6.1 결론
그간 정부와 사업장의 노력 및 국민 의식의 향상으로 산업재해 지표는 좋아지고 있으나, 여전히 산업재해자수는 매년 9만 명을 넘고 사고사망만인율은 선진국에 비 해 높은 수준이다. 이에 따라 정부는 사망사고를 중심으로 산업재해를 줄이기 위해 노력을 기울이고 있다. 최근 인공지능, 빅데이터 등의 첨단기술은 경제･사회 전반에 영향을 주고 있으며, 생산성 및 효율성을 증대시키기 위해 적용 범위가 점차 넓어 지고 있다.
본 연구는 산업안전 분야에 기계학습 기술의 적용을 위해, 기계학습의 이론에 대 한 검토와 산업안전 관리 방향을 고려하여 기계학습의 적용 방안을 제안하였다. 이 에 따라 물체 탐지와 분류 예측을 사용하여 이동식사다리 작업 시 안전모 착용 탐 지 및 건설현장 사전정보를 활용한 사고사망 발생 여부 예측 모델을 개발하고 성능 을 분석하여 적용 가능성을 검토하였다.
산업안전 관리는 정부, 한국산업안전보건공단, 민간 재해예방기관, 사업주 등 각 주체들이 각자의 역할을 수행함으로써 이루어진다. 정부의 산업안전 정책의 가장 강력한 수단인 감독 및 안전점검을 위해서는 사업장의 위험성 수준에 따라 위험성 이 높은 대상을 선정해야 한다. 또한 사업주는 자율적인 안전관리를 위해 사업장 내의 유해･위험요인을 파악하고 위험성을 추정･결정하는 위험성평가를 실시하도록 하고 있다. 이러한 위험성을 분석하기 위해서는 자료의 분석과 특징을 찾아내는 것 이 필요하다.
기계학습은 많은 데이터의 분석을 통해 데이터의 관계를 파악하고 예측하는 데 널리 사용되고 있으며, 딥러닝은 이미지 및 영상을 분석하는 것에 효과적으로 적용 되고 있다. 이러한 기계학습 기술은 산업안전 분야의 위험성평가, 사고의 예측 및 위험상황의 모니터링에 적용할 수 있다. 또한 기존의 사고결과 중심의 데이터를 확 대하여 다양한 정보를 사용한다면 보다 정확하게 위험성을 파악할 수 있을 것이다.
그리고 개인보호구 착용 여부, 위험지역 진입 등의 불안전한 상태와 행동을 모니터 링 하여 실시간 안전관리에 도움을 줄 수 있다.
기계학습의 산업안전 적용 방안에 따라 실제 현장에서의 문제에 적용함으로써 실 현 가능성을 확인하고자 하였다. 이동식사다리는 산업 현장뿐만 아니라 일상생활에 서도 널리 사용되고 있지만, 위험성이 높아 사망사고가 다발하는 주요 기인물이다.
산재통계 분석결과, 이동식사다리로 인해 매년 약 30명의 사고사망자가 발생하고 있다. 소규모 건설현장에서 많이 발생하고 있으며, 공사 초기와 공사 종료시점에 사 망사고가 집중되고 있다. 이동식사다리에 의한 사망사고는 대부분 떨어짐으로 인한 두부의 손상으로 발생하고 있어 이동식사다리 작업 시 안전모를 반드시 착용해야 할 것이다. 이에 따라 이동식사다리 안전관리를 위해 기계학습을 이용하여 CCTV 등의 영상정보를 통한 이동식사다리 작업 시 안전모 착용을 탐지할 수 있는 모델을
개발하였다. 이동식사다리, 안전모 착용 여부에 대한 실시간 탐지를 위해 속도가 빠 른 YOLO 알고리즘을 적용하였다. 모델의 성능은 F1-score와 mAP가 0.795와 0.843 으로 나타났으며, 탐지속도가 25 FPS 이상으로 나타나, 개발된 모델이 이동식사다 리와 안전모 착용 여부를 충분히 실시간으로 탐지할 수 있음을 확인하였다.
그리고 건설현장의 안전점검 대상 선정 등에 활용하기 위해 기계학습을 적용하여 사망사고 발생 위험현장 예측 모델을 개발하였다. 산재통계를 이용하는 기존의 방 법과 달리, 공사기간, 지상층수 등 공사 사전정보를 활용하여 사고사망 발생 여부를 예측하기 위해 다양한 기계학습 알고리즘을 적용하여 비교 평가하였다. 데이터의 불균형 문제 해소를 위해 SMOTE, ADASYN의 과대표본화 기법을 적용하였다. 과대 표본화 기법을 사용하지 않은 원시 데이터의 학습 모델은 F1-score가 0.2 이하로 매우 낮았으나, 과대표본화 기법을 적용한 결과 F1-score가 0.88 이상으로 나타났 다. 사용한 기계학습 알고리즘 중 ADASYN을 적용한 LightGBM이 F1-score와 ROC-AUC가 각각 0.941로 예측력이 우수한 것으로 나타났다. 공사 사전정보 중 사 망사고에 가장 영향을 미치는 요인은 지상층수로 나타났으며, 공사기간, 굴착깊이, 최고높이가 Random Forest와 LightGBM에서 공통적으로 중요한 요인인 것으로 나타 났다.
본 연구는 산업안전 분야에 기계학습의 적용을 위해 다양한 기법과 알고리즘을 분석하여 산업안전 적용 방안을 제시하고 실제 문제 해결을 위한 기계학습 모델을 구축하였다는 점에서 의의가 있다. 기계학습 모델을 통해 위험작업 시 개인보호구 착용 여부를 실시간 탐지할 수 있었으며, 공사 사전정보를 활용한 사고사망 발생 여부를 예측할 수 있었다. 이 모델들은 현장에서 활용성을 보다 향상시켜 정부의 산재예방정책 및 사업장 안전관리에 반영한다면 우리나라의 산업현장의 사고 위험 성을 낮추는데 기여할 것으로 기대된다.
6.2 향후 연구 방향
본 연구에서 개발한 이동식사다리 사고예방을 위한 물체 탐지 모델은 이동식사다 리와 안전모 착용여부를 탐지할 수는 있으나, 실제 현장에서 사용하기 위해서는 안 전모 미착용 상태로 이동식사다리에서 작업을 하는 행동을 검출해야 한다. 그러기 위해서는 3장에서 언급한 바와 같이 행동 인식이 필요하다. 행동 인식을 위해서는 심도까지 정확히 분석할 수 있어야 하며, 다양한 행동 시나리오를 도출하고 그에 맞는 데이터를 생성해서 학습해야 한다. 그리고 실시간 영상을 이용한 물체 탐지 시스템의 주요한 문제인 저조도, 흐릿함(Blurriness), 빛에 의한 차단(Occlusion) 등의 경우에 대한 해결도 향후 연구과제로 필요하다.
건설현장의 사고사망 발생 여부 예측 모델은 사고사망과 연관성이 높은 데이터의 수집이 필요하다. 본 연구에서도 일부 공법 정보는 사용하였지만, 많은 연구에서 사 고사망과 연관성이 높다고 알려진 공종, 현장 안전관리 조직, 안전교육 여부, 안전 문화 등의 다양한 데이터를 활용한 후속 연구가 필요하다. 그리고 본 연구에서 개 발된 예측 모델은 사고사망의 발생 여부를 라벨로 사용했으나, 일반 사고부상 재해,
아차사고 등도 포함하여 사고발생 가능성, 사고의 크기 등을 예측할 수 있으면 정 량적인 위험성평가로서 객관성을 높이는 데 도움이 될 것이다.
인공지능 분야의 세계적 석학인 앤드류 응(Andrew Ng) 교수는 인공지능 시스템의 성능을 향상시키기 위해서는 모델보다는 데이터 중심(Data centric)이 되어야 한다 고 하였다. 학습을 잘 시키기 위해서 뿐만 아니라 기계학습 알고리즘이 도출해 낸 결과를 잘 활용하기 위해서도 데이터를 잘 관리해야 한다. 산업안전 분야에서 정보 는 목적에 따라 주체별로 데이터를 수집하고 있기 때문에 공통으로 활용하기에는 어려운 상황이다. 건설현장의 경우는 고용노동부와 국토교통부 등에서 각각 자료를 수집 하고 있는데 건설 프로젝트의 생성과 소멸을 반복하면서 산업안전과 관련하여 남아있는 정보가 거의 없을 정도로 데이터의 관리가 부족하다. 사고사망이 많이 발 생하는 소규모 건설현장의 경우는 더욱 심각한 상황이다. 그리고 산업안전 특성으 로 상당수의 데이터가 비구조화된 문서의 형태로 남아 있어 이를 활용하기 위한 방 안을 마련해야 한다. 그러므로 산업안전 분야의 데이터를 연계･융합하여 활용하기 위해서는 범정부적인 데이터 거버넌스를 구축하여 데이터 관리 정책, 지침, 표준, 전략 및 방향을 수립하는 것이 필요하다. 재난안전 분야는 수년 전부터 재난정보의 효과적 관리와 활용에 대한 체계적 대응을 위해 정보공유 플랫폼 구축을 위한 연구 가 진행되고 있다. 산업안전 분야에도 이러한 접근이 필요하다. 또한, 건강보험 등 과는 달리 산업안전 분야에는 데이터를 수집할 수 있는 법적 근거가 부족하여 양질 의 데이터를 모으는 데 한계가 있다. 산업안전 분야 데이터의 수집, 공유, 활성화를 위한 제도적 정비가 있어야 한다. 다양한 데이터를 활용하여 사고의 위험성에 대하 여 정확히 예측할 수 있다면, 여러 산업안전 분야의 문제를 해결하여 많은 사람이 보다 안전하게 일할 수 있을 것이다.