[논문]Development of Workplace Risk Assessment System Based on AI Video Analysis

Jeong-In Park

doi:10.9708/jksci.2024.29.01.151

[국내논문] Development of Workplace Risk Assessment System Based on AI Video Analysis

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.29 no.1, 2024년, pp.151 - 161

Jeong-In Park (UFM Systems Co., LTD)

초록
AI-Helper

이 논문에서는 제조공장 사업장 현장 내 각 공정을 촬영한 영상을 인공지능(AI)으로 분석하여 위험·유해 요인을 파악할 수 있도록 작업장 위험지도(Danger Map)를 개발하고 이 Danger Map 에서 도출된 빈도·강도에 기반한 위험도와 안전도를 실제 현장상황에 맞추어 자동으로 도출하여 유사 제조 업종에 적용할 수 있는 시스템을 제시히였다. 특히, 사업장의 안전도(위험도)를 엑셀 등 수동으로 평가하던 종래의 평가방식에서 영상으로부터 취득된 유해·위험 요인별 위험성 수준을 자동으로 산정 평가하여 시스템에 의한 안전 확보와 안전도(위험도)를 계산함으로써 이에 따라 기업에서 적절한 활동 및 조치를 마련할 수 있도록 하였다. 안전도(위험도) 산출 및 평가 자동화를 위해 '하인리히의 법칙(Heinrich's law)'을 모델로 하였으며, 위험한 행동 패턴에 대해 5X4점 평가척도를 계산하였다. 이 시스템을 실증적용하기 위해 금속주물주조공장에 적용하였으며 매월 안전도(위험도) 계산에 추가되는 시간적 비용 및 노동력을 2명 절감할 수 있었다.

Abstract ▼ AI-Helper

In this paper, we develop 'the Danger Map' of a workplace to identify risk and harmful factors by analyzing images of each process within the manufacturing plant site using artificial intelligence (AI). We proposed a system that automatically derives 'the risk and safety levels' based on the frequency and intensity derived from this Danger Map in accordance with actual field conditions and applies them to similar manufacturing industries. In particular, in the traditional evaluation method of manually evaluating the risk of a workplace using Excel, the risk level for each risk and harmful factor acquired from the video is automatically calculated and evaluated to ensure safety through the system and calculate the safety level, so that the company can take appropriate actions accordingly. and measures were prepared. To automate safety calculation and evaluation, 'Heinrich's law' was used as a model, and a 5X4 point evaluation scale was calculated for risky behavior patterns. To demonstrate this system, we applied it to a casting factory and were able to save 2 people the time and labor required to calculate safety each month.

주제어

표/그림 (16)

표 Table 1. System Main Function Requirement
표 Table 2. Comparison of Related Works
그림 Fig. 1. The Structure of CNN
그림 Fig. 2. Introduction of YOLO for Fine Learning
그림 Fig. 3. System Architecture
그림 Fig. 4. Heinrich's law
표 Table 3. Risk Assessment Process
표 Table 4. 3X3 Risk Assessment Metrics
표 Table 5. 5X4 Risk Assessment Metrics
그림 Fig. 5. Structure of reinforcement learning in this system
표 Table 6. Initial reward value for learning
그림 Fig. 6. Unsafety Worker, Work Place Data from CCTV
표 Table 7. Strength Derivation Algorithm
그림 Fig. 7. Classified Unsafety Image on WEB UI
그림 Fig. 8. Dash Board for Safety Monitoring
표 Table 8. Evaluation Results

AI 본문요약
AI-Helper

문제 정의

이 시스템의 성능을 평가하는 목적은 수집된 영상에 대해 얼마나 정확하게 안전도(위험도)를 산출해 주는가 하는 것이다. 수집된 영상은 이미 CCTV 로부터 수집되어 AI 딥러닝을 거쳐서 도출되었기 때문에 여기서의 시험 대상은 아니다.
최종 목적은 제조사업장 안전도(위험도)를 자동으로 계산하기 위해 현장에 설치된 CCTV 로부터 영상을 수집하고, 이를 AI 딥러닝으로 분석하여 비정상적인 상황을 추출하는 것이다. 이 때 일정기간 내 자동추출된 빈도와 자동으로 부여된 강도를 곱하여 누적함으로써 한 회사의 안전도(위험도)를 산출하고 감시ㆍ운영하는 것이 목적이다.

제안 방법

CCTV에서 취득된 현장 영상의 분석을 위해 영상분석 서버에서 작업자, 작업환경의 유해·위험 이벤트(예) 안전모 미착용 등)를 검지한 후 이 이벤트의 빈도와 강도를 자동으로 부여하고 안전도(위험도)를 계산하는 분석 기술을 설계한다.
뉴런과 같이 노드 상호관계를 정의하고 수많은 필터를 통해 특징들을 추출해서 분류한 다음 추론한 오차를 근거로 가중치를 변경하며 동시에 보상값을 적용하여 활성화 함수에 의해 최적의 해답을 결정하는 학습 방법이다. 기존 영상에서 특징적인 물체의 노드 간 상호관계와 가중치, 보상값을 딥러닝 모델로 저장, 변경하여 새로운 영상 분석에 활용한다.
이 논문에서 소개하는 시스템은 YOLO의 학습 보상 프로세스를 위해 손실 함수를 최소화하는 방향으로 구현하였다. 손실 함수란 모델이 예측한 결과와 실제 결과 간의 차이를 측정하여 모델을 학습시키는 데 사용되며, 이 논문에서 구현한 YOLO의 보상 프로세스는 Fig.
이 논문은 사업장 내 각 지점을 촬영한 영상을 인공지능(AI)으로 분석하여 위험·유해 요인별 위험성 수준을 평가하고 안전 확보를 위한 적절한 조치를 마련할 수 있도록 하는 'AI 영상분석에 의한 사업장 내 위험성 평가 시스템'을 설계 및 구현 그리고 성능평가 결과를 다루고 있다.
이 논문의 주요 내용은 금속주물주조 사업장 내 특정 지점(이 논문에서는 용광로 작업 주위)을 촬영한 영상을 인공지능(AI)으로 영상분석함으로써 파악되는 유해·위험 요인과 이 유해·위험이 발생하는 특정 작업공간을 사각형 또는 동심원 깊이로 표현한 위험지도(Danger Map)를 화면에 표출(Fig
기존 제조현장에서 작업자의 안전을 감시하기 위한 기술로는 헬멧에 칩이나 센서를 넣는다거나 옷에 감지 센서를 넣거나 혹은 별도의 블루투스 통신 기기 등을 이용하여 감지 해왔으나 이러한 기존의 방식은 작업자로 하여금 많은 장비를 소지하게 하여 현장 작업 시의 불편함을 가중시켰고 장비착용을 거부함으로써 오히려 안전사고를 유발하는 경우가 많았다. 이러한 어려움을 해결하기 위해 작업자에게 장비 착용의 부담을 지우지 않고 평소와 동일한 환경으로 작업을 유도하기 위해 CCTV 영상분석 기술을 도입하였다.
적용된 강화 학습구조로는 에이전트(agent), 환경(environment), 상태(state), 행동(action), 보상(reward)의 기능을 구현하였다. Fig.
그 외에 GIS 기반의 지하 매설물 또는 재해 위험 안전도(위험도) 평가시스템 개발[7]의 경우 자연 재해급의 대규모시스템을 검토해야 한다. 주된 기능으로는 GIS 도입과 함께 피해이력을 기반으로 전문가들에 의해 분석된 산출물을 사용하여 재해별로 지역에 따라 피해 정도를 효과적으로 표출하기 위해 공간데이터베이스와 사용자 인터페이스를 설계하여 지도기반에서 속성을 검색 및 위험도를 표출하는 시스템을 개발해왔다. 이 시스템은 공간데이터베이스, 검색 모듈, 지도모듈로 크게 구성되어 있으며 검색된 위험지역에서 일정한 버퍼거리 내에 설치되어 있는 CCTV를 자동 검색하고 이를 화면에 표출하는 기능을 포함하고 있다.
이 유형의 실시간 통합안전도(위험도) 평가 시스템은 유역별 전체 수변구조물의 실시간 계측 데이터를 수신하여 의미 있는 데이터를 분석하고, 개발된 알고리즘을 시스템에 잡재하여 수변구조물의 계측기반 실시간 안전도(위험도)를 정량적인 수치로 제시하였다, 또한 재난 시나리오 안전도(위험도) 평가 차트와의 비교 분석을 통해 시설물별 경보수준 정보를 표출하여 사용자가 안전도(위험도)를 실시간으로 판단 할 수 있도록 지원하고, 중앙관리자와 개발 시설물관리자로 사용자를 구분하여 최종사용자 맞춤형 평가기능을 지원하였다. 주요 기능으로는 실시간 계측 데이터를 수신하여 의미있는 데이터를 분석하고, 개발된 알고리즘을 시스템에 탑재하여 수변구조물의 계측기반 실시간 안전도(위험도) 및 시나리오별 안전도(위험도) 평가지수를 계산한 후 정량적인 수치로 제시하였다. 이와 같은 통합안전도(위험도) 평가 시스템에서는 이렇게 제시된 수치를 기반으로 사용자의 실시간 안전도(위험도) 판단을 지원하였다[6].
딥러닝의 결과로써 미세조정과정이 필요한데 이 결과 미세조정이란 인공지능 모델에서 객체 인식 추출의 오류를 줄이기 위해서 특수 목적을 가진 데이터 셋을 이용한 인공지능 모델 개선을 추가 학습 방법을 말한다. 특수목적성 데이터셋을 사용한 예로 미국 알바니 대학교(University of Albany)에서 차량의 촬영 환경 즉, 날씨, 시간 등에 따라 미세 학습 시 다양한 환경에서의 작업자와 작업환경 인식 정확도를 높인 사례를 찾아볼 수 있으며 이를 응용하여 본 논문에서는 YOLO 알고리즘을 도입하여 구현하였다. Fig.

대상 데이터

, 관련연구 순). 입력 데이터 수집으로는 4차 산업혁명의 핵심기술에 맞도록 CCTV 기반 영상데이터를 수집하고자 한다. 데이터 가공에 있어서는 수집된 영상데이터를 AI 딥러닝으로 분석하고자 한다.

이론/모형

이 논문에서 시스템 구현을 위해 앞서 소개한 YOLO v.3를 적용하였으며 이 분석결과를 받아서 불안전 이벤트 빈도ㆍ강도를 WEB으로 서비스 하는 체계이다.
‘3X3’ 또는 ‘5X4’ 위험성 평가 척도 이며, 사업장의 크기에 따라 안전도(위험도)가 좀 더 세분화 되고 광범위한 경우 5X4 척도를 적용한다. 이 논문에서는 5X4 위험성 평가 척도를 적용하였으며, 각각의 척도가 의미하는 안전도(위험도)를 수치로 나타내면 Table 4와 Table 5로 나타낼 수 있다[13].
이 시스템을 통해 계산하고자 하는 안전도(위험도) 통계 분석 기법으로 하인리히 법칙을 준용한다[12]. 하인리히 법칙은 1:29:300의 법칙으로써, 어떤 대형 사고가 발생하기 전에는 같은 원인으로 수십 차례의 경미한 사고와 수백번의 징후가 반드시 나타난다는 것을 뜻하는 통계적 법칙을 말한다.

성능/효과

국내의 대부분 안전도(위험도) 평가시스템은 효율적 자료관리체계를 포함한 과학적 안전도(위험도)평가 시스템을 구축하여 각 분야별 안전도(위험도)를 실용적이로 현대적으로 평가할 수 있도록 하는데 중점을 두고 있으며 특히 최근의 프로그램 개발의 흐픔인 사용자 편의 위주로 개발되어 있음을 알 수 있었다.
에 나타나 있다. 대체로 98% ~ 100%의 결과를 보여주고 있으며, 시스템에서 자동으로 분류된 영상처리 결과가 육안으로 검토한 결과와 상이하거나 처음부터 영상처리가 잘못된 경우에 불일치 오류가 있었다. 여기서 육안으로 검토한 결과와 상이한 경우는 실제로는 유해·위험 상황이 아닌데 유해·위험으로 분류된 경우이다.
본 발명 시스템을 통해, 사업장 관리자는 객관적으로 정확히 판단된 사업장 내 유해·위험 요인별 안전도(위험도)를 직관적으로 파악하고, 안전도(위험도)에 따라 안전 관리를 강화할 수 있으며, 궁극적으로는 본 발명 시스템을 통해 분석된 유해·위험 요인별 안전도(위험도)를 기반으로 AI가 스스로 안전 관리 지침을 도출하여, 본 발명 시스템에 피드백하는 방식으로 사업장 안전성을 강화해 나갈 수 있다.
본 시스템을 운영을 통한 기대효과로는 사업장 관리자는 객관적으로 정확히 판단된 사업장 내 유해·위험 요인별 위험도를 직관적으로 파악하고, 위험도에 따라 안전 관리를 강화할 수 있다
이 시스템의 성능평가결과 정확도 측면에서 98% 안전 정확도를 보였으며 AI 딥러닝 인식에 오류가 있는 경우를 제외하고는 100% 안전도(위험도)가 일치하는 성능을 보여 주었다.
다음으로는 대형 재난 안전과 관련이 있는 수변 구조물과 같은 재난 안전을 위한 안전도(위험도) 평가 시스템[5]의 조건은 안전성이 부족한 경우 대규모 인명 및 재산피해 우려가 있으므로 실시간 환경조건 변화에 따른 위험요소를 평가하고 수변구조물의 피해 가능성을 예측할 수 있는 안전관리 시스템이어야 한다. 이 유형의 실시간 통합안전도(위험도) 평가 시스템은 유역별 전체 수변구조물의 실시간 계측 데이터를 수신하여 의미 있는 데이터를 분석하고, 개발된 알고리즘을 시스템에 잡재하여 수변구조물의 계측기반 실시간 안전도(위험도)를 정량적인 수치로 제시하였다, 또한 재난 시나리오 안전도(위험도) 평가 차트와의 비교 분석을 통해 시설물별 경보수준 정보를 표출하여 사용자가 안전도(위험도)를 실시간으로 판단 할 수 있도록 지원하고, 중앙관리자와 개발 시설물관리자로 사용자를 구분하여 최종사용자 맞춤형 평가기능을 지원하였다. 주요 기능으로는 실시간 계측 데이터를 수신하여 의미있는 데이터를 분석하고, 개발된 알고리즘을 시스템에 탑재하여 수변구조물의 계측기반 실시간 안전도(위험도) 및 시나리오별 안전도(위험도) 평가지수를 계산한 후 정량적인 수치로 제시하였다.
우선 장비수리 구조물 분야 안전도(위험도) 평가를 위한 시스템[4]은 일련의 작업을 효율적으로 수행하기 위하여 종래부터 행해지던 안전도(위험도) 평가 작업의 흐름에 근거한 사용자 위주의 전산화 시스템을 개발하였다. 즉, 수리 구조물의 조사, 측정, 평가자료 등 체계적 유지관리에 필요한 기본적인 사항이나 안전진단 관련 항목들을 이용하여 데이터 베이스 시스템을 구축하고, 안전도(위험도) 분석의 기초자료를 획득하기 위한 구조해석 시스템 및 실질적 안전도(위험도) 평가를 위한 안전도(위험도)분석/평가 시스템, 그리고 이들 결과를 일목요연하게 보여줄 수 있는 입출력 도식화 시스템을 상호 유기적으로 관련시킴으로써 안정도 평가 작업이 체계적이로 합리적으로 수행될 수 있도록 하였다. 특히, 제안한 시스템은 고도의 안전도(위험도) 평가 이론을 모두 블랙박스식으로 내장시킴으로써 사용자가 이에 대한 이해가 다소 부족하더라도 기본적인 실무 경험만 있다면 시스템을 쉽게 운용하고 업무 목적을 달성할 수 있도록 개발되어 있음을 알 수 있었다.
즉, 수리 구조물의 조사, 측정, 평가자료 등 체계적 유지관리에 필요한 기본적인 사항이나 안전진단 관련 항목들을 이용하여 데이터 베이스 시스템을 구축하고, 안전도(위험도) 분석의 기초자료를 획득하기 위한 구조해석 시스템 및 실질적 안전도(위험도) 평가를 위한 안전도(위험도)분석/평가 시스템, 그리고 이들 결과를 일목요연하게 보여줄 수 있는 입출력 도식화 시스템을 상호 유기적으로 관련시킴으로써 안정도 평가 작업이 체계적이로 합리적으로 수행될 수 있도록 하였다. 특히, 제안한 시스템은 고도의 안전도(위험도) 평가 이론을 모두 블랙박스식으로 내장시킴으로써 사용자가 이에 대한 이해가 다소 부족하더라도 기본적인 실무 경험만 있다면 시스템을 쉽게 운용하고 업무 목적을 달성할 수 있도록 개발되어 있음을 알 수 있었다.

후속연구

구축된 시스템에서 관리자는 사용자 인터페이스를 통해 데이터 입력 모듈에 유해·위험 요인과 해당 요인에 대한 평가지표(추정 강도값 및 빈도수)를 직접 입력할 수 있으며, 향 후 시스템을 확장하여 복수의 사업장에서 입력된 유해·위험 요인과 평가지표는 상기 관리서버를 통해 DB에 저장된 채로 활용되도록 할 수 있다.
종래에 수작업으로 관리되어 오던 안전관리방식을 AI에 의한 CCTV 영상 분석을 통한 자동화 관리 방식으로 개선함에 따라 적은 안전전문인력으로 효과를 극대화하고, 사업장 내의 안전성을 더욱 정밀하게 관리할 수 있을 것으로 기대된다.

참고문헌 (13)

Maeil Nodong News http://www.labortoday.co.kr, 2022.08.12 07:30？
Korea Risk Assessment System https://kras.kosha.or.kr/？
Y Qi, F Wen, K Wang, L Li, S Singh, "A fuzzy comprehensive？evaluation and entropy weight decision-making based method for？power network structure assessment" International Journal of？Engineering, Science and Technology, Vol. 2, No. 5, pp. 92-99, Sep. 2010.？
H,N.Cho, S.H.Kim, S.J.Lee, Y.M.Choi, "Development of Safety？Assessment System for Agricultural Irrigation Structures",？Computational Structral Engineering Institute of Korea, Vol. 6,？No. 1 pp. 107-115, Mar. 1993.？
J.H.Choi, M.H.Kwon, D.H.Shin nad K.Y.Kim, "Development of？Realtime Safety Evaluation(RSEE) for Water Infragtructures."？Korea Institute for Struvtural Maintenanceand Inspection, pp.？155-156, Apr. 2018.？
Ying Mei, Jiawei Ye, Zhigang Zeng, "Entropy-weighted ANP？fuzzy comprehensive evaluation of interim product production？schemes in one-of-a-kind production." Computers & Industrial？Engineering, Vol. 100, pp. 144-152, Oct. 2016. DOI: https://doi.org/10.1016/j.cie.2016.08.016？

상세보기
H.S.Hwang, C.S.Kim, "Development of a Risk Visualization？System for Natural Disasters based on GIS", Korean Society of？Hazard Mitigation, Vol. 11, No. 6 pp. 117-122, Dec. 2011.？
Jialong Jiao, Huilong Ren, Shuzheng Sun, "Assessment of surface？ship environment adaptability in seaways: A fuzzy comprehensive？evaluation method." International Journal of Naval Architecture？and Ocean Engineering, Vol.8, Issue 4, pp. 344-359, July. 2016.？DOI: https://doi.org/10.1016/j.ijnaoe.2016.05.002？

원문보기 상세보기
Wei Liu, Dragomir Anguelov and Dumiru Erhan, et al., "SSD:？Single Shot MultiBox Detector", Proceedings of the European？Conference on Computer Vision, Amsterdam, Netherlands,？pp.21-37, Dec. 2016. https://arxiv.org/abs/1512.02325？
Ross Girshick, Jeff Donahue, Trevor Darrell, et al., "Rich feature？hierarchies for accurate object detection and semantic？segmentation", Proceedings of the IEEE Conference on Computer？Vision and Pattern Recognition, Columbus, Ohio, pp.580-587,？Oct. 2014. https://arxiv.org/abs/1311.2524？
Ross Girshick, "Fast R-CNN", Proceedings of the IEEE？international conference on computer vision, Santiago, Chile,？pp.1440-1448, Apr. 2015. https://arxiv.org/abs/1504.08083
WIKI, https://namu.wiki/w/%ED%95%98%EC%9D%B8%EB%A6%AC%ED%9E%88%EC%9D%98%20%EB%B2%95%EC%B9%99？
Korea Risk Assessment System https://kras.kosha.or.kr/？

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증