소방청에서 발표한 지난 10년간 화재발생 추이를 살펴보면 일반 주거 시설에서 11만 1천 409건으로 가장 많았으며, 산업시설에서 발생한 화재 건수는 5만 4천 874건으로 그 뒤를 이었습니다.   (출처 : 소방청 홈페이지)

일반 주거 시설과 비교하여 산업시설에서 발생한 화재의 경우 막대한 재산 손실과 지역 주민들의 피해로까지 이어집니다. 이런 중대한 인명피해를 주는 산업 재해가 발생하는 것에 경영 책임자에 형사처벌을 강화하는 중대재해처벌법까지 등장하였지만 안전사고에는 성역이 없다는 말처럼 2021년 대형 물류센터 화재 발생, 2022년 양극재 활물질 공장 화재사고 발생 등 잇달아 대형 산업시설에서의 화재 발생이 끊임없이 발생하고 있습니다.

열화상 데이터 구축 목적

열화상 데이터는 학계 및 산업계에서 화재 등의 재난을 예방하기 위해 지속적으로 활용되어 왔습니다. 주요산업 시설 (발전소, 변전소, 환경에너지 사업소, 철도차량)의 중요 부품에 대하여 열화상카메라를 활용하여 설비의 환경적 요인(온도의 변화, 시간의 변화), 운용상 요인 (부하량의 변화, 가동시간), 기계적 요인(이물질, 노후화)등 다양한 여건에서 열화상 데이터를 확보하고, 수집된 열화상 데이터를 통해 설비의 상태확인, 이상현상 감지, 이상상황 판별을 위한 AI 학습 모델과 테스트 베드 제작을 목적으로 데이터셋을 구축하였습니다.

 

✅ 데이터 가공 분야

인공지능 학습용 데이터셋 구축

• 산업시설 4개소 ( 발전소, 변전소, 환경에너지 사업소, 철도차량 ) 의 중요 부품 35종에 대한 38.5만개 이상의 데이터셋 구축
• 구축 된 데이터셋의 정상/이상 구분

✅구축사업 특수성 소화하기

컨소시엄 간의 연계성

구축사업은 일반 프로젝트와는 달리 프로젝트의 진행이 컨소시엄 간에 지속적·연속적으로 수행 된다는 특수성이 있습니다. 수집기관-가공기관-AI학습모델기관 간의 지속적인 커뮤니케이션이 다른 프로젝트에 비해 중요합니다.

수집 기관에서 수집한 데이터를 가공 기관에서 가공하고 가공 된 데이터셋을 바탕으로 AI 학습모델 기관에서 학습모델을 구축하는 단계까지가 원활하게 진행되어야 하는 단계까지 연속적으로 이루어지기 때문에 꾸준한 커뮤니케이션이 필요 합니다.

한 가지 예시로 바운딩박스로 친 객체가 학습 모델 단계에서 인식할 수 없는 상황이라면 가공 된 데이터 전부가 폐기처리 되는 상황이 될 수도 있기 때문에 세 컨소시엄의 합의된 데이터셋 제작을 위한 소통이 필요하다고 볼 수 있습니다.

✅ 수행기간 중 겪었던 어려움과 해결방안

앞서 설명한 구축사업의 특성으로 '컨소시엄 간의 연계성'으로 인해 구축사업 수행 기간 중 여러가지 문제들이 파생되어 가공 과정을 복잡하게 만드는 일들이 발생합니다.

문제점 A : 데이터 수급

한 번에 데이터셋이 전달되어 가공할 수 있는 일반 프로젝트와는 달리 구축사업은 수행 기관중에 수집기관이 지속적으로 데이터를 수집하여 전달하기 때문에 데이터 수급이 원활하지 않은 상황들이 종종 발생 합니다.

이번 열화상 프로젝트 또한 COVID-19 상황이라는 특수성 때문에 데이터 수집이 원활하지 않아 데이터 가공 일정이 변경되는 일이 있었습니다. 하지만 납품 기한은 변경할 수 없는 조건이었기 때문에 가공 방식의 추진력이 필요한 상황이 되었습니다.

해결방안

데이터 수급이 원활하지 않다면 작업속도가 더 빠르고 확실하게 이루어져야 한다고 판단했습니다. 작업자의 이해도를 높이고 작업속도를 증가시킬 수 있는 방법을 마련하기 위해 강구하기 위해 노력했습니다. 작업 환경의 변화, 그리고 물리적인 작업 툴의 변화는 작업 속도의 변화를 주기에 가작 적합한 해결책이라는 생각에 저작도구 개발에 착수 했습니다.

① 이전 프레임 불러오기 (작업속도 증가)

****38.5만장의 데이터셋을 3개월 안에 구축하는 것은 물리적인 시간이 부족하다는 판단과 부품마다 바운딩박스의 위치가 비교적 크게 변하지 않는다는 것을 감안하여 이전 프레임 불러오기 기능을 추가로 적용하였습니다. [이전 프레임 불러오기] 기능을 통해 이전보다 작업속도가 30%이상 증가하여 지연없이 납품할 수 있었습니다.

② 실화상 이미지 비교 (작업자 이해도 증가)

열화상 이미지만을 보고 부품 위치를 찾아야 했기 때문에 가이드가 있어도 기계 설비 자체에 대한 지식이 전무한 작업자들이 열화상 이미지만을 보고 작업을 하기는 쉽지 않았습니다. 따라서 열화상 이미지가 아닌 실제 이미지 비교를 통해 부품 위치를 추측 가능하도록 실화상 이미지 비교를 위한 [ Open Sample ] 기능 추가 개발에 착수했습니다.  열화상 이미지만으로 구분하기 어려웠던 이미지들도 실화상 사진을 비교해보면서 작업이 이루어진 이후로는 부품 위치를 찾기 힘들다는 문의사항이 크게 감소했습니다.

프로젝트 수행을 마치며

이번 열화상 CCTV 데이터셋 구축사업은 조금 생소하다고 느껴지는 열화상 이미지와 산업시설의 부품 데이터를 함께 다루는 프로젝트였습니다.

데이터 가공 방식 자체는 간단한 바운딩박스 처리 방식이었지만, 가공 대상과 데이터 수급 상황으로 인해 복잡한 상황들이 발생하기도 했습니다.

다양한 산업시설에 열화상 데이터셋을 이용한 모니터링 시스템이 마련되어 산업시설의 안전사고를 예방하고 피해를 최소화될 수 있도록 기원 합니다.

인공지능 데이터셋 구축사업 시행 4개년도 동안 데이터메이커는 총 16개의 구축사업 운영과 1,000여명의 라벨러 일자리 제공을 수행 했습니다.