초록 ▼

□ 연구개요
- 기존의 전기화재 원인 및 진단과 분석방법을 AI, 빅데이터 등을 이용한 혁신적인 방법으로 개선할 필요가 있으며 지속적으로 전기화재 관련 데이터를 축적하여 가치 정보로 활용될 수 있도록 새로운 판별기법을 연구하여 전기화재 안전진단 및 전기화재 예방 및 관리에 적용해야 할 필요가 있음.
- 아날로그적으로 실시하고 있는 기존의 전기화재 유무 진단 기술을 AI 알고리즘을 활용한 새로운 방법으로 혁신화 하도록 선도적 연구를 진행함.
- 전기화재 유무 판별의 객관화하기 위하여 화재조사자의 경험에 의존하던 방식에

□ 연구개요
- 기존의 전기화재 원인 및 진단과 분석방법을 AI, 빅데이터 등을 이용한 혁신적인 방법으로 개선할 필요가 있으며 지속적으로 전기화재 관련 데이터를 축적하여 가치 정보로 활용될 수 있도록 새로운 판별기법을 연구하여 전기화재 안전진단 및 전기화재 예방 및 관리에 적용해야 할 필요가 있음.
- 아날로그적으로 실시하고 있는 기존의 전기화재 유무 진단 기술을 AI 알고리즘을 활용한 새로운 방법으로 혁신화 하도록 선도적 연구를 진행함.
- 전기화재 유무 판별의 객관화하기 위하여 화재조사자의 경험에 의존하던 방식에서 데이터에 기반한 AI 판별 방법으로 객관화하고 95% 이상의 정확도를 실현함.
- 실험실에서 실시되고 전기화재 판별 시간을 개선하도록 현장에서 단락용융흔 및 화염용융흔 여부를 앱 등을 활용하여 실시간으로 판별하여 전기화재 진단의 시간을 단축하고 편의성을 제공하도록 함.
- 본연구의 결과를 활용도를 높이기 위해 다양한 형태의 화재 현장의 각종 전선 및 전기부품 흔적을 가진 데이터를 축적하여 다양한 형태의 전기화재 분야의 원인분석에 본연구의 결과를 활용함

□ 연구 목표대비 연구결과
1차년도 연구개발결과
- 용융흔의 외형 판별을 객관적으로 판별할 수 있도록 딥러닝 알고리즘을 제안하였으며, 화재 현장에서 발생할 수 있는 1차, 2차 단락흔 및 열흔 데이터를 실험실에서 제작하고 분석 과정을 거쳐 입력데이터를 생성하여 딥러닝 알고리즘에 각각 적용하여 이미지 판별을 하였음.
- 판별을 위해 CNN 및 ResNet 2가지 모델을 설계하였고 ResNet 모델의 경우 layer의 깊이를 변화시키며 정확도 및 손실 값을 도출시키고 판별 결과를 살펴보면 단락흔 및 열흔의 정확도는 98.89%, 1차 단락흔 및 2차 단락흔의 정확도는 89.82%, 1차, 2차 단락흔 및 열흔의 정확도는 95.72%로 CNN보다 ResNet 모델을 적용하였을 때 더 높은 정확도를 얻음.
2차년도 연구개발결과
- 화재 현장에서의 구리전선 용융흔 발생 원인 및 진단 방법 분석과 구리전선 용융흔 수집 및 데이터 축적함. 단락용융흔과 화염용융흔에 대한 발생 원리 및 특징 등에 관하여 분석하였고, 여러 가지 진단 및 분석 방법을 연구하였고, 800여 개의 화재 현장의 용융흔 데이터를 확보하여 분석함.
- 화재 현장에서 확보한 다양하고 이질적인 데이터를 분석하기 위하여 데이터 증강기법, Transfer Learning 및 Fine tunig기법 등을 활용하여 단락용융흔과 화염용융흔의 분리를 위한 최적의 결과를 얻을 수 있는 모델을 설계하였음.
-단락용융흔 및 화염용융은 구별하는 최적의 모델을 선정하기 위하여 주어진 데이터에 대한 다양한 학습 시뮬레이션하였고, VGG16, Resnet50, Inception V3, Xception 및 VGG16 모델의 시뮬레이션 결과, VGG16이 가장 우수한 결과임을 확인하였음.
3차년도 연구개발결과
- 용융흔 판별에 특화된 정확도 향상을 위한 용융흔 이미지 전처리 알고리즘 연구를 위해 CNN 기반의 4가지 알고리즘을 적용한 용융흔 판별에 관한 연구를 수행하였음. Googlenet, Inception v3, VGG16, Resnet50 모델의 시뮬레이션 결과, Inception v3이 비교 모델 중 가장 우수한 결과임을 확인하였음.
- 단락용융흔 및 화염용융흔 판별정확도 95%를 달성하며 스마트폰 앱으로 촬영한 용융흔 데이터는 데이터베이스에 자동으로 저장되며, AI 알고리즘 학습과 통계분석 자료로 사용할 수 있도록 함.

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
전기 화재 유무 진단에 용융흔 외형분석 AI 알고리즘을 적용한 진단연구는 국내외적으로 거의 이루어 지고 있지 않아 본 연구 결과를 관련 분야 발전에 적극 활용될 것으로 기대함
- AI 알고리즘을 활용하여 전기화재 분석의 높은 정확도를 객관적으로 제공하여 관련 기술의 혁신에 기여하고 지속적인 전기화재 관련 데이터를 축적하고 전기화재 안전진단 및 예방관리에 이바지함.
- 현재 전기화재 원인 진단을 위해 AI 알고리즘을 활용하여 단락용융흔 및 화염용융흔 판별정확도 95%를 달성한 결과 등을 바탕으로 하여 현장 DB 구축으로 판별정확도가 지속적으로 향상되어 전기화재진단 기술 향상에 기여하며 다양한 형태의 전기화재 분석 정보로 활용함.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1) 전기화재를 방지하며 지속적인 전기화재 원인의 진단 및 분석과 관리를 위해 획기적인 개선 필요 ... 4
• 2) 연구의 목적 및 범위 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• 2.1 1차년도 연구개발과제 ... 4
• 2.2 2차년도 연구개발과제 ... 7
• 2.3 3차년도 연구개발과제 ... 10
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 12
• 1) 정성적 연구개발성과(연구개발결과) ... 12
• 2) 세부 정량적 연구개발성과 ... 13
• 3) 목표 달성 수준 ... 13
• 4) 목표 미달 시 원인 분석 ... 13
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발 결과의 중요성) ... 14
• 5. 연구개발성과의 관리 및 활용 계획 ... 14
• 6. 자체점검표 ... 14
• 7. 참고문헌 ... 15
• 끝페이지 ... 33