기계학습 적용 방향

용하였다. mAP는 0.930, 0.936으로 나타났으며 FPS는 각각 6.3, 2.3으로 나타났다.

Perez et al.(2019)은 CNN 기반의 VGG-16 네트워크와 2,622장의 데이터셋을 사용 하여 건물 벽의 습기에 의한 결함을 0.84 이상의 F1-score로 검출하였다.

Nath et al.(2020)은 건설현장의 사망사고예방을 위해 개인보호구(안전모, 조끼)의 착용여부를 인식하고자 하였다. 이를 위해 YOLO 아키텍처를 기반으로 작업자, 안 전모, 조끼를 인식하고, 분류기를 통해 착용여부를 검증하였다. 첫 번째는 신경망, 의사결정나무 등의 분류기를 적용하였고, 두 번째는 단일 아키텍처만을 사용하였다.

세 번째는 작업자만을 감지한 후 잘라서 CNN 기반 분류기(VGG-16, ResNet-50 등) 를 적용하여 분류하였다. 학습에는 약 1,500개의 이미지를 사용하였으며, 그 결과 단일 아키텍처를 사용한 경우가 mAP 72.3의 최고 성능으로, 초당 11 프레임을 처리 할 수 있는 것으로 나타났다. 첫 번째 방법은 mAP 63.1에 초당 13 프레임으로 가장 빠르고, 세 번째 방법은 mAP가 67.93으로 나타났다.

적인 현황부터 점검보고서, 안전 감사 결과, 교육 보고서 등 다양하다. 사전적 정보 는 사고 발생 위험에 대해 효과적으로 인지할 수 있고, 의사결정권자들에게 사고를 예방하는 방안을 찾는 데 도움을 주는 선행지표로 활용될 수 있는 것으로 알려져 있다(Li et al., 2015). 또한 사업장의 경영 활동들을 포함한 다양한 사전적 정보는 내재된 위험성을 드러나게 할 수도 있을 것이다. 그러나 그동안 사전적 정보는 사 후적 정보에 비해 수집이 어렵고 데이터의 양도 적어서 실태조사 등을 통해 제한적 으로 분석되어 왔다. 기계학습의 발달은 다각적인 방법으로 분석하여 이전에는 발 견하지 못했던 새로운 인싸이트(Insight)를 찾을 수 있는 사례를 만들어왔다. 사전적 정보를 적극적으로 폭넓게 수집하여 분석한다면, 사고와 연관성이 높은 중요한 변 수를 찾아내고 사업장의 위험성 파악 및 결정을 더욱 정확하게 예측할 수 있을 것 이다.

산업안전 분야에 딥러닝은 이미지나 영상으로부터 위험 상황을 탐색하는 연구가 진행되고 있다. 이미지나 영상을 활용하여 사업장의 안전을 관리하는 것에 대하여 Nain et al.(2021)은 [그림 3-3]과 같은 프레임워크를 제안하였다.

[그림 3-3] 물체 탐지를 이용한 안전과 규제준수 관리 프레임워크 (Nain et al., 2021)

이미지 및 영상에 딥러닝을 적용한 연구는 크게 물체 탐지, 물체 추적, 행동 인식 으로 나눌 수 있다. 상태를 확인하는 물체 탐지를 기본으로, 물체의 이동을 파악하 거나 물체의 행동을 인식하여 불안전한 행동이나 기준을 지키고 있는지를 확인하는 것이다. 물체 추적이나 행동 인식은 물체 탐지의 다음 단계 기술로서, 현재 산업안

연구가 대부분이며, 위치기반은 관련 일부 연구가 진행되어 있다. 행동 인식은 근골 격계 질환에 대한 산업보건 분야에서도 시도가 되고 있다. 위치기반과 행동기반의 활용이 많지 않은 이유는 간단한 카메라를 이용해서는 물체의 깊이 등의 정확한 3 차원적인 위치 파악이 어렵기 때문이다. 이에 따라 3D 카메라나 2대 이상의 카메라 를 이용하는 기술이 관련 분야에서는 사용된다. 자동차 회사인 테슬라(Tesla)는 다 른 회사와 달리 레이더, 라이다(LiDAR) 등을 사용하지 않고 8개의 카메라를 이용하 여 3차원 형상을 구현하는 방식을 사용하고 있다. 그러나 딥러닝을 이용하여 2D 영 상을 3D로 전환하는 기술도 지속적으로 개발되고 있으며, 이미지와 자연어처리를 결합한 이미지 캡셔닝(Image captioning), VQA(Visual Question Answering) 등의 새로 운 기술은 산업안전 분야에도 활용 가능성이 높다. 이미지, 영상 등에 딥러닝을 적 용하는 것은 작업 중 위험성을 실시간으로 모니터링 하여 산업안전 관리에 큰 도움 을 줄 수 있을 것이다.