기계학습의 산업안전 적용에 관한 연구

머신러닝을 산업보안에 적용하는 연구. 산업 보안에 기계 학습을 적용합니다.

서론

연구배경 및 목적

중대재해 또는 중대산업재해가 발생한 사업장. 그 밖에 산업재해 발생 위험이 높다고 장관이 정하는 사업장

연구의 내용 및 방법

특히 산업재해의 대부분을 차지하는 소규모 사업장의 경우 위험성 평가를 통한 자율안전관리에 취약할 수밖에 없다. 따라서 작업장의 안전관리 수준을 향상시키기 위해서는 보다 효과적인 산재예방 대책이 필요하다.

연구 의의

이동식 사다리를 이용한 사고 예방을 위한 물체 감지 모델. 건설 현장의 사고 및 사망자 예측 모델.

이론적 고찰

기계학습

비지도 학습은 지도 학습과 달리 특정 의미(좋음/나쁨, 구매/비매도)를 가지지 않고 데이터 자체에서 패턴을 찾는 학습 방법입니다. 비지도 학습의 대표적인 예로는 클러스터링과 차원 축소가 있습니다.

기계학습 절차

전반적인 정확도 양호 매우 양호 보통 양호 훌륭함. 분류 속도 양호 양호 양호 보통 양호.

기계학습 알고리즘

• Support Vector Machine(SVM)
• Random Forest
• XGBoost
• LightGBM
• AutoML
• Convolutional Neural Network
• 물체 탐지

Random Forest에서는 입력 데이터가 이러한 방식으로 무작위화됩니다. LightGBM은 XGBoost와 같은 의사 결정 트리를 기반으로 하는 부스팅 기법을 사용하는 알고리즘입니다. 결정 트리를 기반으로 하는 기존 알고리즘은 다음과 같습니다.

이를 해결하기 위한 방법으로 제안하는 알고리즘은 R-CNN이다.

성능평가

• 회귀 모델의 성능평가
• 분류 모델의 성능평가
• 물체 탐지 모델의 성능평가
• 성능평가 방법

혼동 행렬은 분류 모델의 성능을 평가하는 데 가장 일반적으로 사용되는 방법입니다. 이 혼동 행렬의 각 값은 분류 모델의 성능을 평가하는 데 사용되며 대표적인 척도는 정밀도, 정확도 및 재현율입니다. 실제 모델의 성능은 교육에 사용하지 않은 새로운 데이터로 테스트하여 검증할 수 있습니다.

검증 데이터는 과적합을 방지하기 위해 모델에서 직접 사용됩니다.

과대표본화

균형을 이루기 위해 대다수 또는 소수 범주의 샘플 수를 조정합니다. 조정된 범주에 따라 언더 샘플링과 오버 샘플링으로 나뉩니다. 하위 샘플링은 소수 범주의 수와 일치하도록 샘플을 제거하여 주요 범주의 수를 조정합니다.

오버샘플링은 소수 범주의 새로운 샘플을 생성하고 그 수를 다수 범주에 일치시키는 방법입니다.

산업안전 분야의 기계학습 적용 방안

산업안전 관리 방법

다음으로 자체점검을 통해 작업장 내 잠재유해 및 위험요인을 파악합니다. 용납할 수 없는 위험에 대한 합리적인 관행. 위험 평가에서는 작업장의 모든 유해 및 위험 요소를 찾는 것이 가장 중요합니다.

한편, 정부가 실시하는 감독 및 안전 점검에서도 작업장의 유해 및 위험 요소를 식별합니다.

기계학습 적용 사례 및 선행연구

RPSS(Rank Probability Skill Score)는 예측 모델을 평가하는 데 사용되었습니다. SMOTE는 불균형 데이터 문제에 사용되었습니다. ROC-AUC는 예측 모델을 평가하는 데 사용되었습니다.

그 결과 사고 규모(사망자 수)를 활용했다.

기계학습 적용 방향

산업안전 분야에서는 이미지나 영상에서 위험한 상황을 찾아내는 딥러닝이 연구된다. 상태를 확인하는 객체 감지를 기반으로 객체의 움직임을 식별하거나 객체의 행동을 인식하여 불안전한 행동이나 기준을 충족하는지 확인하는 것입니다. 이에 따라 3차원 카메라 또는 두 대 이상의 카메라를 이용한 기술이 관련 분야에서 활용되고 있다.

이미지와 동영상에 딥러닝을 적용하면 작업 중 실시간으로 위험을 모니터링하여 산업안전 관리에 큰 도움이 될 것입니다.

• 배경
• 연구방법
• 재해통계 분석
• 기계학습을 이용한 이동식사다리 및 안전모 탐지
• 데이터셋(Dataset)
• 연구결과
• 이동식사다리 관련 사망재해 분석 가. 연도별 사망재해 발생 현황
• 기계학습을 활용한 이동식사다리 및 안전모 착용 탐지
• 소결

Li에서 일어난 사고가 표적이되었습니다. 건설업과 마찬가지로 직원 5인 미만의 영세 사업장에서 움직이는 사다리 관련 사망 사고가 많이 발생하는 것으로 나타났다. 에스컬레이터에서 가장 흔한 사망 사고는 낙상입니다.

산업재해 통계 분석 결과, 이동식 다이닝 브릿지에서 매년 약 30건의 치명적인 산업재해가 발생하고 있다.

• 배경
• 연구방법
• 데이터 수집 및 전처리
• 기계학습 모델 개발
• 연구결과
• 예측 모델의 성능 비교
• 공사 사전정보의 중요도 분석
• 소결

머신러닝 알고리즘을 이용하여 5개의 LightGBM 알고리즘 중 2개의 오버샘플링 기법에서 가장 높은 F1 점수를 보여 최고의 성능을 보였다. 데이터 불균형을 해소하기 위해 오버샘플링 기법인 SMOTE와 ADASYN을 사용하였다. 이 연구에서 치명적인 충돌 사고의 10%만 발생했습니다.

기계 학습 알고리즘 중 LightGBM with ADASYN이 최고의 성능을 발휘하는 것으로 나타났습니다.

결론 및 향후 연구방향

결론

에스컬레이터와 안전모의 실시간 감지를 위해 빠른 YOLO 알고리즘이 적용되었습니다. 또한 건설현장의 안전점검 대상 선정에 활용하기 위해 머신러닝을 적용하여 사망사고 위험현장 예측모델을 개발하였다. 산업재해 통계를 활용하는 기존 방식과 달리 서로 다른 머신러닝 알고리즘을 적용해 공사 기간, 지상 층수 등 과거 공사 정보를 활용해 사고 사망자 발생을 예측해 비교했다.

사용된 머신러닝 알고리즘 중 ADASYN을 적용한 LightGBM은 F1 점수와 ROC-AUC 0.941로 우수한 예측력을 보였다.

향후 연구 방향

산업보안 분야에서는 목적에 따라 주체별로 정보를 수집하기 때문에 일반적으로 활용하기 어렵다. 이러한 접근 방식은 산업 안전 분야에서도 필요합니다. 산업 안전 데이터의 수집, 교환 및 업데이트를 위한 제도적 장치가 있어야 합니다.

다양한 데이터를 이용하여 사고의 위험성을 정확하게 예측할 수 있다면 많은 사람들이 산업안전의 다양한 영역에서 문제를 해결하여 보다 안전하게 작업할 수 있을 것입니다.

참고문헌

Machine Learning Predictive Model Based on National Data for Construction Worker Fatal Accidents, Automation in Construction. The future role of big data and machine learning for the efficiency of health and safety inspections, EU-OSHA. Making Money on Class-Imbalanced Data: Overview of Methods and Applications,” Expert Systems with Applications, 73, pp.220-239.

Application of machine learning techniques for predicting the consequences of construction accidents in China, Process Safety and Environmental Protection, 145, p.