노이제로
env wiki
프로젝트 개요
기술개발 과제
국문 : 딥러닝을 이용한 교통사고음 감지 모델 개발 영문 : Development of traffic accident noise model using deep learning
과제 팀명
노이제로
지도교수
박승부 교수님
개발기간
2022년 3월 ~ 2022년 6월 (총 4개월)
구성원 소개
서울시립대학교 환경공학부 20188900** 김*종(팀장)
서울시립대학교 환경공학부 20208900** 김*민
서울시립대학교 환경공학부 20178900** 서*범
서론
개발 과제의 개요
개발 과제 요약
- 뺑소니 사고 발견 지연을 방지하기 위한 교통사고 소음 감지 모델 개발.
개발 과제의 배경
- 교통사고 발견 지연으로 인한 피해는 사회적으로 심각한 문제임.
- 특히 [표 1]과 같이 심야 시간대(02~06시)의 교통사고 건수는 상대적으로 적으나, 높은 치사율이 나타남.
- 이는 인적이 드문 시간대의 지연된 사고발견이 원인으로 판단됨.
- 기존의 CCTV, 신고접수 방법은 신속한 감지 및 대응이 어려움
- 경찰청 자료에 따른 2021년 뺑소니 사고 건수는 7,492건으로 교통사고 감지 기술 개선의 필요성을 시사함.
개발 과제의 목표 및 내용
- 딥러닝을 이용한 교통사고 소음 감지 모델을 개발하여 교통사고 감지 시간을 단축하고, 인명피해 및 추가 피해를 방지.
- 교통사고 소음 데이터를 수집한 후, 이를 스펙트로그램(Spectrogram) 전처리를 통해 음향데이터 시각화.
- 시각화 한 데이터의 특징을 합성곱 신경망(CNN, Convolutional Neural Network) 모델에 학습.
- 이후 개발된 모델 상용화를 위한 교통사고 소음 감지 모델 설계.
경쟁력 분석
관련 기술의 현황 및 분석(State of art)
1. 차량 간 통신(V2V) 기술
- 차량에 장착된 무선 통신 장치를 사용하여 서로 위치, 속도, 주행경로, 사고 발생 여부 등의 교통상황 정보를 공유하는 기술.
2. CCTV와 인공지능(AI) 기술
- CCTV와 인공지능 기술을 결합하여 교통사고를 감지하는 시스템 개발.
- CCTV의 영상정보를 실시간으로 수집하고, 인공지능 알고리즘을 활용하여 영상 데이터를 분석하고 판단하는 방식으로 작동.
- 교통상황을 감지하여 사고 발생 가능성을 예측함으로써 사고발생 저감 및 교통안전 강화.
특허 조사 및 특허 전략 분석
1. 관련 특허 조사
2. 특허 전략 분석
- 도로교통소음에 특화된 딥러닝 기반 음향 사건 탐지 시스템을 구축하여 기존 특허와 차별성을 둠.
- 도로교통소음에 적합하도록 자동차 경적, 브레이크 소음 등 예상 설치 장소인 외진 도로에서 발생할 수 있는 소음(야생동물의 울음소리 등)을 분별 소음으로 입력하여 감지시스템의 정확도 향상.
- 상용화 시, 옥외용 마이크로폰과 결합한 시스템을 개발함으로써 실시간으로 수집한 데이터를 개발 시스템에 자동 입력하여 경보를 울려 사고발견 지연을 예방
3. 기술로드맵
관련 시장에 대한 분석
1. 경쟁제품 조사 및 비교: e-Call
- 개요: '인공지능 기반의 교통사고 감지 시스템 적용 사례 분석' 논문에서 e-Call이라고 불리는 차량 긴급구조체계 서비스에 사용될 수 있는 여러가지 감지 시스템을 리뷰함.
- 차량 충돌 시 발생하는 충격으로 감지하는 시스템
- 차량 블랙박스 영상을 이용한 사고 감지 시스템
- 동향: EU는 교통사고의 인명피해를 최소화하기 위해 2018년 4월 이후 출시되는 모든 신차에 e-Call 장착을 의무화한다고 밝힘. 비슷한 시스템으로는 러시아의 ERA-GLONASS로 해당 시스템도 2017년부터 의무화되었음.
- 문제점
- 기존 차량 및 중고차를 사용하는 소비자들은 과도한 설치비용 부담
- e-Call 시스템으로 인해 개인정보 노출 가능성 존재
- 교통사고 시 차량 내부 기기 결함으로 인한 미작동 가능성 존재
- 개발 과제의 이점
- 차량의 사고에 따른 오작동 방지
- 차량의 성능과 무관하여 자동차 생산일자에 따른 성능차 없음
2. 마케팅 전략
- SWOT 분석: 본 개발 과제의 SWOT 분석을 통해 내외부적 강점과 약점을 파악하고 마케팅 전략을 수립.
개발과제의 기대효과
1. 기술적 기대효과
- 정확한 교통사고 소음 분류: CNN은 이미지 처리 분야에서 강력한 성능을 발휘하는 딥러닝 모델이다. 오디오 신호를 시간-주파수 영역으로 변환하고 해당 영역에서 패턴을 학습하여 교통사고 소음을 정확하게 분류할 수 있다.
- 실시간 처리: 교통사고는 신속한 대처가 필요한 상황으로, CNN 모델은 GPU를 이용하여 고속으로 연산을 수행할 수 있으며, 이를 활용하여 교통사고 소음을 실시간으로 처리할 수 있다.
- 다양한 활용분야: 교통사고 소음 분류 모델은 교통사고 예방 및 처리 뿐만 아니라 다양한 분야에서 활용할 수 있다. 예를 들어, 도로 건설 시 교통사고 소음을 예측하여 방음벽 설계에 활용하거나, 도시계획 시 교통량과 교통사고 소음의 관계를 파악하여 도시환경 개선에 활용할 수 있다.
2. 경제적 및 사회적 파급효과
- 기존의 교통정보용 CCTV는 한 장소에 설치할 때 카메라를 포함하여 1억 2000만 원의 비용이 소요된다.(기호일보, 2009) 반면에 교통사고 소음 감지 모델은 마이크 가격과 설치 비용을 고려했을 때 약 300만 원 미만의 비용이 소요될 것으로 추정된다.(ROGA Instruments,n.d.)
- 특히 기존의 교통정보용 CCTV와 교통사고 소음 감지 모델을 함께 사용할 때 파급효과가 클 것으로 예상된다. 300만원 미만의 비용을 추가 투자하는 것으로 교통사고 감지율을 크게 향상시킬 수 있다.
경제성 분석
1. 생명가치 산출
본 과제 개발을 통해 얻을 수 있는 이익은 인간의 생명이다. 따라서 생명가치를 산출하여 후생 증가액을 산정하고자 한다. 진술선호법을 이용한 사전연구에 따르면, 교통사고 사망에 대한 통계적 인간생명가치는 평균 69억 8,000만 원 정도이다(원두환, 2020). 2021년 뺑소니 사망자는 98명으로 교통사고 소음 감지 모델을 도입하여 모든 뺑소니 사망사고를 예방했다고 가정했을 때, 이는 6,840억 4,000만 원으로 환산할 수 있다. 뺑소니 이외의 교통사고 감지 지연으로 발생한 사망자 수를 추가해 계산한다면, 사회적으로 대략 1조 이상의 후생 증가가 이루어질 수 있다.
2. 비용 편익 분석(B/C ratio)
- 편익(Benefit)
- 본 과제 개발을 통해 얻을 수 있는 이익은 ‘인간의 생명’이므로 앞서 산출한 생명가치를 이용하여 비용편익분석을 실시하였다. 이때 뺑소니 사고가 가장 많이 발생한 ‘경기도’를 시범지역으로 선정하였고, 마이크로폰의 설치간격은 절대적인 기준이 부재하므로 경기도의 2023년 기준 교통단속 및 교통정보 수집용 CCTV 옆에 설치하는 것으로 가정하였다. 이는 CCTV의 사각지대라는 단점을 보완하고 전국에 도입하기 전에 구축된 모델의 분류 정확도를 확인하여 성능을 검증하기 위해 가정한 요소이다.
- 앞서 진술선호법을 통해 산출된 1명에 대한 통계적 인간생명가치는 69억8천만원이며 경찰청 통계에 따라 2021년 경기도 뺑소니 사망자 수는 18명으로 ‘노이제로 시스템’ 도입을 통해 얻을 수 있는 총편익(B)은 약 1,256억4천만원이다.
- 총 편익(B) = 6,980,000,000원/1명 * 18명 = 125,640,000,000원
- 비용(Cost)
- 반면, 마이크로폰 1대당 가격은 선정한 ‘MP40’ 마이크로폰 모델 가격 150만원에 1대당 설치비용 50만원을 추가하여 1대당 총비용을 200만원으로 가정하였다. 마이크로폰의 설치주기를 구하기 함에 앞서 마이크로폰의 설치주기는 수음성능과 관련있다. 이때, 마이크로폰의 수음성능은 모델마다 상이하여 객관적인 수음성능지표가 제시되어있지 않다. 그러나 일반적인 옥외용 마이크로폰의 경우 수백m에서 수km의 수음성능을 갖는 것으로 알려져 있기 때문에 본 설계에서 마이크로폰의 수음거리를 500m로 가정하여 계산하였다.
- 2023년 기준 경기도 CCTV의 대수는 총 4,147대이며 국토교통부에 따른 2022년 기준 경기도 도로연장길이는 14,813km로 CCTV 1대당 이격거리는 3.57km/대임을 알 수 있다.
- 이때, 마이크로폰의 수음거리는 500m로 가정하였으므로 CCTV 1대당 마이크로폰 7대를 설치하는 것과 같다.
- 따라서 설치할 마이크로폰의 개수는 CCTV 개수인 4,147대에 7배한 29,029대로 설정하였다. 총비용을 산출한 결과는 580억5천8백만원이다.
- 경제성 분석 결과
- 최종적으로 B/C 분석을 실시하면 B/C 비율이 2.16으로 1을 초과하기 때문에 개발 과제의 경제적 타당성이 충분한 것으로 판단된다.
기술개발 일정 및 추진체계
개발 일정
구성원 및 추진체계
- 서*범: 유튜브 교통사고 소음 데이터 수집, 분별해야 할 유사소음(고라니 울음소리, 도로교통 소음, 항공기 소음 등) 데이터 수집 및 전처리
- 김*종: 효과음 플랫폼의 데이터 수집 및 전처리, CNN 기반 모델 개발, 시뮬레이션
- 김*민: 데이터 이미지화(Spectrogram) 및 데이터 가공, CNN 기반 모델 개발, 시뮬레이션
설계
제품 요구사항
- 요구사항
- QFD(Quality Function Deployment)
- 고객 요구사항과 기술 요구사항 간 상관관계를 나타냄
개념설계안
설계사양
시스템 운영
- 딥러닝을 이용한 IoT 기반의 사고 감지 시스템
- 설계 시스템 개요
- 목적계통도
- 교통사고 소음의 효율적인 관리를 위해 설계 시스템은 위 그림과 같이 구성된다. 사고 감지 시스템에 IoT 기술을 적용하여 옥외용 마이크로폰을 통해 교통소음을 수집하고, 수신기를 통해 중앙관리시스템인 ‘노이제로 시스템’과 연결하여 정보통신의 용이성을 얻는다.
- 중앙관리시스템인 ‘노이제로 시스템’에 수집되는 정보에는 일반적인 도로교통소음이 해당된다. ‘노이제로 시스템’에는 본 설계에서 구축될 딥러닝 기반의 사고 소음 감지 모델이 적용될 예정이며, 해당 시스템은 도로교통 소음 중 교통사고 소음만을 선별하여 사고 발생 시 교통정보센터에 알림을 보낸다. 이후 교통정보센터에서 데이터를 발신한 수신기의 위치를 확인하여 사고 위치를 정확히 파악하고 긴급 구조대에 긴급 구조요청을 보내 사고에 신속히 대응할 수 있도록 한다. 만약 해당 위치에 인접한 CCTV가 있는 경우에는, CCTV 수동 조작을 통해 사고의 진위여부를 재확인하는 과정을 거쳐 정확도를 높일 수 있다.
모델 시연 모식도
-
- 교통사고 소음 감지 모델이 효과적으로 작동하기 위해서는 교통사고 소음과 일반 도로교통 소음을 구별하는 기능이 가장 우선적이다. 따라서 개념설계안에서는 본 기능이 올바르게 작동하는 것을 명시적으로 나타내는 프로그램 설계를 목표로 하였다.
- 교통사고 소음은 충돌음으로 설정하였으며, 도로교통 소음은 충돌음과 혼동될 가능성이 있는 브레이크음, 고라니음, 항공기음으로 설정하였다. CNN상에 소리 파일(wav, mp4 등)을 입력했을 때 충돌음의 경우에는 “충돌음입니다” 텍스트를 출력한 뒤에 경보음 파일을 실행한다. 브레이크음, 고라니음, 항공기음의 경우에는 “충돌음이 아닙니다.” 텍스트를 출력한다. 이를 통해 충돌음, 브레이크음, 고라니음, 항공기음의 4가지 유형의 소음 중 충돌음을 선택적으로 구별한다.
상세설계
소프트웨어 설계
- 소프트웨어 설계는 두 가지 모델의 성능 검증 실시
- Method 1: 제작 CNN 모델
- Method 2: 구글넷 특징을 활용한 CNN 모델
1. 입력 데이터셋 및 전처리
- 입력데이터셋
- 입력 데이터는 충돌음 이외에도 도로에서 발생할 수 있는 분별 소음인 브레이크 소음, 고라니 울음소리, 항공기 소음을 데이터셋으로 구성하였다. 이때 충돌음의 개수가 부족하여 데이터 증강 기법(Data Augmentation)으로 충돌음의 개수를 153개로 늘렸다. 따라서 전체 데이터셋의 개수는 564개이다.
- 음향데이터 변환 및 전처리
- 각 소음별로 수집한 전체 음향 데이터를 CNN의 입력값으로 사용하기 위해 전처리 과정을 나타냈다. wav 파일 형태의 음향 데이터를 스펙트로그램 이미지로 변환하였다. 이때 신호처리에 사용된 것은 주파수 성분의 구성만을 확인할 수 있는 ‘고속 푸리에 변환(FFT, Fast Fourier Transform)’의 단점을 극복하고, 시간에 따라 특성이 변하는 신호 분석에 용이한 ‘국소 푸리에 변환(STFT, Short Time Fourier Transform)’을 선택하였다. 최종적으로 변환된 STFT 스펙트로그램은 해당 소음원 파일에 저장하였다. 각 소음에 따른 스펙트로그램 이미지는 다음과 같다.
2. Method 1: 자체 제작한 CNN 모델의 구조 및 성능
- CNN 모델 구성
- 본 과제에서 설계한 CNN 모델의 구성, 구조 및 코드는 다음과 같다.
- 전처리를 마친 데이터를 활용한 분류 모델 구성
- 각 소음에 대한 음향 데이터를 STFT 스펙트로그램 이미지로 변환하는 전처리 이후, 전처리를 마친 스펙트로그램 이미지를 입력값으로 설정하였다.
- 100 Epoch에 따라 검증손실 및 검증정확도 변동을 나타낸 그래프를 보면 50 이상의 Epoch에서 검증손실이 증가하였는데, 이는 과적합으로 판단할 수 있다. 따라서 Epoch를 50으로 수정한 모델에서 50 Epoch에서 최적의 성능을 보였으며, 이때 검증 손실은 0.0403, 검증정확도는 0.9908이다.
- 모델 성능 평가 이론
- 코드에 구성된 Accuracy 이외에 분류 모델의 추가적인 성능 평가를 진행했다. 분류 모델(Classifier) 평가 시에는 주로 Confusion Matrix를 기반으로 측정한다. 이때 추가로 사용된 성능평가지표는 Precision, Recall, F1 Score이다. 모든 성능평가지표들은 0~1사이 값을 가지며, 1에 가까울수록 좋다.
(1) Confusion Matrix(혼동 행렬, 오차 행렬)
- 다음 표는 분류 모델의 성능을 측정하는 데 자주 사용되는 표로 모델이 두 개의 클래스를 헷갈려하는 정도를 알 수 있다.
- T(True): 예측한 것이 정답 - F(False): 예측한 것이 오답 - P(Positive): 모델이 positive라고 예측 - N(Negative): 모델이 negative라고 예측 - TP(True Positive): 모델이 positive라고 예측했는데 실제로 정답이 positive (정답) - TN(False Negative): 모델이 negative라고 예측했는데 실제로 정답이 negative (정답) - FP(False Positive): 모델이 positive라고 예측했는데 실제로 정답이 negative (오답) - FN(False Negative): 모델이 negative라고 예측했는데 실제로 정답이 positive (오답)
(2) Accuracy(정확도)
- 본 지표는 모델이 전체 문제 중에서 정답을 맞춘 비율을 의미한다. 이때 positive:negative=9:1인 경우와 같이 데이터가 불균형할 때 Accuracy만으로는 제대로 분류했는지 알 수 없기 때문에 Recall과 Precision을 사용한다.
- 섬네일을 만드는 중 오류 발생: convert: ../../magick/semaphore.c:346: LockSemaphoreInfo: assertion `semaphore_info != (SemaphoreInfo *) NULL' 실패.
/usr/bin/timeout: the monitored command dumped core
/var/www/capstone/env/includes/limit.sh: line 101: 21215 중지됨 /usr/bin/timeout $MW_WALL_CLOCK_LIMIT /bin/bash -c "$1" 3>&-
Error code: 134
(3) Precision(정밀도)
- 본 지표는 모델이 Positive라고 예측한 것들 중에서 실제로 정답이 positive인 비율을 의미한다. 실제 정답이 negative인 데이터를 positive라고 예측하면 안 되는 경우 중요한 지표가 된다. Precision을 높이기 위해서는 FP(False Positive)를 낮추는 것이 중요하다.
- 섬네일을 만드는 중 오류 발생: convert: ../../magick/semaphore.c:346: LockSemaphoreInfo: assertion `semaphore_info != (SemaphoreInfo *) NULL' 실패.
/usr/bin/timeout: the monitored command dumped core
/var/www/capstone/env/includes/limit.sh: line 101: 21224 중지됨 /usr/bin/timeout $MW_WALL_CLOCK_LIMIT /bin/bash -c "$1" 3>&-
Error code: 134
(4) Recall(재현율)
- 본 지표는 실제로 정답이 positive인 것들 중에서 모델이 positive라고 예측한 비율을 의미한다. 실제 정답이 positive인 데이터를 negative라고 잘못 예측하면 안 되는 경우에 중요한 지표가 된다. Recall을 높이기 위해서는 FN(False Negative)을 낮추는 것이 중요하다.
- 섬네일을 만드는 중 오류 발생: convert: ../../magick/semaphore.c:346: LockSemaphoreInfo: assertion `semaphore_info != (SemaphoreInfo *) NULL' 실패.
/usr/bin/timeout: the monitored command dumped core
/var/www/capstone/env/includes/limit.sh: line 101: 21233 중지됨 /usr/bin/timeout $MW_WALL_CLOCK_LIMIT /bin/bash -c "$1" 3>&-
Error code: 134
(5) F1 Score
- 본 지표는 Recall과 Precision의 조화평균으로, Recall과 Precision은 상호 보완적인 평가지표이기 때문에 주로 F1 Score를 사용한다. Precision과 Recall이 한 쪽으로 치우쳐지지 않고 모두 클 때 큰 값을 가진다.
- 섬네일을 만드는 중 오류 발생: convert: ../../magick/semaphore.c:346: LockSemaphoreInfo: assertion `semaphore_info != (SemaphoreInfo *) NULL' 실패.
/usr/bin/timeout: the monitored command dumped core
/var/www/capstone/env/includes/limit.sh: line 101: 21242 중지됨 /usr/bin/timeout $MW_WALL_CLOCK_LIMIT /bin/bash -c "$1" 3>&-
Error code: 134
- 모델 성능 평가 결과
- 각 성능평가지표를 도출한 결과는 다음 표와 같다. 성능평가지표의 값들이 1에 가깝기 때문에 설계한 모델의 분류 성능이 뛰어남을 확인할 수 있으며, 본 과제에서 요구한 설계사양 중 하나인 모델의 정확도가 80%이상으로 평가기준을 충족하였다.
3. Method 2: 구글넷(GoogLeNet)의 구조 및 성능
- 구글넷(GoogLeNet)
- 2014년 ImageNet에서 개최된 ILSVRC14(ImageNet Large-Scale Visual Recognition Challenge 2014)에서 우승한 인공신경망인 구글넷(GooGLeNet)을 해당 연구에 적용하여, 자체제작 모델과 성능 비교를 진행하였다. 단, 구글넷은 매우 복잡하고 긴 연산 구조를 가진 모델로, 구글넷의 전체 구성을 사용하는 것은 모델의 총 연산 소요 시간이 길며, 높은 메모리(RAM)를 필요로 하는 등의 단점이 존재한다. 그러므로 해당 모델의 특성을 유지하나 간소화한 형태로 사용하였다.
- 구글넷 구성
- 구글넷의 주요 특성인 인셉션 모듈
- 모델 성능 평가
- 앞선 모델과 동일하게 성능평가지표 Precision, Recall, F1 Score를 도출하였다.
4. 자체제작 모델과 구글넷의 성능 비교 및 최종 모델 선정
- 자체제작 모델과 구글넷의 성능 비교 결과, 네 가지의 성능지표 모두 구글넷이 우세한 것을 확인하였다. 이에 본 과제의 최종 모델을 구글넷으로 선정하였다.
- 파일:Method 1 표 6 자체제작모델의 성능평가지표별 결과값.jpg[표 12] 자체 제작 모델의 성능평가지표별 결과값
시뮬레이션
1. 새로운 데이터 입력 시 모델의 정확성 검증
- 구축된 CNN 모델 시뮬레이션을 위해 새로운 충돌음을 입력하였다.
- 충돌음, 브레이크음, 고라니음, 항공기음의 4가지 유형의 소음 중 충돌음을 선택적으로 구별하는 것이 본 알고리즘의 목표이다. CNN상에 소리 파일(wav, mp4 등)을 입력했을 때 충돌음의 경우에는 “충돌음입니다” 텍스트를 출력한 뒤에 경보음 파일을 실행한다. 브레이크음, 고라니음, 항공기음의 경우에는 “충돌음이 아닙니다.” 텍스트를 출력한다.
2. 검증 모델을 이용한 경보 시스템 설계
- 앞서 성능검증을 거친 모델을 활용하여 실제 상황을 가정한 경보음 작동 시뮬레이션을 실시하였다. 실제 충돌음 발생했을 때 교통상황실에 울리게 될 알림은 사이렌 경보음과 빨간색 점멸 LED 5회의 깜빡임이다. 따라서 아두이노를 이용하여 빨간색 LED와 경보음이 동시에 발동하도록 설계하였다.
- 아두이노 회로 설계
- 아두이노 회로 설계시 사용된 재료는 아두이노 우노보드, 브레드보드(빵판), 빨간색 LED 램프, 220Ω 저항, 수수점퍼선 2개, USB 케이블이다.
- 위의 재료를 사용하여 아두이노 LED 점등 회로를 구성하였다. LED는 두 개의 리드선 중 긴쪽이 +에 해당하므로 브레드보드 A열의 12번과 13번에 –핀과 +핀을 각각 연결한다. 일반적인 LED의 경우 구동전압이 1.5~2V인데, 아두이노 우노에서 사용하는 전압은 5V이므로 LED를 구동하기 위한 전압으로 낮추기 위해서 저항을 병렬로 연결한다. 이때 병렬저항은 220Ω이 사용되었으며 저항은 브레드보드 C열의 8번과 12번에 핀을 연결하였다. 이후 하나의 수수점퍼선을 이용하여 우노보드의 GND와 브레드보드 A열 8번을 연결하고, 나머지 수수점퍼선을 우노보드의 디지털IO 13번과 브레드보드 A열 13번을 연결하여 회로를 설계하였다.
- 파이썬 구성 코드
- 먼저 Python과 아두이노 간의 통신을 위해 ‘pip install pyserial’ 명령을 사용하여 pySerial 라이브러리를 설치하였다. 시뮬레이션을 위한 파이썬 코드 작성에는 ‘Visual Studio Code(VS code)’를 활용하였으며 구성한 코드는 다음과 같다.
- 입력 데이터가 충돌음일 경우 label이 1로 도출되도록 하고, 충돌음이 아니면 label이 0으로 도출되도록 구성하였다. label 결과값이 시리얼 통신을 통해 아두이노로 전송되면 아두이노 깜빡임 제어 코드에 따라 LED가 작동한다.
- 아두이노와 데이터 송⦁수신을 통해 데이터 처리가 끝나면 두 모델을 연동하는 시리얼 포트를 닫는다.
- 아두이노 구성 코드
- 파이썬 코드를 통해 입력 데이터의 충돌음 여부를 판단하여 시리얼 통신을 통해 Label값 1이 수신된 경우 아두이노 회로의 빨간색 LED가 5번 깜빡이도록 하고, Label값 0이 수신된 경우 LED가 깜빡이지 않고 꺼지도록 한다.
예상 구상도
- 본 설계의 시연결과에서는 별도의 마이크로폰을 설치하지 않았지만, 상용화 되었을 때를 가정하여 예상 구상도를 제작하였다.
1. 부품도
- 송⦁수신기는 가로15cm*세로10cm*높이30cm의 크기로 제작한다. 음을 받아들이는 마이크로폰은 마이크로폰 본체, Raincover, Birdspikes, 방풍망으로 구성된다. 마이크로폰의 길이는 25cm이고 본체 하단부의 지름은 2cm, 본체 상단부의 지름은 1.2cm로 제작하며 Birdspikes의 높이는 12cm이고 단축의 지름을 6cm 설계하여 타원체(Prolate Spheroids) 모양으로 제작한다. 우천을 대비한 Raincover는 밑면의 지름이 1.5cm, 윗면의 지름은 0.8cm로 설정하였고, 풍속이 2m/s 이상일 때 필수적으로 부착해야 하는 방풍망은 Birdspikes와 동일한 타원체 모양이고 단축의 지름은 6.5cm, 길이는 12cm로 제작한다.
2. 조립도
결과 및 평가
완료 작품의 소개
프로토타입 사진 혹은 작동 장면
가. 웹 어플리케이션
나. 관리자 웹사이트
포스터
완료작품의 평가
- 평가등급별 평가척도
- 최고 A에서 최저 E 사이의 등급으로 절대 또는 상대평가 진행
A : 매우 우수하며 결점 또는 약점이 없음
B : 우수하며 중대한 결점 또는 약점이 없음
C : 기본적인 요구사항을 충족, 결점이 있으나 보완 가능
D : 요구사항의 일부만을 충족, 보완가능성이 불확실
E : 요구사항을 충족하지 못하고 근본적인 결점 존재, 현재의 제안으로는 보완이 불가능
1. 차별성 평가
- 기술의 신규성
- 기존 전자폐기물의 수거 체계는 제조 기업의 서비스센터에 있는 폐전자제품 수거 시스템이나 공공기관의 폐가전 무상수거 또는 민간 기업의 수거 등으로 이루어진다. 이 때 몇몇 대형 가전(세탁기, 냉장고 등)에 대해서만 중량을 재고 나머지는 소형 가전으로 기록하며, 수거가 되는 것에 대해서 개별로 데이터를 기록하고, 통합 관리는 이루어지지 않고 있다. 하지만, 블록체인 기술을 이용해 수거 체계를 통합 관리한다면, 제조 기업의 서비스센터와 페가전 무상수거, 민간 기업의 수거에서 얻을 수 있는 모든 데이터를 실시간으로 투명한 통합 관리가 가능하다. 게다가, 사용연한에 대한 분석이나 어느 기업의 어느 제품인지까지 정확하게 알 수 있어 폐기물 통계에서 유의미한 정보를 획득하기 용이하다. 블록체인의 보안성과 거래속도 향상, 비용 절감이라는 장점을 여러 분야에서 인정받아 관련 기술 시장이 확장되고 있는 반면 현재까지 전자폐기물 처리 시스템은 구현되지 않았기에 본 설계의 핵심은 신기술을 도입한 처리 시스템을 구축하는 것이다. 기술의 차별성의 평가 요소는 다음과 같다.
- 폐기물을 수거하고 처리하는 것은 필수적인 과정이므로 관련 분야에 있어서 자동화 혹은 고효율화가 이루어져야 하고 기존 기술 대비 우수성을 가져야 한다. 위 표의 평가내용에 따르면 블록체인 기술이 적용된 폐기물 추적 시스템은 기술차별성이 우수하다고 판단할 수 있다.
2. 성능평가
- 보안성
- 현재 사용되고 있는 중저준위 방사성 폐기물 추척 관리 시스템 (WTS) 혹은 폐기물 적법처리 시스템 (올바로)의 경우 폐기물 이력 정보 및 처분과 관련된 모든 정보를 실시간으로 종합관리할 수 있는 기능을 갖추고 있다. 기존 시스템은 모든 정보를 데이터베이스화하여 문서관리 모듈을 활용하고 있으나 이는 별도의 암호화 통신 조치가 없다는 결점이 있으며 이로 인해 위변조의 가능성이 크다. 또한, 유선 랜에서 행해지는 다양한 공격방법이 무선랜 환경에서도 같게 사용되기 때문에 악의적인 사용자에 의해 공격당할 위험성이 있다. 블록체인 폐기물추적 시스템은 위변조할 수 없는 블록체인 기술을 도입함으로써 데이터의 무결성을 보장하는 동시에 보안 문제에 대한 위험요인을 제거할 수 있게 된다. 또한, 데이터 신뢰를 확보할 수 있는 적절한 서비스 모델을 구현하고자 사용자의 신분을 확인할 수 있는 스마트 컨트랙트를 활용하였다. 마지막으로, 개인정보에 대한 DB는 따로 두지 않고 주소와 개인 키를 통해 개인임을 인증하는데 이때 개인에 대한 다른 사적이거나 중요한 정보는 Klip 등을 통한 다른 서비스 내에 기록되기 때문에 개인정보에 대한 보안 위협이 없다.
- 접근성
- 본 설계는 웹 애플리케이션 ‘ECO Tracking’을 추가로 제작하고 이를 인터페이스로 활용하여 생산자, 사용자, 수거자 간의 정보 거래가 간단한 절차로 이루어지도록 하였다. 이는 스마트폰의 보급으로 모바일 APP의 시장이 폭발적으로 성장하고 있는 상황에서 개인화, 이동성 등의 강점을 극대화할 수 있을 것으로 판단된다. 도서관, 우체국 등 공공기관에서도 다양한 애플리케이션을 적극적으로 활용되고 있으며 이는 스티커를 부착하거나 동사무소를 방문하는 기존 방식보다 사용자(국민)에 대한 수용도가 더욱 높다는 것을 알 수 있다. 또한, 폐기물추적 시스템상에서 각 참여 단계의 구성원들이 시간 및 장소에 구애받지 않고 처리 상태를 확인할 수 있다는 점에서 높은 접근성을 가지게 된다. 또한, 이러한 시스템은 모두 퍼블릭 블록체인 상에서 이루어지기 때문에 모든 사용자가 폐기물에 대한 모든 통계와 데이터를 자유롭게 접근할 수 있다.
- 경제성 평가
- 4차 산업혁명의 핵심 기반 기술인 블록체인 산업 활성화 기반 조성을 위해서는 블록체인 산업의 경제적 파급효과와 사회적 기여도 분석에 대한 객관적인 효과 분석이 필요하지만 아직 이에 대한 구체적인 평가 기준이 없다. 그렇기 때문에 유사한 방안으로 경제성 분석을 실시해야 하는데 전세계적으로 전자폐기물 이슈가 대두되고 있는 상황과 그 공익성을 살펴 보았을 때 민간의 개인 개발이 아닌 공공정책의 하나로써 시행되어야 한다. 사회전체를 대상으로 하고 자리매김했을 시 정책 전으로 원상회복이 불가능하며 장기간 정책이고 사회적으로 복지가 증가하는 등 해당 특징을 모두 충족하고 있기 때문에 공공정책으로써의 경제성 분석을 시행해야 한다. ‘공공사업의 경제성 분석-윤갑식 교수 저’에 따라 공공정책임을 확인하여 예산측면에서 제약조건을 확인한 후 비용과 편익을 통해 B/C ratio를 계산한다.
- 1)예산제약
- 먼저 정책의 제약조건을 확인하기 위해 관련 산업에 대한 예산을 파악해야 한다. 아래는 과학기술정보통신부에서 2022년 블록체인 관련 사업을 위한 예산표와 환경부에서 환경정보 융합 빅데이터 플랫폼 구축을 위한 예산에 대한 표인데 각각 총 533억 1000만원, 24억 1600만원으로 현재 비용분석을 했을 때 충분히 예산 내로 들어오는 것을 확인할 수 있다.
- 2)비용과 편익 분류
- 3)비용
- 관리자 인건비는 동대문구를 기준으로 했을 때 1명이 필요하므로 2022년 9급 공무원 초봉을 기준으로 계산했다. 개발비는 블록체인 개발 업체에서 평균적인 1회 개발 비용을 인용하여 계산했다.QR인식장치 설치비는 재활용업체에서 쓰이는 QR장치를 뜻하는데 동대문구의 재활용업체는 ‘에코시티서울’ 한 곳이기 때문에 한 곳에 네 개를 설치하여 160000원 * 4를 적용한다.홍보비는 공공단체에서 공익을 위해 진행되는 사업에 대한 홍보비 예산을 한 프로젝트 당 평균 10억 원으로 책정하기 떄문인 점과 시민 참여에 대한 보상이 부족해 많은 홍보가 필요하다는 점에서 이같이 책정했다. 그 이후에는 계도기간을 점점 지나 홍보에 필요한 예산이 줄어들 것이라고 가정하여 10억, 5억, 3억 순으로 책정했다. 유지보수비는 환경부 공개 법정민간대행사업비에서 ‘다. 플랫폼 유지관리’ 중 ‘HW 유지보수’와 ‘공개SW 유지보수’비 예산을 합친 106,000,000원/년으로 책정했다.
- 4)재활용 비용
- 개당 재활용비율이 2002년 자료이기 때문에 ‘CPI소비자물가지수’의 화폐가치 계산식을 이용해 물가상승률을 곱한다.
- 5)매출
- 6)차익(매출-비용)
- 동대문구 현재 차익을 Global E-Waste Monitor에 따라 동대문구 전체 전자폐기물의 20%에 해당하는 차익으로 한다.차익은 동대문구의 주요 4대 폐전자제품에 대한 데이터(735ton)을 통해 계산한 값이고 동대문구 현재 차익은 소형가전 등 기타가전을 모두 합친 값(1967ton)이다.
- 7)년차별 항목별 편익과 비용
- 해당 프로젝트에서 편익이란 현재 재활용률에 비해 재활용률이 증가했을 때 나타나는 그 증가분에 대한 재활용 판매 순이익이다.도난, 분실, 미등록 제품 등의 사유로 인해 최종 재활용률이 100%가 되는 것은 현실적으로 불가능하므로 해당 프로젝트를 10년간 진행했을 때 10년 후 재활용률 상승을 65%(20% -> 85%)로 설정하고 연간 6.5%씩 증가하도록 설정했다.
* 1년차 편익 : 동대문구 현재 차익/20*(6.5*년차) * 1년차 비용 : 홍보비 + 인건비 + 유지보수비 + 개발비 + QR인식장치 설치비 * 2년차 이후 비용 : 홍보비 + 인건비 + 유지보수비
- 8)편익/비용비(B/C ratio)
- 현재가치화된 총편익과 총비용의 비율
* r = 할인율(우리나라 서울특별시 기준 0.045)
- 9)종합
- B/C ratio는 평가를 내릴 때 1을 기준으로 한다. B/C가 1보다 클 때 해당 프로젝트가 수익성이 있다고 판단하여 프로젝트를 집행하고 1보다 낮을 때 프로젝트를 기각한다. ‘년차별 항목별 편익과 비용’으로 계산한 B/C ratio는 1.85로 1보다 상당히 상회하는 수준을 보였다. 투자액이 작은 사업의 수익성이 과장되기 쉬운 평가 기준이라는 것과 10년간 홍보예산을 상당히 높게 책정한 점을 감안해도 높은 수치이기 때문에 프로젝트가 수익성이 충분하다고 판단할 수 있다. 추가로 급격한 재활용률 증가로 재활용 관련 인력 수요가 증가해 취업유발효과와 추후 탄소중립에 대한 부가수익까지 기대할 수 있다.
- 확장성 평가
- 전기전자폐기물을 중심으로 진행한 본 설계에서 나아가 타 폐기물에 대한 추적시스템으로의 확장성을 평가한다. 본 설계물의 차별성, 성능, 경제성 등을 분석한 결과에 따라 블록체인 기술을 기반으로 하여 여러 폐기물을 추적한다면 타 폐기물의 재활용률 상승 또한 기대할 수 있다. 하지만 국내외 블록체인 사업의 경우를 조사해보았을 때, 대상의 데이터를 관리하는데 블록체인을 활용한 데이터 관리가 좋은 사례로 남아 있음에도 불구하고 사업의 확장에 있어서 몇몇 기술적 과제가 남아있음을 알 수 있다. 블록체인은 대부분 오픈소스로 개발해 배포하고 있어 기업들에게 많은 인력을 요구하고 있다. 조직에서 프라이빗 블록체인을 구성하거나 외부조직과 컨소시엄 블록체인을 형성할 때 개개인의 서버(노드)를 추가하고 설치하는 작업은 번거롭고 시간이 많이 소모된다. 블록체인 기술을 더 넓은 범위에 접목시키기 위해서는 손쉬운 설치 툴이 있는지, 다양한 인프라환경에서 기존의 시스템과 쉽게 호환해 노드를 구성할 수 있는지를 추가적으로 고려해야한다. 또한 운영, 시스템, 네트워크 보안 등 유관 부서와의 협업도 사전에 계획을 세우는 것이 필요하다. 기업용 블록체인 시장의 64%를 차지하는 하이퍼 레저 패브릭은 이 같은 확장성 문제를 해결하기 위해 전송 최적화 등의 방법을 적용, 3500 TPS까지 속도를 개선했다. 이더리움도 올해 1분기 출시 예정인 '이더리움 2.0(세레니티)' 버전에 지분증명(PoS), 분산DB 기술(샤딩) 등을 적용해 기존 25 TPS에서 1만 TPS까지 성능을 개선하겠다고 밝혔다. 이처럼 방대한 데이터를 신속하게 처리하는 시스템의 성능이 점점 향상된다면 확장 가능성 또한 향상될 것으로 평가된다.
향후계획
- 본 설계에서는 기존 폐기물 수거 관리 시스템의 한계점을 극복하고 불법적으로 투기되거나 해외로 수출되는 폐기물의 양을 절감하고자 블록체인 기술을 도입하였다. 설계의 적용 대상을 전기전자폐기물로 지정하였으나 다양한 지표(차별성, 경제성, 성능 등)를 통해 평가한 결과, 향후 ‘타폐기물에 대한 범용가능성이 높다.’라는 평가 결과가 도출되었다. 이에 따라 과제 제안서에서 제시했던 신기술 발전을 통한 환경 선진화의 달성을 기대할 수 있다.
- 최근에는 사회혁신의 도구로 디지털 기술의 중요성이 부각됨에 따라, 이를 통하여 사회문제에 대한 새로운 해결책을 찾아낼 수 있다는 ‘디지털 사회혁신’에 대한 연구가 활발히 진행되고 있다. 따라서 인간의 삶 속에서 오랜 시간동안 잘 해결되지 않았던 쓰레기 문제를 해결하는 것에 있어 본 설계물이 유용한 도구로 활용될 수 있을 것이라 평가된다.
- 블록체인 기술의 발전동향
- 최근 국내 산업시장에서 블록체인 기반 관련 제안서가 쏟아지고 있으나 대부분의 사업들이 기술적인 가능성을 확인하는 수준에서 머물러 확장되지 못하고 있는 것이 현실이다. 이러한 문제를 해결하기 위해서는 공공분야에서 기술을 선도적으로 추진하여 모범사례를 구축하는 것이 필요하다. 이는 향후 발생가능한 부작용을 최소화할 수 있는 방안을 마련하는 시도가 될 수 도 있고, 유망한 비즈니스 모델을 개발하여 국내외 시장을 선점할 수 있는 기회가 될 수도 있을 것이다. 블록체인의 성능, 확장성에 대한 연구는 활발히 진행되고 있으므로 이를 잘 활용하여 공공 인프라를 구축한다면 블록체인 기반 산업 도약의 좋은 발판이 될 것으로 보인다.
- 블록체인 관련 정책 동향
- 블록체인 관련 산업과 같이 새로운 서비스를 도입함에 있어 가장 유의해야 할 것은 기존에 존재하는 법, 제도와의 상충이다. 본 설계물 또한 개인, 기업에서 폐기물의 소유 정보를 기록하는 만큼 개인정보보호법이나 전자금융거래법 등에서 요구하는 정보의 수정 및 삭제 권리와 상충할 가능성이 있으므로 명확한 가이드라인 설정과 제도의 정비가 필수적일 것으로 보인다. 블록체인 상 최소한의 데이터만을 저장하고 개인식별정보 및 민감정보는 저장하지 않도록 시스템을 구축하거나 저장된 데이터를 국가차원에서 따로 관리(사용자와의 분리)할 수 있도록 조취를 취한다면 국내 환경에 걸맞은 기술의 도입이 가능할 것으로 보인다.
특허 출원 내용
- 블록체인보안협동조합, 블록체인을 활용한 개인정보 보호 시스템, 10-2018-0072120, 2018
- 옥도영, 블록체인 기반의 다이나믹 QR 코드를 이용한 귀중품 물류 보안 이력 관리 시스템 및 그 방법, 10-2019-0072371, 2019
- 주식회사 웨이투빗, 각 노드가 사용하는 저장 공간을 자동으로 최적화할 수 있는 블록체인을 제공하는 방법 및 장치, 10-2019-0048772, 2019
