산업재해로 인한 사망사고나 부상 사고가 최근 시민 재해로까지 이어지는 등 이러한 현상이 사회적 문제로 지적됨에 따라 산업 현장에서 발생하는 재해 사고에 관한 법률이 시행되고 있다. 특히, 중대 재해 처벌에 관한 법률이 지정되어 작업자와 시민의 안전권을 보장하고 재해를 사전에 방지하기 위한 노력이 각계의 산업에서 요구되고 있다. 산업 안전보건 분야에서는 사고가 질병보다 더 자주 발생하고 있다. 2020년 고용노동부가 발간한 2020년 산업재해 통계 자료를 보면 업종별로는 제조업이 25%로 나타났으며 사고 유형으로는 넘어짐, 떨어짐, 끼임, 부딪힘, 물체에 맞음 등의 순으로 많았다. 또한 5인~49인 규모 사업장의 재해자 수가 45.6%로 가장 많이 차지하는 것으로 나타났다. 이러한 상황에서 정부나 공공기관, 회사에서는 산업 현장이나 건설 현장에서 발생하는 안전사고를 예방하기 위한 제도적 방안이나 기술에 대해 활발히 논의되고 있다. 안전사고 예방을 위한 기술개발을 위해서는 전통적인 ...
산업재해로 인한 사망사고나 부상 사고가 최근 시민 재해로까지 이어지는 등 이러한 현상이 사회적 문제로 지적됨에 따라 산업 현장에서 발생하는 재해 사고에 관한 법률이 시행되고 있다. 특히, 중대 재해 처벌에 관한 법률이 지정되어 작업자와 시민의 안전권을 보장하고 재해를 사전에 방지하기 위한 노력이 각계의 산업에서 요구되고 있다. 산업 안전보건 분야에서는 사고가 질병보다 더 자주 발생하고 있다. 2020년 고용노동부가 발간한 2020년 산업재해 통계 자료를 보면 업종별로는 제조업이 25%로 나타났으며 사고 유형으로는 넘어짐, 떨어짐, 끼임, 부딪힘, 물체에 맞음 등의 순으로 많았다. 또한 5인~49인 규모 사업장의 재해자 수가 45.6%로 가장 많이 차지하는 것으로 나타났다. 이러한 상황에서 정부나 공공기관, 회사에서는 산업 현장이나 건설 현장에서 발생하는 안전사고를 예방하기 위한 제도적 방안이나 기술에 대해 활발히 논의되고 있다. 안전사고 예방을 위한 기술개발을 위해서는 전통적인 컴퓨터 비전 방법론이 전처리 단계에서 많이 활용되고 있고 학습과 추론 단계에서 딥러닝 기반의 객체 탐지 기술이 다양하여 활용되고 있다. 전통적인 컴퓨터 비전 방법론에서는 HOG(Histogram of Gradient) 등과 같은 경계(edge)의 방향과 같은 특성을 기울기로 생각하여 변화가 많이 일어나는 지점을 특징으로 보아 경계 검출이나 기하학적 정보를 검출하는 데 많이 활용되고 있고, SIFT와 같이 특징점을 추출하기 위해 모서리 점이나 밝기가 많이 변하는 점 등을 활용하여 영상의 특징을 추출한다. 이러한 전통적인 방법론은 특징점을 사람이 정한 특정한 알고리즘에 의해서만 수행되며, 특징을 추출하는 데 특화되어 있지만 딥러닝 방법론에 비하면 자동화되지 못한 한계가 존재한다. 반면, 딥러닝 기술을 활용하면 특징 추출부터 객체 탐지까지 종단간(End-to-End) 학습이 이뤄질 수 있어 학습부터 의미 있는 정보 추론까지 한꺼번에 가능하다. 하지만 딥러닝 기반의 객체 탐지 기술은 학습에 필요한 대량의 이미지 데이터셋(dataset) 구축이 필수적이고 이러한 이미지를 수작업으로 이미지 안에 있는 객체를 라벨링(labeling) 해야 한다. 이는 딥러닝이 어떤 객체가 정답인지 아닌지를 확인하여 학습하고 이를 정확도나 정밀도와 같은 지표로 활용하기 때문이다. 따라서 산업 현장에 대한 이미지를 가지고 모델 학습을 하는 데 큰 노력이 드는 실정이다. 본 논문에서는 산업 현장 근로자 안전사고 관리에 대한 학습 데이터를 구축하고 다양한 모델을 학습시켜 위험 상황을 조기에 예측하는 초기 연구로 활용할 수 있을 것으로 사료된다.
산업재해로 인한 사망사고나 부상 사고가 최근 시민 재해로까지 이어지는 등 이러한 현상이 사회적 문제로 지적됨에 따라 산업 현장에서 발생하는 재해 사고에 관한 법률이 시행되고 있다. 특히, 중대 재해 처벌에 관한 법률이 지정되어 작업자와 시민의 안전권을 보장하고 재해를 사전에 방지하기 위한 노력이 각계의 산업에서 요구되고 있다. 산업 안전보건 분야에서는 사고가 질병보다 더 자주 발생하고 있다. 2020년 고용노동부가 발간한 2020년 산업재해 통계 자료를 보면 업종별로는 제조업이 25%로 나타났으며 사고 유형으로는 넘어짐, 떨어짐, 끼임, 부딪힘, 물체에 맞음 등의 순으로 많았다. 또한 5인~49인 규모 사업장의 재해자 수가 45.6%로 가장 많이 차지하는 것으로 나타났다. 이러한 상황에서 정부나 공공기관, 회사에서는 산업 현장이나 건설 현장에서 발생하는 안전사고를 예방하기 위한 제도적 방안이나 기술에 대해 활발히 논의되고 있다. 안전사고 예방을 위한 기술개발을 위해서는 전통적인 컴퓨터 비전 방법론이 전처리 단계에서 많이 활용되고 있고 학습과 추론 단계에서 딥러닝 기반의 객체 탐지 기술이 다양하여 활용되고 있다. 전통적인 컴퓨터 비전 방법론에서는 HOG(Histogram of Gradient) 등과 같은 경계(edge)의 방향과 같은 특성을 기울기로 생각하여 변화가 많이 일어나는 지점을 특징으로 보아 경계 검출이나 기하학적 정보를 검출하는 데 많이 활용되고 있고, SIFT와 같이 특징점을 추출하기 위해 모서리 점이나 밝기가 많이 변하는 점 등을 활용하여 영상의 특징을 추출한다. 이러한 전통적인 방법론은 특징점을 사람이 정한 특정한 알고리즘에 의해서만 수행되며, 특징을 추출하는 데 특화되어 있지만 딥러닝 방법론에 비하면 자동화되지 못한 한계가 존재한다. 반면, 딥러닝 기술을 활용하면 특징 추출부터 객체 탐지까지 종단간(End-to-End) 학습이 이뤄질 수 있어 학습부터 의미 있는 정보 추론까지 한꺼번에 가능하다. 하지만 딥러닝 기반의 객체 탐지 기술은 학습에 필요한 대량의 이미지 데이터셋(dataset) 구축이 필수적이고 이러한 이미지를 수작업으로 이미지 안에 있는 객체를 라벨링(labeling) 해야 한다. 이는 딥러닝이 어떤 객체가 정답인지 아닌지를 확인하여 학습하고 이를 정확도나 정밀도와 같은 지표로 활용하기 때문이다. 따라서 산업 현장에 대한 이미지를 가지고 모델 학습을 하는 데 큰 노력이 드는 실정이다. 본 논문에서는 산업 현장 근로자 안전사고 관리에 대한 학습 데이터를 구축하고 다양한 모델을 학습시켜 위험 상황을 조기에 예측하는 초기 연구로 활용할 수 있을 것으로 사료된다.
As this phenomenon has been pointed out as a social problem, such as fatal accidents or injuries caused by industrial accidents, which have recently led to civil accidents, the Act on Accidents Occurs in Industrial Sites is being enforced. In particular, since the Act on Punishment of Serious Accide...
As this phenomenon has been pointed out as a social problem, such as fatal accidents or injuries caused by industrial accidents, which have recently led to civil accidents, the Act on Accidents Occurs in Industrial Sites is being enforced. In particular, since the Act on Punishment of Serious Accidents has been designated, efforts to ensure the safety rights of workers and citizens and to prevent disasters in advance are required in various industries. In the field of occupational safety and health, accidents occur more frequently than diseases. According to the 2020 industrial accident statistical data published by the Ministry of Employment and Labor in 2020, the manufacturing industry accounted for 25% by industry, and the most common types of accidents were falling, falling, getting caught, bumped into, hit by an object, etc. In addition, it was found that workplaces with 5 to 49 employees accounted for the most at 45.6%. In this situation, the government, public institutions, and companies are actively discussing institutional measures and technologies to prevent safety accidents that occur at industrial or construction sites. For technology development for safety accident prevention, traditional computer vision methodologies are widely used in the preprocessing stage, and deep learning-based object detection technologies are being used in various ways in the learning and inference stages. In the traditional computer vision methodology, characteristics such as the direction of an edge such as HOG (Histogram of Gradient) are considered as a slope, and it is characterized by a point where a lot of change occurs, so it is widely used for boundary detection or geometric information detection, In order to extract feature points like SIFT, image features are extracted by using corner points or points with a lot of brightness change. This traditional methodology is performed only by a specific algorithm that determines the feature point by a person, and is specialized in extracting features, but there is a limit in that it is not automated compared to the deep learning method. On the other hand, if deep learning technology is used, end-to-end learning from feature extraction to object detection can be performed, making it possible from learning to inferring meaningful information at once. However, in deep learning-based object detection technology, it is essential to build a large image dataset required for learning, and manually label objects in the image with these images. This is because deep learning learns by checking which object is the correct answer and uses it as an index such as accuracy or precision. Therefore, it takes a lot of effort to learn the model with the image of the industrial site. In this paper, it is thought that it can be used as an initial study to predict dangerous situations early by constructing learning data on safety accident management for industrial site workers and learning various models.
As this phenomenon has been pointed out as a social problem, such as fatal accidents or injuries caused by industrial accidents, which have recently led to civil accidents, the Act on Accidents Occurs in Industrial Sites is being enforced. In particular, since the Act on Punishment of Serious Accidents has been designated, efforts to ensure the safety rights of workers and citizens and to prevent disasters in advance are required in various industries. In the field of occupational safety and health, accidents occur more frequently than diseases. According to the 2020 industrial accident statistical data published by the Ministry of Employment and Labor in 2020, the manufacturing industry accounted for 25% by industry, and the most common types of accidents were falling, falling, getting caught, bumped into, hit by an object, etc. In addition, it was found that workplaces with 5 to 49 employees accounted for the most at 45.6%. In this situation, the government, public institutions, and companies are actively discussing institutional measures and technologies to prevent safety accidents that occur at industrial or construction sites. For technology development for safety accident prevention, traditional computer vision methodologies are widely used in the preprocessing stage, and deep learning-based object detection technologies are being used in various ways in the learning and inference stages. In the traditional computer vision methodology, characteristics such as the direction of an edge such as HOG (Histogram of Gradient) are considered as a slope, and it is characterized by a point where a lot of change occurs, so it is widely used for boundary detection or geometric information detection, In order to extract feature points like SIFT, image features are extracted by using corner points or points with a lot of brightness change. This traditional methodology is performed only by a specific algorithm that determines the feature point by a person, and is specialized in extracting features, but there is a limit in that it is not automated compared to the deep learning method. On the other hand, if deep learning technology is used, end-to-end learning from feature extraction to object detection can be performed, making it possible from learning to inferring meaningful information at once. However, in deep learning-based object detection technology, it is essential to build a large image dataset required for learning, and manually label objects in the image with these images. This is because deep learning learns by checking which object is the correct answer and uses it as an index such as accuracy or precision. Therefore, it takes a lot of effort to learn the model with the image of the industrial site. In this paper, it is thought that it can be used as an initial study to predict dangerous situations early by constructing learning data on safety accident management for industrial site workers and learning various models.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.