보호구해조

프로젝트 개요

기술개발 과제

국문 : 딥러닝 기반 건설현장 근로자 개인 보호구 모니터링 시스템

영문 : Personal Protective Equipment Monitoring System at Construction Sites Based on Deep-Learning

과제 팀명

보호구해조

지도교수

김선중 교수님

개발기간

2021년 9월 ~ 2021년 12월 (총 4개월)

구성원 소개

서울시립대학교 토목공학부·과 20158600** 정** (팀장)

서울시립대학교 토목공학부·과 20188600** 장**

서울시립대학교 토목공학부·과 20198600** 정**

서론

개발 과제의 개요

개발 과제 요약

내용

개발 과제의 배경

건설현장에서 크고 작은 사고가 지속적으로 발생함에 따라 건설현장의 안전관리 문제가 사회적 문제로서 대두되고 있다. 건설업 사고 사망 주요 발생 형태 중 큰 비율을 차지하는 부분은 안전 보호구 미착용으로 인한 사고이다. 2021년 7월 ‘현장 점검의 날’ 시행된 두 차례의 일제 점검에서도 기본적인 안전 수칙이 여전히 산업 현장에서 지켜지지 않고 있음이 확인되었다. 하지만 기존의 건설현장 일제 점검은 대규모의 인력과 시간이 필요하므로 상시 시행되기 어려우며, 이를 통해 현장의 안전관리에 대한 경각심을 높일 수는 있지만, 즉각적 안전조치 사항으로는 한계가 있다. 

개발 과제의 목표 및 내용

따라서 본 과제에서는 이동식 촬영장치와 인공지능을 접목하여 건설근로자의 개인 보호구 착용 여부를 실시간으로 모니터링하고, 미착용 시 경고할 수 있는 시스템을 개발하고자 한다. 이는 인력에 기반하지 않고 모니터링부터 경고 알림까지 가능한 실시간 모니터링 시스템으로, 기존의 점검 과정을 반자동화할 것으로 기대한다. 또한, 근로자의 안전조치 준수를 돕고, 근로자와 감독자의 경각심을 재고하여 사고 발생률을 줄이고자 한다.

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

• 전 세계적인 기술현황

(1) 국내 사례
  ① 포스코 건설 – 스마트 세이프티 기술 中 안면인식 시스템
포스코 건설은 자체적인 안전관리 시스템으로서 ‘스마트 세이프티 솔루션’을 운영하고 있다. 이는 정보 기술을 활용하여 실시간으로 현장 정보를 확인하는 시스템이다. 대표적인 기술로는 안면인식 시스템이 있는데, 이는 현장의 모든 근로자를 안면인식 시스템에 등록하여 신속하고 수월하게 현장에 투입하는 시스템이다. 이때, 안전모를 착용하지 않은 근로자는 현장에 출입이 불가하다. 이를 통해, 안전모 미착용으로 발생할 수 있는 사고를 줄이고 있다.

  ② SK 건설 – 지능형 이동식 CCTV
지난 2019년, SK 건설은 선제적인 안전관리 문화를 선도하고자 ‘미사강변 SK V1 센터’ 공사 현장에 지능형 이동식 CCTV를 투입했다. 지능형 이동식 CCTV는 스마트폰 어플리케이션을 통해 원격으로 렌즈를 조절할 수 있고, 스피커가 장착되어 위험 상황 발생 시, 화면을 살펴보는 안전 관리자가 작업자에게 경고 음성을 보낼 수 있다. 또한, 아래 사진과 같이 케이블에 장착되어있기 때문에 필요에 따라 이동이 용이하다. 

(2) 해외 사례
  ① 유럽 Incoresoft사 – Hard Hats detection
Incoresoft는 딥러닝과 인공지능 기술을 개발하는 유럽의 회사이다. 특히, 안전 문제의 해결을 위한 얼굴 인식, 안전모 등 객체 탐지, 교통 분석, 출입 통제 기술 등을 보유한다. 이중에서 Hard Hats detection 기술은 건설현장 등의 cctv 영상을 실시간으로 받아서 각 영상 속 인물들의 안전모 착용 여부를 확인하는 기술이다. 착용하지 않은 인물이 있다면, 아래 데모와 같이 적색 사각형으로 표시되어 모니터링 담당자가 쉽게 미착용 여부를 알아챌 수 있다.

  ② 미국의 HCS(Human Condition Safety) 회사 – 스마트조끼(웨어러블기술)
미국의 스타트업 회사인 HCS(Human Condition Safety)는 IoT 기술을 사용하여, 작업자의 안전한 환경을 만드는 데 도움을 주고, 작업 현장의 위험을 식별하고 줄이는 데 도움을 주는 기술을 개발하고 있다. 그 중 건설현장에 대해서는 스마트 조끼가 해당된다. 센서가 부착된 스마트 조끼를 착용한 작업자가 중장비가 근처에 있는 위험한 지역에 들어가면, 시스템은 작업자에게 안전한 위치로 이동하라는 경고를 주고, 그 중장비를 자동적으로 셧다운시킬 수 있다. 또한, 조끼에 부착된 센서를 통해 심정지 등의 생체정보를 의사가 알 수 있도록 하고, 작업자의 모션이 실시간으로 데쉬보드를 통해 모니터링된다. 이를 통해 현장 관리자는 원격으로도 현장 환경 데이터를 접근할 수 있고, 작업자의 안전 관리를 더욱 효율적으로 진행할 수 있다. 

• 기술 로드맵

(1) 중소벤처기업부
중소벤처기업부에서는 중소기업 분야별 전략기술로드맵을 제시하고 있으며, ‘스마트 건설현장 위험 모니터링 시스템’을 재난 안전 분야의 핵심기술로 포함한다. 이에 따르면, 2021년부터 2023년까지 건설현장 작업자 관련 위험 정보를 영상 등의 데이터 기반으로 분석하여 현장 재해율을 저감하는 기술이 개발될 계획이다. 

(2) 국토교통부
국토교통부에서는 ‘스마트 건설기술 개발 사업’을 통해 2025년까지 즉시 건설현장 전반으로 보급 가능한 핵심기술 패키지를 확보함으로써 스마트 건설기술 선두국 반열에 진입하는 것을 추진하고 있다. 

<스마트 건설기술 - 현장 안전관리>

(현재) 안전지침에 따라 안전 관리자가 현장 및 근로자를 점검

(미래) 장비 근로자 위치 실시간 파악, 안전 정보 즉시 제공 : 위험지역 접근 경고, 장비 근로자 충돌 경고 등 예측형 사고 예방

<ICT 기반 현장 안전사고 예방 기술>

- 가시설, 지반 등에서의 안전 취약 시설과 근로자 위험요인에 대한 정보를 센서, 스마트 착용 장비 등으로 취득하고 실시간 모니터링

- 축적된 작업패턴․사례(빅데이터) 분석을 통해 얻은 지식과 실시간 정보를 연계하여 위험요인을 사전에 도출하는 예방형 안전관리

시장상황에 대한 분석

• 경쟁제품 조사 비교

(1) 국내 사례

(2) 해외 사례

• 마케팅 전략 제시

1) 시장성 분석
스마트 건설기술 시장은 2018년부터 2024년까지 세계적으로는 연평균 11.2%, 국내에서는 연평균 9.2%씩 꾸준히 성장할 전망을 보인다. 

기술 동향을 살펴보면 BIM 설계 시공이나 드론을 활용한 측량 등은 현장에서 적용될 만큼 개발이 이루어졌지만, 빅데이터와 AI를 응용한 등은 아직 연구가 활발하지 못하다. 대기업을 중심으로 스마트 건설 기술을 일부 활용 중이지만, 실질적인 개발과 연구 및 현장 활용은 저조한 실상이다. 하지만 업계의 수요 증가와 정부의 적극적인 지원 등을 통해 스마트 건설기술 시장은 확대될 것으로 보인다, 
본 과제에서는 빅데이터와 인공지능을 활용한 일종의 자동 안전 점검 시스템을 개발한다. 이는 현재 시장 현황과 기술 동향을 고려했을 때, 상당한 시장성을 확보 가능할 것으로 예측된다. 

2) 사회성 분석
건설업에서의 사고 발생률은 제조업에 이어 두 번째로 높으며, 사망사고 발생률은 아래와 같이 가장 높다. 이에 따라 안전감시 시설을 통해 다양한 위험요인을 관리하며 신속하게 대처할 수 있는 융합시스템에 대한 업계 수요가 증가하고 있다.

개발과제의 기대효과

기술적 기대효과

(1) 스마트 건설기술 중 AI가 현재는 적용률이 매우 저조한 분야인데, 이를 활용한 시스템을 개발함으로써 스마트 건설기술 연구 및 개발에 가능성 및 방향성을 제시할 수 있다. 

(2) 위험 인식부터 경고 알림까지 전 과정이 자동화된 모니터링 시스템을 개발하여, 경고 알림 과 영상 획득 등을 인력에 기반한다는 기존 기술에서의 한계점을 해결한다. 

경제적, 사회적 기대 및 파급효과

(1) 1대 또는 소수의 촬영 장치로도 건설현장 전반에 거쳐 모니터링이 가능하다.
(2) 안전모 착용의 당위성에 대한 인식을 제고 한다. 
(3) 건설현장 안전성을 상시로 모니터링하여 사고 위험성을 절감한다.

기술개발 일정 및 추진체계

개발 일정

구성원 및 추진체계

설계

설계사양

제품의 요구사항

개념설계안

시스템 설계도

딥러닝에 기반한 실제 건설현장 보호구 모니터링 시스템 구조는 다음 그림과 같다.

이동식 촬영 장치가 건설현장을 다각도에서 촬영하며 영상 데이터를 컴퓨터로 보내면, 학습된 딥러닝 알고리즘이 이를 분석하여 보호구 착용 여부를 준 실시간으로 알려주는 구조이다. 실제 현장에 적용 시 모형과 다른 점은 모형에서는 건설현장에서는 이동식 촬영장치 여러 대 사용하여 촬영 시간 간격을 줄이고, 소형으로 만들어 다양한 공간으로 이동할 수 있도록 하고자 한다. 이를 위해 기존의 촬영 장비와 이동식 장치를 결합하고자 한다.

딥러닝 적용 방안

본 과제에서는 건설현장 근로자들의 보호구 착용 여부를 자동으로 점검 및 경고할 수 있는 보호구 모니터링 시스템을 개발한다. 이때, 보호구 점검 과정은 건설현장의 이동식 CCTV에 딥러닝 기반의 객체탐지 인공지능 기술을 도입하여 영상 기반으로 구현하고자 하였다. 객체탐지(Object Detection) 분야의 대표적인 딥러닝 모델에는 DeepLab v3+, YOLO v2, Faster R-CNN 등이 있다. 이 중에서, 단순한 학습 과정과 빠른 연산 속도, 적은 데이터 수로도 높은 탐지 정확도를 보여 널리 사용되고 있는 Faster R-CNN 모델을 우선으로 사용할 계획이다. 

<Faster R-CNN> - 기존의 R-CNN은 모든 ROI(Region Of Interest)마다 CNN 연산을 진행하므로 속도가 느리고, 모델을 학습 과정이 번거롭다는 한계 - Faster R-CNN은 이를 보완하였을 뿐만 아니라 적은 데이터 수로도 높은 탐지 성능을 보여, 제안 기술에 효율적으로 적용 가능할 것으로 예측

<Faster R-CNN의 원리>

① R-CNN에서와 마찬가지로 Selective Search를 통해 RoI를 찾고,
  전체 이미지를 CNN에 통과시켜 feature map을 추출한다.
② Selective Search로 찾았었던 RoI를 feature map크기에 맞춘다.
③ 맞춘 RoI에 대해 RoI Pooling을 진행하여 고정된 크기의 feature vector를 얻는다.
④ feature vector는 FC layer를 통과한 뒤, 두 영역으로 나뉘게 된다.
⑤ 하나는 softmax를 통과하여 RoI에 대해 Object classification을 한다. 
  다른 하나는 Bounding box regression을 통해 selective search로 찾은 box의 위치를     조정한다. 
위와 같은 딥러닝 모델 학습 과정에 보호구 착용 및 미착용 인물을 포함한 건설현장 이미지를 적용하여 건설현장 영상에서 보호구 미착용 여부를 탐지하는 딥러닝을 개발한다.

학습데이터 수집 및 분석 방안

실제 현장에 적용할 학습 데이터 수집

  ① 안전모를 착용한 사진과 착용하지 않은 사진 부류로 나눠 수집
  ② 안전모 착용 사진에 건설현장 공사장 사진들을 합성하여 하나의 사진 데이터로 데이     터 증대(Augmentation) 후 학습데이터로 활용

모형을 통한 시연 (실제 건설현장에 적용)

  ① 일반 사람 모형과 안전모를 착용한 사람 모형을 촬영 및 학습 데이터군 형성
  ② 모노레일에 부착된 카메라로 영상 데이터 획득
  ③ 영상을 각 시간당 이미지 파일로 분할
  ④ 학습데이터를 토대로 이미지 파일들을 분류
  ⑤ 2)~4)의 과정을 한 번에 진행하며, 실시간으로 영상을 전송 및 자동으로 분석 처리

이론적 계산 및 시뮬레이션

기존의 실제 현장 데이터 분석

모니터링 시스템 개발을 위해 우선 기존의 실제 현장 데이터를 분석했다. 데이터는 AI hub로부터 얻은 경기도 하남 감일 11공구 아파트 신축공사 현장의 데이터 70장을 사용하였으며, 70장의 데이터를 임의로 학습 데이터군과 테스트 데이터군으로 분류하였다. 

분류된 학습 데이터군에 대해서는 각각 라벨링 과정을 진행하고, 기존의 Faster R-CNN 모델에 라벨링 처리된 데이터를 적용하여 학습(training)시켰다. 학습시킨 모델을 이용하여 테스트 데이터를 분석한 결과, 결과에 오차가 크게 발생했다. 

이에 대한 원인으로 학습데이터로 사용된 사진을 얻는 과정에서 고정된 CCTV로 촬영하다 보니 제한된 각도로 촬영한 데이터만 있으며, 안전모를 착용하지 않은 근로자의 사진 데이터가 부족했기 때문이라고 생각했다. 만약 안전모를 쓴 사람과 쓰지 않은 사람 두 데이터군이 충분하고, 다각도의 데이터가 존재한다면, 정확하고 나은 결과값을 얻을 것이라고 생각된다. 건설현장의 안전모를 착용하지 않은 근로자의 사진 데이터 set은 공식적으로 획득하기가 어려웠기에 정확한 시뮬레이션을 위해 모형 시뮬레이션 과정을 진행하고자 한다.

상세설계

건설 현장 모형 제작

제작과정

앞서 실제 현장 데이터를 모니터링 과정에서의 문제점을 개선하여 시뮬레이션 과정을 진행하기 위해 건설현장 모형을 제작했다. 제작과정은 다음과 같다.

모형 제작을 함에 있어 보호구를 쓴 사람 10명과 쓰지 않은 사람 7명으로 두 데이터군이 모두 충분하도록 배치하였다.

영상 데이터 획득 및 이미지 데이터 추출

전체 건설현장 모형은 위와 같으며, 건설현장 모형 외곽에 이동식 촬영 장치(기차 모형과 휴대폰 사용)를 설치하여 건설현장 모형의 전반적인 영상 데이터를 얻었다. 촬영 각도를 달리하여 1바퀴 7초의 영상 데이터를 2개 생성 후, 각 영상 데이터로부터 1초당 20프레임씩 이미지 데이터를 추출하여 총 약 300장의 이미지 데이터를 얻었다. 

객체탐지 딥러닝 학습을 위해 추출된 이미지 데이터를 학습 데이터군과 테스트 데이터군으로 분류하고, 분류된 학습 데이터군에 대해서는 각각 라벨링 과정을 진행하고자 한다. 데이터 라벨링은 보호구를 착용한 인물, 보호구를 착용하지 않은 인물 이렇게 두 가지 클래스로 분류하여 진행하며, 라벨링 된 학습데이터를 이용해서 객체탐지 딥러닝 모델인 Faster R-CNN을 학습시키고자 한다. 이후, 학습한 딥러닝 모델을 테스트함으로써 이동식 CCTV로 건설현장 내 인물의 보호구 착용 여부를 잘 판별할 수 있는지 가능성을 확인하고자 한다.

모형 데이터 기반의 딥러닝 학습

앞서 수집한 데이터 중 140장의 이미지를 객체 탐지 딥러닝 모델 Faster R-CNN의 학습데이터로 사용하기로 하였다. 학습을 위해서 각각의 이미지에 대한 라벨링 작업을 수행하였다. 

위 예시 자료와 같이, 각 이미지에서 보호구를 쓰지 않은 인물을 적색의 Wrong Class로, 보호구를 잘 착용한 인물을 청색의 Right Class로 지정하였다. 각 인물에 외접하는 Bounding Box를 표기하는 방식으로 라벨링을 완료하였다. 

라벨링 완료한 학습데이터를 활용하여 Faster R-CNN 모델을 학습하였다. 학습은 Matlab 프로그램을 이용하여 진행되었다. 

프로젝트를 진행한 컴퓨터의 GPU의 사양을 고려하여 MaxEpoch(학습 반복 횟수)를 10, minibatchsize를 1로 설정하였다. 학습에는 약 4시간이 소요되었다.

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

학습이 완료된 모델의 test 결과는 아래와 같다. 

Test 결과

보호구를 착용한 인물(Right)과 착용하지 않은 인물(Wrong)을 대체로 잘 탐지하지만, 인물이 아닌 기타 물체를 인물로 인식하는 오탐지가 발생하였다. 

다음으로는 실제 이동식 카메라를 도입한 현장에 대한 시뮬레이션을 실시하였다. 우선 건설현장 모형 주위로 설치한 촬영 장비를 이용하여 현장 전반을 순환하는 영상을 취득하였다. 이러한 영상에 대한 보호구 착용 여부 탐지 점검을 위해 Matlab 상의 영상 프레임 분할 및 병합 코드를 구현하였다. 

촬영한 영상은 위의 코드 내에서 초당 20프레임으로 분할된 후, 딥러닝 모델에 입력된다. 이후에 모델로부터 출력된 이미지는 다시 영상으로 병합되어 최종 결과물로 저장된다. 아래는 이와 같이 시뮬레이션한 두 영상 내 화면이다. 

파일:8D.mp4 <시스템 시뮬레이션 영상>

이미지 기반의 테스트에서와 마찬가지로, 보호구를 착용한 인물과 미착용한 인물을 대체로 정확하게 탐지하는 반면, 인물이 아닌 기타 물체를 인물로 오탐지하는 경우가 발생하기도 했다. 

원인 분석

   위와 같은 오탐지의 주된 원인은 크게 두 가지가 있다. 

학습데이터의 부족

 - 딥러닝에서 학습데이터는 성능을 결정하는 주요소이다. 학습데이터의 양이 많을수록, 다양한 유형의 이미지를 포함할수록 임의의 객체를 정확하게 탐지할 수 있다. 그러나 프로젝트의 여건상 오직 140장의 학습데이터만 구축할 수 있었고, 촬영 데이터의 다양성도 부족하였다. 140장만의 이미지만으로 위와 같은 성능을 달성하였으므로 충분한 데이터로 추가 학습한다면 더욱 향상된 결과를 얻을 수 있다고 예측된다. 
 - 사람 모형을 고정시켜 놓은 채로 촬영하여 사람 모형에 대한 학습데이터가 제한적이었다. 사람 모형의 위치를 바꿔가며 촬영했다면 더욱 다양한 종류의 학습데이터를 획득하여 이전보다 정확하게 임의의 객체를 탐지할 수 있었을 것이다.

학습 환경의 한계

 - 딥러닝 학습에는 고 사양의 메모리와 GPU, CPU가 요구된다. 사용 가능한 컴퓨터 중 가장 사양이 높은 연구실 데스크탑에서 프로그래밍을 진행했음에도 GPU 부족 경고가 발생하여 학습 반복 횟수를 낮추었다. 최소한의 학습 조건으로 진행하여 아쉬운 오탐지 요소가 있었지만, 다양한 데이터와 더불어 학습 조건을 높인다면 향상된 모델을 얻을 수 있을 것이다.

포스터

관련사업비 내역서

내용

완료작품의 평가 및 향후 계획

효율성 및 경제성에 관한 한계 보완

본 프로젝트에서 고정식 cctv 대신 이동식 cctv를 도입한 이유는 경제적 측면에 대한 고려이다. 대규모의 건설 현장을 전체적으로 촬영하기 위해서는 다수의 카메라가 필요하며 이는 비용적 문제로 연결된다. 따라서 보호구 착용 여부를 비롯하여 건설 현장 진행 사항을 전반적으로 감독하는 감리인의 업무를 보조하는 역할을 할 수 있는 한 대 또는 최소한의 cctv를 도입하고자 한 것이다. 
이동식 cctv는 주기적으로 건설 현장의 전체적인 외관을 모니터링할 수 있지만, 주기가 돌아오는 동안은 해당 부분을 모니터링하지 못 한다. 이에 대해 이동식 cctv의 주기가 길다면 근로자들이 모니터링 시스템을 피하기 쉬워서 효용성이 낮다는 우려가 제기될 수 있다. 하지만 산학협력기업 자문 결과, 위험 지대에서 근로하는 도중에 모니터링 시스템의 위치를 실시간으로 의식하여 기피하는 경우보다는 모니터링 시스템이 존재함으로써 근로자의 안전 의식이 제고되는 효과가 더 클 것으로 판단하였다. 

향후 더욱 고도화된 기술로의 발전 가능성

현재 개발한 기술은 단순히 근로자의 보호구 착용 여부를 모니터링하는 시스템이다. 이 시스템은 안전을 위협하는 다른 요인들을 종합적으로 모니터링하는 기술로 고도화할 수 있다. 작업자 화면 밖의 중장비(포크레인, 고소작업대)의 위치, 작업의 진행 상황에 따른 낙하물 위험 등의 모니터링이 그 예이다. 영화 ‘마이너리티 리포트’에서 빅데이터를 통해 범죄가 발생하기 전 범죄를 예방한 것처럼, 안전사고가 발생하기 전에 위험 요소를 예측하여 대응하는 미래 지향적 방향으로 발전할 수 있다. 
또한 첨단 촬영 장비를 결합하여 활용성을 높일 수도 있다. 현재 무인 드론 등이 건설 현장 곳곳에 도입되며 머지않아 드론이 상용화될 것임을 암시하고 있다. 지상의 이동식 촬영 장비에서 나아가 무인 항공 촬영 장비에 본 딥러닝 기술을 도입한다면 더욱 다양한 구조물 건설 현장에서의 모니터링 기술로 발전할 수 있을 것이다. 

모형 기반 개발 기술을 실제 건설 현장으로의 확장 필요

본 프로젝트는 직접 제작한 건설 현장 모형 내에서 개발 및 시연하였다. 비교적 소규모의 건설 현장에 약 20명의 인물 모형을 배치하여 시스템을 개발하였으므로 실제 현장의 복잡성을 충분히 반영하지는 못 했다. 공개 데이터의 미비 및 실제 현장에는 접근이 어려웠으므로 프로젝트 기간 내에 확장하지 못 하였지만, 추후에는 실제 현장의 촬영 데이터를 이용하여 다시 딥러닝을 개발하여 평가하는 것이 필요하다. 
이를 위해서는 다양한 건설 현장에서의 촬영 데이터(보호구 착용 인물 및 미착용 인물에 대한 이미지)를 충분히 수집하고, 이에 대한 라벨링 작업을 통해 충분한 학습데이터를 구축할 필요가 있다. 다음으로는 이러한 다량의 학습데이터를 감당 가능한 고성능 CPU 및 GPU가 구비되어야 한다. 딥러닝 학습용 고사양 개발 PC를 이용하여 딥러닝을 개발한다면, 실제 건설 현장에서도 충분한 모니터링 성능을 보일 것으로 예상된다.  

산학협력기업 자문

산학협력기업: ㈜케이블 브릿지

본 종합설계 프로젝트를 진행하며 ‘케이블브릿지’라는 교량 설계 및 시공 전문 기업과 산학협력을 진행하였다. 케이블브릿지는 유신 엔지니어링에서 일하던 기술자들이 나와서 2011년 설립한 중소기업이다. 설립 당시 본래의 목적은 울산대교 등 유신 엔지니어링에서와 같이 대규모 케이블 교량을 개별적으로 수주하여 설계 및 시공을 하는 것이었다. 그러나 이러한 대규모 구조물은 대부분 대형 시공사에서 수주하므로 소규모 신설 기업이 수주하기에는 어려움이 있었다. 그래서 수주 경쟁이 치열한 대규모 교량 대신, 보도교를 전문으로 하는 방향으로 사업 목적을 변경하였다. 
이후 케이블 브릿지는 각 지역의 관광지 등에 설치되는 출렁다리를 다수 설계 및 시공하며 기술력을 인정받았다. 대표적인 담당 구조물은 잠실 롯데타워의 스카이 브릿지, 거창의 최초 Y자형 출렁다리 등이 있다. 현재 설계중인 600m 가량의 출렁다리는 2022년경 완공 예정이며, 이는 세계 최장의 보도교로서 World Record에 기록될 예정이다. 

기업 자문 일자 및 장소

일자: 2021.12.03.(금) 14시30분~16시30분 장소: 서울시 강서구 공항대로 212, 마곡퀸즈파크 11, A동 705호

참여 인원

케이블 브릿지 설계 팀장 구기정 이사 (토목구조기술사) SOC 1조 담당교수 김선중 SOC 1조 팀장 정지홍 SOC 1조 팀원 장현진 SOC 1조 팀원 정세란

자문 내용

본 종합설계 프로젝트를 통해 개발한 시스템은 단기간에 적은 인원 및 재원으로 연구되어, 현업에 적용하기 위해 아직 보완해야 할 점과 나아갈 단계가 있을 것으로 판단하였다. 비록 학기 내에 기술을 완전히 개발하지는 못 하였더라도, 현재 시스템의 한계점 등에 대해 분석하여 추후에 진행되어야 할 단계를 보다 명확히 하고자 하였다. 
이를 위해 실무자에게 본 프로젝트를 소개하고, 이에 대한 객관적인 평가를 들으며 보완점에 대해 함께 논의하고자 하였다. 뿐만 아니라, 졸업을 앞둔 토목공학도들로서 추후 진로에 대한 현실적인 조언 등을 상담하는 유익한 시간을 가졌다. 

다음은 산학협력기업과 진행한 질문 사항 및 답변 내용 중 일부이다. 

▶ 질문

저희는 현재 ‘영상 기반 보호구 착용 여부 모니터링 시스템’을 주제로 졸업 설계 프로젝트를 진행하고 있습니다. 딥러닝을 이용하여 보호구를 미착용한 인물을 인식하는 인공지능을 개발하였고, 이를 건설 현장의 cctv에 적용하여 실시간으로 근로자들의 보호구 착용 여부를 점검하고자 하였습니다. 현재 공사장 출입 시 보호구 착용을 점검하는 기술이 있는데, 추가적으로 현장 내 이동식 또는 고정식 cctv에도 적용해보려고 하였습니다. 

- 이와 같은 시스템이 실제로 현장에서 안전 인식 제고에 효과가 있을지, 아니면 어떠한 한계점이 있고 보완이 필요할지 궁금합니다. - 교량 등의 구조물 건설 현장에도 cctv를 일반적으로 설치하는지, 아니면 cctv 설치 비용 등의 문제로 어려움이 있는지 궁금합니다.

▶ 자문 결과

√ 건설 현장에 설치할 수 있는 cctv 수에는 한계가 있다. 비용의 문제와 시설의 문제 등이 있기 때문이다. 그렇기 때문에 건설현장의 모든 구석을 촬영하기에는 한계가 있을 것이다. 그래서 근로자들이 cctv를 피해 그러한 사각지대로 가서 안전모를 벗는다면 이를 감지하기는 어려울 수 있다.

√ 하지만 단순히 보호구를 벗는 것이 문제가 되기보다는 위험한 위치에서 위험한 작업을 할 때의 안전 보호구 미착용이 보통 문제가 되곤 한다. 그렇기 때문에 위험 요소가 있는 장소 위주로 cctv를 설치한다면 사고 예방에 효과가 있을 것으로 보인다.

√ 추가적으로 그러한 모니터링 시스템이 가동되고 있다는 사실만으로 안전 의식 제고에 꽤 효과가 있을 것으로 보인다. 일례로, 케이블 브릿지에서 시공한 출렁다리가 유명 관광지가 되며 더 멋지게 사진을 찍으려는 관광객들의 욕심 때문에 철조망에 손과 발을 집어넣다가 시설이 수차례 손상되어 문제가 발생한 적이 있다. 이러한 문제가 반복되자 다리의 끝과 끝에 cctv를 설치하고, cctv 촬영 중이니 주의하라는 표지판을 부착했다. 사실 양 끝의 cctv로 다리 중간의 훼손 상황이 정확히 촬영되지는 않았다. 하지만 그 존재와 경고만으로도 사람들에게 경각심을 주어서 이후로는 아직까지 한 차례의 유사 사건이 일어나지 않았다. 이와 같이 학생들이 개발한 모니터링 시스템도 100% 완벽하지 않더라도 안전 제고에는 효과가 있을 것이라고 생각한다.

참고문헌

고용 노동부-보호구 미착용 사망 사고 통계(2p, 사진 1) https://www.donga.com/news/Society/article/all/20180503/89928109/1

고용노동부, 2021년 7월 ‘현장 점검의 날’ 건설현장 대상 일제 점검 결과(2p, 표 1) http://www.moel.go.kr/news/enews/report/enewsView.do?news_seq=12500

포스코 건설 – 스마트 건설 사례(3p, 사진) https://newsroom.posco.com/kr/%EC%8A%A4%EB%A7%88%ED%8A%B8%ED%95%98%EA%B2%8C-%EA%B1%B4%EC%84%A4%ED%98%84%EC%9E%A5-%EC%95%88%EC%A0%84%EC%9D%84-%EC%B1%99%EA%B8%B0%EB%8A%94-%ED%8F%AC%EC%8A%A4%EC%BD%94%EA%B7%B8%EB%A3%B9-%EB%A7%8C/

SK 건설 – 건설 현장에 빅데이터를 활용한 안전 시스템 구축, 첨단 안전 관리 시스템 도입(3p, 사진) https://www.donga.com/news/Economy/article/all/20201013/103405305/1 https://www.ajunews.com/view/20190403151016853

유럽 incoresoft사(4p, 사진) https://incoresoft.com/

미국  HCS(Human Condition Safety)사(4p, 사진) hcsafety.com

중소벤처기업부 – 중소기업 기술 로드맵 (빅데이터, 인공지능, iot, 재난안전)(5p 사진, 표) http://smroadmap.smtech.go.kr/

국토교통부 – 스마트 건설기술 로드맵(2018.10.31.)(5p 사진, 표)

AI hub- 경기도 하남 감일 11공구 아파트 신축공사 현장(13p, 사진)

산학협력 업체 ㈜케이블 브릿지(22p, 사진) http://www.cablebridge.com/