회사 자료를 불러오는 중…
회사 자료를 불러오는 중…
검증 단계 — 어디까지 확인했나
L0 · 국민연금 인력 · 공시 재무 · 특허 — 공공자료
서울특별시에 있는 1999년 설립 회사입니다. 기타 통신 판매업을 합니다. 2025년 매출은 822억입니다. 2026년 8월 기준 국민연금 가입자는 128명입니다. 외부감사를 받는 회사이고, 가장 최근 감사의견은 「적정」입니다.
읽어오는 중입니다…
최근 출원 2026-03-31 · 최근 등록 2026-03-31 · 최신 출원순
뇌파 기기를 이용해 측정한 베타파와 세타파 이용해 얻어진 집중력 점수를 학습 데이터로 이용하여 인공신경망 기반의 사용자의 집중력을 판단하는 방법 및 이를 수행하는 운영 서버가 개시된다. 상기 집중력 스코어링 방법을 수행하는 운영 서버는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 상기 적어도 하나의 동작은, 사용자를 촬영한 사용자 이미지를 획득하는 동작; 상기 사용자 이미지로부터 상기 사용자의 머리에 대한 수평 방향 움직임 각도와 수직 방향 움직임 각도를 결정하고, 상기 수평 방향 움직임 각도와 상기 수직 방향 움직임 각도를 이용하여 머리 움직임 점수를 산출하는 동작; 상기 사용자 이미지로부터 상기 사용자의 시선 방향을 지시하는 시선 벡터를 결정하고, 결정된 상기 시선 벡터를 이용하여 상기 사용자의 시선 움직임 점수를 산출하는 동작; 상기 사용자 이미지로부터 상기 사용자의 눈을 식별하고, 식별된 상기 사용자의 눈을 이용하여 눈감김 점수를 산출하는 동작; 상기 머리 움직임 점수, 상기 시선 움직임 점수, 및 상기 눈감김 점수를 이용하여 입력 데이터를 생성하는 동작; 상기 입력 데이터를 미리 지도학습된 딥러닝 기반의 스코어링 학습...(이하생략)
시선 벡터 기반의 시선 움직임을 이용하여 사용자의 집중력을 판단하는 방법 및 이를 수행하는 운영 서버가 개시된다. 상기 집중력 스코어링 방법을 수행하는 운영 서버는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 상기 적어도 하나의 동작은, 사용자를 촬영한 사용자 이미지를 획득하는 동작; 상기 사용자 이미지로부터 상기 사용자의 머리에 대한 수평 방향 움직임 각도와 수직 방향 움직임 각도를 결정하고, 상기 수평 방향 움직임 각도와 상기 수직 방향 움직임 각도를 이용하여 머리 움직임 점수를 산출하는 동작;상기 사용자 이미지로부터 상기 사용자의 시선 방향을 지시하는 시선 벡터를 결정하고, 결정된 상기 시선 벡터를 이용하여 상기 사용자의 시선 움직임 점수를 산출하는 동작; 상기 사용자 이미지로부터 상기 사용자의 눈을 식별하고, 식별된 상기 사용자의 눈을 이용하여 눈감김 점수를 산출하는 동작; 상기 머리 움직임 점수, 상기 시선 움직임 점수, 및 상기 눈감김 점수를 이용하여 입력 데이터를 생성하는 동작; 상기 입력 데이터를 미리 지도학습된 딥러닝 기반의 스코어링 학습 모델에 입력하는 동작; 및 상기 스코어링 학습 모델의 출력으로 집중력 점...(이하생략)
집중력의 시계열적 특성을 이용하여 전처리된 집중력 점수 기반으로 사용자의 집중력을 판단하는 방법이 개시된다. 상기 집중력 스코어링 방법을 수행하는 운영 서버는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 상기 적어도 하나의 동작은, 사용자를 촬영한 사용자 이미지를 획득하는 동작; 상기 사용자 이미지로부터 상기 사용자의 머리에 대한 수평 방향 움직임 각도와 수직 방향 움직임 각도를 결정하고, 상기 수평 방향 움직임 각도와 상기 수직 방향 움직임 각도를 이용하여 머리 움직임 점수를 산출하는 동작;상기 사용자 이미지로부터 상기 사용자의 시선 방향을 지시하는 시선 벡터를 결정하고, 결정된 상기 시선 벡터를 이용하여 상기 사용자의 시선 움직임 점수를 산출하는 동작; 상기 사용자 이미지로부터 상기 사용자의 눈을 식별하고, 식별된 상기 사용자의 눈을 이용하여 눈감김 점수를 산출하는 동작; 상기 머리 움직임 점수, 상기 시선 움직임 점수, 및 상기 눈감김 점수를 이용하여 입력 데이터를 생성하는 동작; 상기 입력 데이터를 미리 지도학습된 딥러닝 기반의 스코어링 학습 모델에 입력하는 동작; 및 상기 스코어링 학습 모델의 출력으로 집중력 점수를 ...(이하생략)
뇌파 데이터를 이용하여 훈련된 스코어링 학습 모델을 이용하여 사용자의 집중력을 판단하는 방법이 개시된다. 상기 집중력 스코어링 방법을 수행하는 운영 서버는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 상기 적어도 하나의 동작은, 사용자를 촬영한 사용자 이미지를 획득하는 동작; 상기 사용자 이미지로부터 상기 사용자의 머리에 대한 수평 방향 움직임 각도와 수직 방향 움직임 각도를 결정하고, 상기 수평 방향 움직임 각도와 상기 수직 방향 움직임 각도를 이용하여 머리 움직임 점수를 산출하는 동작;상기 사용자 이미지로부터 상기 사용자의 시선 방향을 지시하는 시선 벡터를 결정하고, 결정된 상기 시선 벡터를 이용하여 상기 사용자의 시선 움직임 점수를 산출하는 동작; 상기 사용자 이미지로부터 상기 사용자의 눈을 식별하고, 식별된 상기 사용자의 눈을 이용하여 눈감김 점수를 산출하는 동작; 상기 머리 움직임 점수, 상기 시선 움직임 점수, 및 상기 눈감김 점수를 이용하여 입력 데이터를 생성하는 동작; 상기 입력 데이터를 미리 지도학습된 딥러닝 기반의 스코어링 학습 모델에 입력하는 동작; 및 상기 스코어링 학습 모델의 출력으로 집중력 점수를 획득...(이하생략)
사용자 이미지에 기반하여 사용자의 집중력을 판단하는 방법 및 이를 수행하는 운영 서버가 개시된다. 상기 집중력 스코어링 방법을 수행하는 운영 서버는, 적어도 하나의 프로세서(processor); 및 상기 적어도 하나의 프로세서가 적어도 하나의 동작(operation)을 수행하도록 지시하는 명령어들(instructions)을 저장하는 메모리(memory)를 포함하고, 상기 적어도 하나의 동작은, 사용자를 촬영한 사용자 이미지를 획득하는 동작; 상기 사용자 이미지로부터 상기 사용자의 머리에 대한 수평 방향 움직임 각도와 수직 방향 움직임 각도를 결정하고, 상기 수평 방향 움직임 각도와 상기 수직 방향 움직임 각도를 이용하여 머리 움직임 점수를 산출하는 동작;상기 사용자 이미지로부터 상기 사용자의 시선 방향을 지시하는 시선 벡터를 결정하고, 결정된 상기 시선 벡터를 이용하여 상기 사용자의 시선 움직임 점수를 산출하는 동작; 상기 사용자 이미지로부터 상기 사용자의 눈을 식별하고, 식별된 상기 사용자의 눈을 이용하여 눈감김 점수를 산출하는 동작; 상기 머리 움직임 점수, 상기 시선 움직임 점수, 및 상기 눈감김 점수를 이용하여 입력 데이터를 생성하는 동작; 상기 입력 데이터를 미리 지도학습된 딥러닝 기반의 스코어링 학습 모델에 입력하는 동작; 및 상기 스코어링 학습 모델의 출력으로 집중력 점수를 획득하는 동...(이하생략)
드랍아웃을 통해 과적합 경향을 보상하는 복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 방법 및 장치가 개시된다. 상기 복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하고, 상기 학업성취능력 예측부는, 상기 사용자들 각각의 학습 데이터와 대응하는 훈련 입력값 및 상기 군집화 엔진을 통해 학업성취능력 타입이 라벨링된 훈련 출력값으로 구성되는 훈련 데이터를 이용하여 지도학습(supervised-learning)되고, 복수의 은닉층들로 구성되는 딥러닝 네트워크 기반으로 상기 타겟 사용자에 대응하는 학업성취능력 타입을 예측하는 인공신경망 엔진;을 포함한다.
통계적 분석과 딥러닝 기반의 인공지능을 동시에 활용한 학습량 추천 방법 및 장치가 개시된다. 상기 통계적 분석과 딥러닝 기반의 인공지능을 동시에 활용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 상기 학습 데이터들에 대한 통계적 연산 처리에 따른 결과로서 얻어지는 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하되, 상기 학습량 테이블은, 상기 예측된 학업성취능력 타입에 해당하는 사용자들이 현재 교육과정의 다음 교육과정에서 실제로 수행한 다수의 학습량들 각각에 대하여, 상기 다음 교육과정과 대응하는 상기 학습 데이터들을 이용하여 산출한 평가 통과율 및 평가점수 평균을 포함한다.
가우시안 혼합 모델을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 방법 및 장치가 개시된다. 상기 가우시안 혼합 모델(Gaussian Mixtue model)을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하되, 상기 학업성취능력 예측부는, 미리 학습된 가우시안 혼합 모델을 이용하여 현재 교육과정에 따른 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 학업성취능력 타입을 해당 클러스터에 속하는 사용자의 학업성취능력 타입으로 예측하는 군집화 엔진;을 포함한다.
K-평균 알고리즘을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 방법 및 장치가 개시된다. 상기 가우시안 혼합 모델(Gaussian Mixtue model)을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하되, 상기 학업성취능력 예측부는, K-평균 알고리즘을 이용하여 현재 교육과정에 따른 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 학업성취능력 타입을 해당 클러스터에 속하는 사용자의 학업성취능력 타입으로 예측하는 군집화 엔진;을 포함한다.
통계적 학습량에 대한 가중점수 및 인공지능 기반의 학습량 추천 방법 및 장치가 개시된다. 상기 통계적 분석과 딥러닝 기반의 인공지능을 동시에 활용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 상기 학습 데이터들에 대한 통계적 연산 처리에 따른 결과로서 얻어지는 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하되, 상기 학습량 테이블은, 상기 예측된 학업성취능력 타입에 해당하는 사용자들이 현재 교육과정의 다음 교육과정에서 실제로 수행한 다수의 학습량들 각각에 대하여, 상기 다음 교육과정과 대응하는 상기 학습 데이터들을 이용하여 산출한 평가 통과율 및 평가점수 평균을 포함한다.
자기집중 메커니즘 기반의 개인화된 학습량 추천 장치가 개시된다. 상기 자기집중 메커니즘 기반의 개인화된 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함한다.
복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 방법 및 장치가 개시된다. 상기 복수의 은닉층들로 구성되는 딥러닝 기반의 인공지능을 이용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하고, 상기 학업성취능력 예측부는, 상기 사용자들 각각의 학습 데이터와 대응하는 훈련 입력값 및 상기 군집화 엔진을 통해 학업성취능력 타입이 라벨링된 훈련 출력값으로 구성되는 훈련 데이터를 이용하여 지도학습(supervised-learning)되고, 복수의 은닉층들로 구성되는 딥러닝 네트워크 기반으로 상기 타겟 사용자에 대응하는 학업성취능력 타입을 예측하는 인공신경망 엔진;을 포함한다.
가우시안 혼합 모델을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 방법 및 장치가 개시된다. 상기 가우시안 혼합 모델(Gaussian Mixtue model)을 이용한 클러스터링과 인공지능을 동시에 활용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하되, 상기 학업성취능력 예측부는, 미리 학습된 가우시안 혼합 모델을 이용하여 현재 교육과정에 따른 학습 데이터들 각각에 대응하는 사용자들을 클러스터링함으로써, 사용자들 각각에 대응하는 클러스터(cluster)를 결정하고, 결정된 클러스터에 부여된 학업성취능력 타입을 해당 클러스터에 속하는 사용자의 학업성취능력 타입으로 예측하는 군집화 엔진;을 포함한다.
빅데이터와 인공지능 기반의 개인화된 학습량 추천 장치가 개시된다. 상기 빅데이터와 인공지능 기반의 개인화된 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함한다.
통계적 분석과 딥러닝 기반의 인공지능을 동시에 활용한 학습량 추천 방법 및 장치가 개시된다. 상기 통계적 분석과 딥러닝 기반의 인공지능을 동시에 활용한 학습량 추천 장치는, 다수의 사용자들에 대응하는 학생 단말들로부터 다수의 학습 데이터들을 수집하는 학습 데이터 수집부; 상기 다수의 학습 데이터들을 이용하여 상기 학생 단말들 각각의 사용자와 대응하는 학업성취능력 타입을 예측하는 학업성취능력 예측부; 예측된 학업성취능력 타입에 따라 상기 학습 데이터들을 전처리(pre-processing)하여 상기 학습 데이터들에 대한 통계적 연산 처리에 따른 결과로서 얻어지는 학습량 테이블을 생성하는 학습량 테이블 생성부; 및 상기 학습량 테이블을 참조하여 타겟 사용자에 대응하는 추천 학습량을 결정하고, 결정된 상기 추천 학습량을 상기 타겟 사용자의 학생 단말에 제공하는 추천 학습량 결정부;를 포함하되, 상기 학습량 테이블은, 상기 예측된 학업성취능력 타입에 해당하는 사용자들이 현재 교육과정의 다음 교육과정에서 실제로 수행한 다수의 학습량들 각각에 대하여, 상기 다음 교육과정과 대응하는 상기 학습 데이터들을 이용하여 산출한 평가 통과율 및 평가점수 평균을 포함한다.
본 발명은 화상 회의 및 학습 서비스를 제공하는 방법 및 그 장치에 관한 것이다.
본 발명은 화상 솔루션을 제공하는 실시간 서비스 시스템에 관한 것이며, 구체적으로, WebRTC 기반 실시간 화상 통신 서비스 시스템에 관한 것이다. 또한 본 발명은 웹 브라우저 기반의 회의 서비스 제공 시스템에 관한 것이다.
본 발명에서는 비디오 월을 이용한 모니터링 장치 및 그 방법이 개시된다. 본 발명의 비디오 월을 이용한 모니터링 장치는, 복수의 CCTV들을 제어하는 로컬 서버 및 관리 단말과 무선 네트워크를 통해 통신하는 통신부; 상기 관리 단말로부터 입력되는 사용자 입력에 따라 상기 CCTV들에 대한 제어 신호를 생성하는 제어 명령 생성부; 상기 통신부를 통해 상기 CCTV들에서 촬영된 실시간 영상 또는 상기 실시간 영상을 인코딩하여 생성된 영상 데이터들을 저장하는 영상 데이터 저장부; 상기 제어 신호를 로컬 서버에서 지원하는 제어 신호의 형식에 따라 변환하거나, 상기 통신부를 통해 수집된 상기 실시간 영상 또는 상기 영상 데이터들을 미리 지정된 영상 포맷으로 변환하는 포맷 변환부; 상기 영상 데이터들을 분석하고, 이벤트가 발생한 것으로 판단되는 영상 프레임들을 결합하여 이벤트 영상을 생성하는 이벤트 영상 생성부; 상기 CCTV들 중에서 촬영 방향 조정에 따른 상기 제어 신호를 수신하는 CCTV들을 선정하고, 선정된 CCTV들로부터 획득된 상기 영상 데이터들의 영상 프레임들을 연결하여 합성 영상을 생성하는 합성 영상 생성부; 및 상기 영상 데이터들에서 다수의 객체들을 추출하고, 추출된 객체들 중 관심 객체가 포함된 영상 프레임들을 조합하여 객체 영상을 생성하는 객체 영상 생성부를 포함한다.
본 발명에서는 VMS(Video Management System) 기반의 모니터링 장치 및 그 방법이 개시된다. 본 발명의 VMS(Video Management System) 기반의 모니터링 장치는, 복수의 CCTV들을 제어하는 로컬 서버 및 관리 단말과 무선 네트워크를 통해 통신하는 통신부; 상기 관리 단말로부터 입력되는 사용자 입력에 따라 상기 CCTV들에 대한 제어 신호를 생성하는 제어 명령 생성부; 상기 통신부를 통해 상기 CCTV들에서 촬영된 실시간 영상 또는 상기 실시간 영상을 인코딩하여 생성된 영상 데이터들을 저장하는 영상 데이터 저장부; 상기 영상 데이터들을 분석하고, 이벤트가 발생한 것으로 판단되는 영상 프레임들을 결합하여 이벤트 영상을 생성하는 이벤트 영상 생성부; 상기 CCTV들 중에서 촬영 방향 조정에 따른 상기 제어 신호를 수신하는 CCTV들을 선정하고, 선정된 CCTV들로부터 획득된 상기 영상 데이터들의 영상 프레임들을 연결하여 합성 영상을 생성하는 합성 영상 생성부; 및 상기 영상 데이터들에서 다수의 객체들을 추출하고, 추출된 객체들 중 관심 객체가 포함된 영상 프레임들을 조합하여 객체 영상을 생성하는 객체 영상 생성부를 포함한다.
본 발명은 웹 브라우저 기반 회의 서비스 제공 시스템에 관한 것이다. 본 발명의 일 실시예는, 사용자의 화상정보 및 제어정보를 회의 서비스 제공 서버에 송신하고, 상기 회의 서비스 제공 서버로부터 제1 공유 콘텐츠 정보 및 제2 공유 콘텐츠 정보를 수신하여 출력하는 하나 이상의 사용자 단말장치 및 상기 제어정보 및 상기 하나 이상의 사용자 단말장치에서 공동으로 관리하는 공유 콘텐츠를 기반으로 제1 공유 콘텐츠 정보를 생성하고, 상기 하나 이상의 사용자 단말장치로부터 수신한 화상정보들에 상응하는 제2 공유 콘텐츠 정보를 생성하고, 상기 제1 공유 콘텐츠 정보 및 상기 제2 공유 콘텐츠 정보를 상기 하나 이상의 사용자 단말장치로 송신하는 회의 서비스 제공 서버를 포함할 수 있다.
본 발명에서는 영상 모니터링 장치 및 그 방법이 개시된다. 본 발명의 영상 모니터링 장치는, 복수의 CCTV들을 제어하는 로컬 서버 및 관리 단말과 무선 네트워크를 통해 통신하는 통신부; 상기 관리 단말로부터 입력되는 사용자 입력에 따라 상기 CCTV들에 대한 제어 신호를 생성하는 제어 명령 생성부; 상기 통신부를 통해 상기 CCTV들에서 촬영된 실시간 영상 또는 상기 실시간 영상을 인코딩하여 생성된 영상 데이터들을 저장하는 영상 데이터 저장부; 상기 영상 데이터들을 분석하고, 이벤트가 발생한 것으로 판단되는 영상 프레임들을 결합하여 이벤트 영상을 생성하는 이벤트 영상 생성부; 상기 CCTV들 중에서 촬영 방향 조정에 따른 상기 제어 신호를 수신하는 CCTV들을 선정하고, 선정된 CCTV들로부터 획득된 상기 영상 데이터들의 영상 프레임들을 연결하여 합성 영상을 생성하는 합성 영상 생성부; 및 상기 영상 데이터들에서 다수의 객체들을 추출하고, 추출된 객체들 중 관심 객체가 포함된 영상 프레임들을 조합하여 객체 영상을 생성하는 객체 영상 생성부를 포함한다.
감성학습지표 기반의 학습상황 분석 방법이 개시된다. 본 발명에 의할 때 뇌파에 기반하여 얻어진 원시데이터인 감성학습지표에 대하여 사례 데이버베이스의 각 사례마다 유사도를 판정하는 것에 의해 기계추론을 수행한다. 이때, 뇌파에 기반하여 얻어진 감성학습지표의 항목값 각각에 대해 얻고자 하는 이상치 판별범주와의 상관도에 따라 가중치를 부여하며, 일정시간 간격으로 얻어진 감성학습지표 항목값 각각에 대해 이동평균을 사용함으로써 시계열 분석을 수행한다. 이에 의하여 학습자의 학습상황의 정상/이상여부를 다섯 가지의 이상치 판별범주에 의거 정확하게 판정할 수 있다.
특허청 KIPRIS · 2026-10-15 조회 · 최신 출원순 · 오른쪽은 등록일(등록 전은 출원일) · 전체 22건 중 22건 · 줄을 누르면 자세한 내용이 펼쳐집니다 ▾
지금은 공공자료(국민연금 · 전자공시 · 특허 · 명부 · 보도)만 있습니다. 회사가 IR Room에 자료를 내면 L1로 올라갑니다. 저희는 회사에 점수나 등급을 매기지 않습니다 — 어디까지 확인했는지만 적습니다.
| 단위 억원 | 2024 | 2025 |
|---|---|---|
| 영업수익(매출액) | 829.7 | 821.9 |
| 매출원가 | 802.2 | 798.4 |
| 매출총이익(손실) | 27.5 | 23.5 |
| 판매비와관리비 | 23.0 | 23.5 |
| 영업이익(손실) | 4.5 | 0.0 |
| 영업외수익 | 6.2 | 4.6 |
| 기타이익 | 0.0 | 0.1 |
| 금융수익 | 3.3 | 2.0 |
| 기타 | 2.8 | 2.4 |
| 영업외비용 | 2.2 | 0.6 |
| 기타손실 | 1.2 | 0.0 |
| 금융원가 | 0.5 | 0.2 |
| 기타 | 0.5 | 0.3 |
| 법인세비용차감전순이익(손실) | 8.6 | 4.0 |
| 법인세비용 | 1.3 | (0.2) |
| 당기순이익(손실) | 7.2 | 4.2 |
매출은 821.9억으로 전년 대비 0.9% 감소한 것으로 나타났다.
영업이익률은 0.0%로 전년 0.5%에서 하락했다.
당기순이익은 4.2억으로 나타났다.
여기 실린 것보다 깊은 자료가 필요하십니까. 추가 정보 요청 — 종합 검토보고서 · 가치평가 · Executive Teaser · IM · 경쟁사 분석 · 실사 의뢰. 고르시면 산출비용과 걸리는 기간을 메일로 안내드립니다.
공개 기사의 제목 · 링크만 싣습니다 · 저희가 확인한 내용이 아닙니다(원문 ↗) · 「증권사 전망」은 확정 실적 아님 · 2026-11-05 확인