플러스프로젝트 배경
문제
- 수동 관제의 한계 및 사고 위험: 요양병원 및 돌봄 시설에서 수동적인 환자 모니터링은 인력 소모가 크고, 특히 낙상 및 욕창 위험을 실시간으로 감지하기 어려워 사고 발생 위험이 높음.
- 낮은 실시간 대응력: CCTV 영상 데이터 처리 시 추론 지연(Latency) 문제로 인해 낙상 등 긴급 상황 발생 시 즉각적인 경고 및 조치가 어려움.
- 오탐지 및 비효율적인 알림: 단순 움직임 기반의 감지 시스템은 오탐지율(False Positive)이 높아 간호 인력의 피로도를 높이고 알림 시스템의 신뢰도를 저하시킴.
프로젝트 목표
- AI 기반 실시간 낙상/욕창 감지 시스템 구축: CCTV 영상 스트림을 활용하여 21개 키포인트 기반 정밀 자세 분석을 통해 낙상 및 욕창 위험을 실시간으로 감지하고 알림을 제공하는 시스템 API 및 백엔드 솔루션 구현.
- Low Latency 고성능 인프라 확보: TensorRT 최적화 모델, Triton 서버, FFmpeg GPU 가속 등의 기술을 통합하여 30FPS+ 실시간 추론 성능과 10초 이내의 알림 전송을 보장하는 인프라 구축.
- 정밀 알고리즘 기반 오탐지 최소화: 머리-엉덩이 키포인트 분석 및 2시간 경과 알림 정책 등을 적용하여 실제 위험 상황과 일반 움직임을 구분함으로써 오탐지를 최소화하는 알고리즘 개발.
주안점 (핵심 개발/운영 고려사항)
- 실시간성과 안정성 확보: TensorRT 최적화, FastAPI 비동기 처리, Redis Pub/Sub을 결합하여 위험 감지 및 알림의 극단적인 지연(Low Latency)을 최소화하는 데 중점.
- 오탐지 최소화를 위한 정밀 알고리즘: 일반적인 움직임과 실제 낙상을 구분하고, 정밀한 키포인트 분석을 통해 욕창 위험 알림의 위양성(False Positive)을 최소화하는 알고리즘 설계.
- 보안 및 프라이버시 준수: 영상 데이터의 비식별화 원칙 준수, 환자 정보에 대한 Argon2 해싱 및 AES-256 암호화 적용, RBAC 기반 접근 제어 시스템 구축.
- 수동 관제의 한계 및 사고 위험: 요양병원 및 돌봄 시설에서 수동적인 환자 모니터링은 인력 소모가 크고, 특히 낙상 및 욕창 위험을 실시간으로 감지하기 어려워 사고 발생 위험이 높음.
- 낮은 실시간 대응력: CCTV 영상 데이터 처리 시 추론 지연(Latency) 문제로 인해 낙상 등 긴급 상황 발생 시 즉각적인 경고 및 조치가 어려움.
- 오탐지 및 비효율적인 알림: 단순 움직임 기반의 감지 시스템은 오탐지율(False Positive)이 높아 간호 인력의 피로도를 높이고 알림 시스템의 신뢰도를 저하시킴.
프로젝트 목표
- AI 기반 실시간 낙상/욕창 감지 시스템 구축: CCTV 영상 스트림을 활용하여 21개 키포인트 기반 정밀 자세 분석을 통해 낙상 및 욕창 위험을 실시간으로 감지하고 알림을 제공하는 시스템 API 및 백엔드 솔루션 구현.
- Low Latency 고성능 인프라 확보: TensorRT 최적화 모델, Triton 서버, FFmpeg GPU 가속 등의 기술을 통합하여 30FPS+ 실시간 추론 성능과 10초 이내의 알림 전송을 보장하는 인프라 구축.
- 정밀 알고리즘 기반 오탐지 최소화: 머리-엉덩이 키포인트 분석 및 2시간 경과 알림 정책 등을 적용하여 실제 위험 상황과 일반 움직임을 구분함으로써 오탐지를 최소화하는 알고리즘 개발.
주안점 (핵심 개발/운영 고려사항)
- 실시간성과 안정성 확보: TensorRT 최적화, FastAPI 비동기 처리, Redis Pub/Sub을 결합하여 위험 감지 및 알림의 극단적인 지연(Low Latency)을 최소화하는 데 중점.
- 오탐지 최소화를 위한 정밀 알고리즘: 일반적인 움직임과 실제 낙상을 구분하고, 정밀한 키포인트 분석을 통해 욕창 위험 알림의 위양성(False Positive)을 최소화하는 알고리즘 설계.
- 보안 및 프라이버시 준수: 영상 데이터의 비식별화 원칙 준수, 환자 정보에 대한 Argon2 해싱 및 AES-256 암호화 적용, RBAC 기반 접근 제어 시스템 구축.
프로젝트 성과
극단적 Low Latency 실시간 알림 달성
TensorRT/Triton 서버와 Redis Pub/Sub을 통합하여 감지부터 알림 전송까지의 지연 시간을 10초 이내로 최소화, 실시간 대응력을 극대화
21개 키포인트 기반 정밀 감지 시스템 구축
21개 키포인트 자세 분석을 통해 낙상 90%, 욕창 85% 이상의 정확도를 확보하고, 오탐지를 최소화하여 시스템 신뢰성을 높임
FFmpeg GPU 가속 기반 스트리밍 인프라 확보
MediaMTX 및 FFmpeg GPU 가속을 활용하여 다중 RTSP 스트림을 안정적으로 중계 및 처리하는 고성능 비전 인프라 구축을 완료
핵심 기능
실시간 낙상 감지 및 욕창 예방
21개 키포인트 기반 정밀 자세 분석을 통해 2시간 이상 같은 자세 유지 시 욕창 위험을 감지하고 침대 영역과 사람의 키포인트 계산한 낙상 탐지하며, 2시간/3시간 경과에 따른 단계별 알림 정책 적용.
고성능 AI & 스트리밍 인프라
TensorRT로 최적화된 YOLO 모델을 Triton 서버로 서빙하여 30FPS+ 실시간 추론 성능을 확보했고, MediaMTX 서버와 FFmpeg GPU 가속으로 다중 RTSP 스트림을 안정적으로 중계 및 처리
진행 단계
기획 및 정의
2025.07.
시스템 목표, 낙상/욕창 정확도 목표 설정, YOLO, HRNet 등 AI 모델 및 FastAPI 기반 마이크로서비스 아키텍처를 포함한 기술 스택을 확정하고 상세 기술 명세서를 완성
스트리밍 서버 / 백엔드 / 프론트엔드 / AI 모델 개발
2025.08.
TensorRT 최적화 AI 모델을 Triton 서버로 통합하고, MediaMTX/FFmpeg 스트리밍 환경을 구축. FastAPI 백엔드, MongoDB, Redis Pub/Sub 시스템과 Frontend 구현
테스트 및 런칭
2025.09.
실제 병실 환경 영상 기반 정확도 튜닝 및 성능 부하 테스트를 완료. Docker 기반 최종 배포 환경 구축 및 SW 저작권 출원, 실시간 모니터링 대시보드를 통해 시스템을 최종 런칭
프로젝트 상세
AI 기반 실시간 안전 모니터링 및 알림 시스템으로, 요양병원 및 재가 돌봄 시설을 대상으로 하며, CCTV 영상 스트림(RTSP)을 받아 컴퓨터 비전(YOLO, HRNet) 기술을 활용하여 환자의 낙상 및 욕창 위험을 감지하고, Low Latency 알림 시스템을 통해 의료진에게 즉시 전달하는 백엔드 솔루션.
특징
- 고성능 AI & 스트리밍 통합 인프라: TensorRT로 최적화된 YOLO 모델을 Triton 서버로 서빙하여 30FPS+ 실시간 추론 성능을 확보. MediaMTX 서버와 FFmpeg GPU 가속을 통해 다중 RTSP 스트림을 안정적으로 중계 및 처리.
- 21개 키포인트 기반 정밀 위험 감지: HRNet 기반 21개 키포인트를 활용하여 환자의 정밀 자세를 분석하고, 침대 영역과 사람의 키포인트 위치 관계를 계산하여 낙상을 탐지하며, 자세 변화를 추적하여 욕창 위험을 감지.
- 마이크로서비스 기반 실시간 알림 시스템: FastAPI 기반 비동기 백엔드와 Redis Pub/Sub 시스템을 통해 AI 감지 결과를 10초 이내로 관리자/의료진 대시보드에 전송하고, 이벤트 상태(미처리/처리됨)를 관리.
주요 기능
- 실시간 위험 감지 알고리즘
낙상 감지: YOLO, HRNet 기반으로 사람을 탐지하고 머리-엉덩이 키포인트 분석을 통해 낙상 상황(정확도 90% 이상)을 실시간으로 감지.
- 욕창 예방: 21개 키포인트 기반 자세 변화 분석을 통해 2시간 이상 같은 자세 유지 시 욕창 위험을 감지하고, 2시간/3시간 경과에 따른 단계별 알림 정책을 적용. (정확도 85% 이상)
- 고성능 AI 추론 및 스트리밍
고성능 AI 추론 시스템 구현: TensorRT 최적화와 Triton Inference Server를 통한 모델 서빙으로 최소 30FPS 이상의 실시간 처리를 구현.
CCTV 스트림 통합 및 관리: MediaMTX를 활용한 RTSP 스트림 수집 및 FFmpeg GPU 가속 영상 처리를 통해 다중 스트림 환경을 안정적으로 운영.
- 백엔드 및 관리 시스템
Redis 기반 실시간 이벤트 알림 및 처리: Redis Pub/Sub을 통해 10초 이내 알림 전송 및 이벤트 상태(미처리/처리됨)를 관리.
데이터 기반 관리 기능: 환자/침대/CCTV 관리, 낙상/욕창 이벤트 이력 조회 및 통계 기능을 위한 API를 제공하며, JWT/RBAC 기반 인증 및 권한 관리를 수행.
특징
- 고성능 AI & 스트리밍 통합 인프라: TensorRT로 최적화된 YOLO 모델을 Triton 서버로 서빙하여 30FPS+ 실시간 추론 성능을 확보. MediaMTX 서버와 FFmpeg GPU 가속을 통해 다중 RTSP 스트림을 안정적으로 중계 및 처리.
- 21개 키포인트 기반 정밀 위험 감지: HRNet 기반 21개 키포인트를 활용하여 환자의 정밀 자세를 분석하고, 침대 영역과 사람의 키포인트 위치 관계를 계산하여 낙상을 탐지하며, 자세 변화를 추적하여 욕창 위험을 감지.
- 마이크로서비스 기반 실시간 알림 시스템: FastAPI 기반 비동기 백엔드와 Redis Pub/Sub 시스템을 통해 AI 감지 결과를 10초 이내로 관리자/의료진 대시보드에 전송하고, 이벤트 상태(미처리/처리됨)를 관리.
주요 기능
- 실시간 위험 감지 알고리즘
낙상 감지: YOLO, HRNet 기반으로 사람을 탐지하고 머리-엉덩이 키포인트 분석을 통해 낙상 상황(정확도 90% 이상)을 실시간으로 감지.
- 욕창 예방: 21개 키포인트 기반 자세 변화 분석을 통해 2시간 이상 같은 자세 유지 시 욕창 위험을 감지하고, 2시간/3시간 경과에 따른 단계별 알림 정책을 적용. (정확도 85% 이상)
- 고성능 AI 추론 및 스트리밍
고성능 AI 추론 시스템 구현: TensorRT 최적화와 Triton Inference Server를 통한 모델 서빙으로 최소 30FPS 이상의 실시간 처리를 구현.
CCTV 스트림 통합 및 관리: MediaMTX를 활용한 RTSP 스트림 수집 및 FFmpeg GPU 가속 영상 처리를 통해 다중 스트림 환경을 안정적으로 운영.
- 백엔드 및 관리 시스템
Redis 기반 실시간 이벤트 알림 및 처리: Redis Pub/Sub을 통해 10초 이내 알림 전송 및 이벤트 상태(미처리/처리됨)를 관리.
데이터 기반 관리 기능: 환자/침대/CCTV 관리, 낙상/욕창 이벤트 이력 조회 및 통계 기능을 위한 API를 제공하며, JWT/RBAC 기반 인증 및 권한 관리를 수행.
