신호·위험 음성안내
사람의 위치와 위험 접근에 맞춰 안내하고, 비보행 객체에 의한 불필요한 방송을 줄이는 구조입니다.
보행신호 요청 → 교통신호제어기
요청을 전달한 뒤 기존 제어기의 안전로직과 신호운영 조건에 따라 보행신호를 현시합니다.
상호보완 설계 야간·영상 미탐지 시 레이저의 접근 감지를 보조 안전정보로 활용합니다. 센서 이상 시 처리와 신호요청 조건은 현장별로 설계·검증합니다.
핵심 적용기술 · 특허 제10-2968176호 레이저 점군의 영상변환, CNN 객체인식·추적 및 위험판단을 바탕으로 구성한 기술 개념도입니다.
레이저 감지 경로는 비영상 방식이며, 본 통합형 구성에는 영상 카메라가 포함됩니다. 영상정보 처리·저장 범위는 별도로 설계합니다. 실제 성능과 연동 조건은 시험 및 현장 실증으로 확인합니다.
USE CASES / 실제 적용 방안
공간을 이해하고,
위험 전에 안내합니다.
Laser Spatial AI Guardian은 레이저의 거리·각도·반사 데이터를 기반으로 객체의 공간적 형상과 이동을 분석하는 비영상 Spatial AI 기술입니다.
카메라 대비 주야간·조도·그림자 등 환경 변화에 대한 의존도가 낮은 방식으로, 영상 촬영·저장 없이 현장 안내와 안전 제어에 활용하는 적용 방안을 제시합니다.
SPATIAL AI / 불법주정차 예방 적용 예시차량 검출에서 운전자 안내까지
불법주정차 예방 및 사전 안내
설정 구역의 차량 정차와 하차자를 검출하고 이동방향을 분석합니다. 초지향성 스피커로 운전자로 판단되는 대상의 방향에만 안내를 제공하여, 단속 이전의 자발적인 차량 이동을 유도합니다.
- 차량 정차 감지
- 차량·하차자 식별
- 위치·이동방향 분석
- 해당 운전자 방향으로
초지향성 음성안내 - 자진 이동 유도
예방 중심의 교통관리
개인정보가 담긴 영상을 저장하지 않고, 사전 안내로 운전자의 인지와 자발적인 이동을 돕습니다.
횡단보도 검출 및 신호 연장·전환
거리·각도·반사 데이터와 이동 특성을 분석해 보행자·교통약자를 식별합니다. 횡단 중인 잔류보행자와 대기구간의 보행자를 구분하여 신호제어기와 연동합니다.
- 횡단·대기구간 검출
- 보행자·교통약자 식별
- 위치·잔류·이동 상태 판단
횡단 중 잔류보행자↓
보행신호 연장 요청
대기구간 보행자↓
보행신호 요청·전환
보행 상황에 맞춘 신호 운영
신호제어기와 현장 운영 기준에 따라 자동 연장·전환을 지원하는 구조입니다.
KTX 탑승 대기구간 안전 안내
승객과 여행용 가방을 구분하고, 선로 앞 접근금지선 주변의 위치와 이동을 분석합니다. 가방과 사람의 검출을 구분해 승객의 위험 구역 접근·진입에 맞춘 안전 계도 안내방송에 활용합니다.
- KTX 탑승 대기구간 검출
- 승객·여행용 가방 구분
- 접근금지선 기준
승객 위치·이동 분석 - 위험 구역 접근·진입 판단
- 안전 계도 안내방송
승객의 안전거리 확보 지원
사람의 접근 상황에 맞춰 안전선 뒤에서 대기하도록 안내하고, 역사 방송·안전 관제와 연계합니다.
도시 교통과 KTX 승강장 안전에서 출발해, 철도 전반·산업안전·국방 분야의 구역 감지와 안전 안내로 확장할 수 있습니다.
현장 적용 시 센서 배치, 가림·기상 조건, 객체 분류, 음성 전달 범위와 제어 연동을 검증합니다. 위 내용은 적용 시나리오이며 검증된 성능이나 도입 실적을 의미하지 않습니다.
04 / TECHNICAL APPROACH
무엇을 감지하고,
어떻게 판단할 것인가.
장치의 우열보다 수집 정보와 판단 구조의 차이를 비교합니다.
| 비교 관점 | 단순 감지 구성 | 카메라 영상 분석 구성 | 패스넷 기술 방향 |
|---|---|---|---|
| 입력 정보 | 센서 상태 또는 설정 임계값 | 촬영 영상과 프레임 | 레이저 센서 수집 데이터 |
| 정보 표현 | 감지 여부·수치 중심 | 영상 내 객체 특징 | 센서 데이터를 객체 패턴 이미지로 변환 |
| 판단 구조 | 임계값·운영 규칙 | 영상 모델과 운영 규칙 | 패턴 딥러닝 분류와 구역·시간 조건 결합 |
| 현장 검토 | 감지 구역과 임계값 설정 | 시야·조명·가림 및 영상 취급 | 센서 배치·환경 영향·학습 데이터 대표성 |
| 검증 항목 | 감지 누락·불필요한 감지 | 객체 분류와 상황별 오류 | 객체·상황별 오탐·미탐과 연동 지연 |
이해를 위한 대표 구성 비교이며 모든 제품의 특성을 일반화하지 않습니다. 정확도·거리·속도·비용의 상대적 우위는 동일 조건의 시험 없이 제시하지 않습니다.
05 / COMMERCIALIZATION
기술의 가능성을,
현장에서 검증 가능한 가치로.
공공기관·수요기업·시스템 통합 파트너와 요구사항을 정의하고, 단계적인 실증을 통해 제품화 범위를 구체화하는 협력 방향을 제안합니다.
현장 문제 구체화
대상 객체, 관심 구역, 운영 시간, 판단 이벤트와 기존 시스템을 정리합니다.
데이터·평가 기준 수립
수집 조건과 라벨 기준을 정하고, 오탐·미탐·응답 지연 등 검증 항목을 합의합니다.
조건별 성능 확인
설치 위치와 환경별 결과를 확인하고 모델·운영 규칙·연동 방식을 보완합니다.
운영·확산 체계 설계
센서·분석 모듈·관제 연계의 제공 범위와 유지관리 체계를 구체화합니다.
협력 방향: 정부 R&D 공동 기획 · 수요기관 실증 · 분야별 시스템 연동 · 제품·솔루션 공동 사업화
06 / INTELLECTUAL PROPERTY & VALIDATION
신뢰는 확인 가능한
근거에서 시작됩니다.
기술의 구상과 검증된 결과를 구분합니다. 특허·인증·시험 성적은 해당 기술 및 제품과의 연관 범위를 확인한 자료를 기준으로 안내합니다.
대한민국 등록특허
제10-2968176호
AI 딥러닝에 의한 레이저광 센서 수집 데이터 변환 기반 객체 이미지화 기능을 갖는 지능형 검출 및 감지 장치
- 특허권자
- (주)패스넷
- 출원번호
- 10-2025-0061785
- 출원일
- 2025.05.13
- 등록일
- 2026.05.19
- 공고일
- 2026.05.27
공개용으로 개인 주소만 가렸습니다.
제공된 특허증 및 등록특허공보(B1) 기재 기준입니다. 특허 등록은 제품의 성능 시험 또는 인증을 의미하지 않습니다.
인증·시험·실증
현재 이 페이지에는 확인된 인증서, 시험 성적서 및 실증 결과가 게시되어 있지 않습니다. 성능 수치와 도입 실적은 검증 자료 확보 후 안내할 예정입니다.
07 / CONTACT
현장의 과제에서
협력을 시작합니다.
정부과제 공동 기획, 현장 실증, 기술 연동 및 사업화 협력을 위한 논의 항목을 준비해 보세요.
PASSNET · 패스넷
1544-3254
admin1@passnet.co.kr
경기도 군포시 군포첨단산업2로 32, 패스넷 R&D센터 5층