Intelligent Spatial Estimation for Fire Hazards in Engineering Sites: An Enhanced YOLOv8-Powered Proximity Analysis Framework

Each language version is independently generated for its own context, not a direct translation.

이 논문은 **"화재가 발생했을 때, 단순히 '불이 났다'고 알리는 것을 넘어, '누가 얼마나 위험한 상태인가'를 계산해 주는 똑똑한 감시 시스템"**을 소개합니다.

기존의 화재 감지기는 연기나 불꽃을 보면 "불이야!"라고 소리치는 경보종과 비슷합니다. 하지만 이 연구는 "불이 어디에 있고, 그 불이 사람이나 중요한 기계와 얼마나 가까이 있는지를 계산해서 위험 등급을 매겨주는" 새로운 방식을 제안합니다.

이 복잡한 기술 내용을 일상적인 비유로 쉽게 설명해 드리겠습니다.

🔥 1. 두 명의 감시경이 한 팀이 되어 일하는 방식 (듀얼 모델)

이 시스템은 마치 두 명의 감시경이 한 팀을 이루어 감시하는 것과 같습니다.

감시경 A (불꽃 전문가): 이 감시경은 오직 '불'과 '연기'만 봅니다. 아주 정교하게 불꽃의 모양을 따라가며 "여기에 불이 있어요"라고 정확히 표시합니다. (논문에서는 이 역할을 YOLOv8 세그멘테이션 모델이 합니다.)
감시경 B (주변 상황 전문가): 이 감시경은 '사람', '차', '건물', '기계' 등 주변에 있는 모든 것을 봅니다. "저기 사람 2 명, 트럭 1 대가 있어요"라고 알려줍니다. (이것은 COCO 데이터셋으로 미리 훈련된 일반 객체 탐지 모델입니다.)

이 두 감시경이 한 화면을 함께 보며, **"불이 있는 곳과 사람/기계가 있는 곳 사이의 거리를 재는 것"**이 이 시스템의 핵심입니다.

📏 2. 카메라 화면 속 '픽셀'을 실제 '미터'로 바꾸는 마법

일반적인 CCTV 는 화면상에서 불꽃과 사람이 얼마나 떨어져 있는지 숫자로 알려주지 않습니다. 하지만 이 시스템은 마법 같은 계산기를 가지고 있습니다.

비유: 카메라 화면에서 불꽃과 사람 사이의 거리가 '100 픽셀'로 보인다고 칩시다. 이 시스템은 "아, 이 카메라의 시야각과 주변 사물의 크기를 보면 100 픽셀은 실제 거리로 약 2 미터구나!"라고 계산합니다.
결과: 화면에 불꽃과 사람 사이에 빨간색 선이 그려지고, 그 위에 **"거리: 2.5m"**라고 숫자가 뜹니다. 마치 게임 속 캐릭터와 적 사이의 거리를 보여주는 것처럼 말이죠.

⚠️ 3. "위험도 점수"를 매겨주는 지능형 판단

이제 가장 중요한 부분입니다. 단순히 거리가 가깝다고 해서 모두 위험한 것은 아닙니다. 이 시스템은 **위험 점수 (Risk Score)**를 계산합니다.

상황 1: 불이 숲 한가운데서 멀리서 타는데, 주변에 사람이나 값비싼 기계가 없습니다.
- 👉 판단: "불은 있지만, 위험도는 **낮음 (Low)**입니다. 그냥 지켜보면 됩니다."
상황 2: 불이 공장 기계 바로 옆에서 타는데, 그 기계는 폭발성 물질을 담고 있습니다.
- 👉 판단: "불이 중요 자산과 매우 가깝습니다! 위험도는 **치명적 (Critical)**입니다. 즉시 대피하고 소방차를 보내야 합니다!"

이 시스템은 불의 크기, 주변에 있는 대상의 중요성 (사람은 가장 중요), 그리고 거리를 모두 합쳐서 **"지금 당장 행동해야 할지, 아니면 지켜봐야 할지"**를 숫자와 등급으로 알려줍니다.

🎬 4. 왜 이것이 중요한가요?

기존 시스템은 "불이 났어요"라고만 알려주면, 소방관이나 관리자가 "어디서? 얼마나 위험해?"를 직접 판단해야 했습니다. 하지만 이 시스템은 이미지 위에 불꽃, 사람, 거리, 위험 등급을 모두 표시된 애니메이션으로 보여줍니다.

장점:
- 빠른 판단: 관리자는 복잡한 숫자 없이 화면만 봐도 "저기 사람이 위험해!"라고 바로 알 수 있습니다.
- 자원 절약: 모든 불에 소방차를 보내는 것이 아니라, 진짜 위험한 곳에 집중할 수 있습니다.
- 접근성: 고가의 특수 장비 없이도 일반적인 카메라와 오픈소스 프로그램 (구글 콜랩 등) 으로 구현 가능하여, 예산이 부족한 공장이나 공사 현장에서도 쓸 수 있습니다.

💡 요약

이 논문은 **"화재를 감지하는 눈"**에 **"주변 상황을 파악하는 뇌"**와 **"위험을 계산하는 계산기"**를 더했습니다.

마치 스마트워치가 심박수만 재는 게 아니라, "지금 뛰고 있으니 심장이 너무 빨리 뛰고 있어요, 위험합니다!"라고 알려주는 것과 같습니다. 이 기술은 화재가 발생했을 때, 단순히 경보를 울리는 것을 넘어 누구를 구해야 하고, 무엇을 먼저 보호해야 할지를 알려주는 지능형 안전 시스템의 미래를 보여줍니다.

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem)

기존 기술의 한계: 기존의 화재 감지 시스템 (연기 센서, 열화상 알람 등) 은 반응 지연, 공간 인식 부족, 높은 오경보율 등의 문제가 있습니다. 최근 딥러닝 기반의 컴퓨터 비전 (YOLO 등) 은 화재와 연기의 존재를 높은 정확도로 탐지하지만, 화재와 주변 환경 (사람, 장비, 인프라) 간의 공간적 관계 (거리) 를 정량화하지 못합니다.
핵심 문제: 안전이 중요한 산업 및 공학 환경에서는 화재의 '존재' 자체보다 화재가 취약 자산 (인명, 설비 등) 에 얼마나 가까운지가 위험도를 결정합니다. 그러나 기존 시스템은 픽셀 단위 탐지에 그쳐, 이를 해석 가능한 물리적 거리 (미터 단위) 나 정량적 위험 점수로 변환하는 통합 프레임워크가 부재했습니다.
연구 목표: 화재 탐지뿐만 아니라, 화재와 주변 객체 간의 거리를 실시간으로 추정하고 이를 기반으로 **공간적 위험도 (Proximity-aware Risk)**를 정량화하는 지능형 프레임워크 개발.

2. 제안된 방법론 (Methodology)

이 연구는 이중 모델 (Dual-model) 아키텍처를 기반으로 한 엔드 - 투 - 엔드 파이프라인을 제시합니다.

가. 데이터셋 및 전처리

데이터: 9,860 개의 주석 달린 이미지로 구성된 다양한 화재 데이터셋 사용 (주거, 숲, 산업 현장 등).
분할: 학습용 78% (7,710 장), 검증용 22% (2,150 장).
전처리: 이미지 크기를 640x640 으로 고정, 랜덤 플립, 스케일링, 모자이크 증강 (Augmentation) 적용.

나. 이중 모델 아키텍처

주요 모델 (Primary Model): 화재 및 연기 영역을 세그먼트하기 위해 YOLOv8 인스턴스 세그멘테이션 모델을 커스텀 학습.
보조 모델 (Secondary Model): COCO 데이터셋으로 사전 학습된 YOLOv8 객체 탐지 모델을 사용하여 사람, 차량, 인프라 등 주변 객체 식별.
프로세스: 각 프레임에서 두 모델을 순차적으로 실행하여 화재 영역과 주변 객체의 바운딩 박스를 추출.

다. 근접성 분석 및 거리 추정 (Proximity Analysis)

거리 계산: 화재 인스턴스와 주변 객체의 바운딩 박스 중심점 (Centroid) 간의 유클리드 거리를 픽셀 단위로 계산.
픽셀 - 미터 변환: 알려진 객체 차원 또는 장면 보정을 통해 도출된 '픽셀 당 미터 (pixels-per-meter)' 스케일링 인자 ( $\kappa$ $κ$ ) 를 사용하여 픽셀 거리를 실제 물리적 거리 (미터) 로 근사 변환.
- 주의: 단안 (Monocular) 카메라의 한계로 인해 거리 값은 보정이 없는 경우 근사치로 해석됨.

라. 위험도 평가 모델 (Risk Assessment Model)

탐지된 정보를 기반으로 정량적 위험 점수 ( $R$ ) 를 산출하는 수학적 모델:

화재 심각도 ( $H_i$ ): 세그멘션 신뢰도 ( $s_F$ ) 와 화재 영역 크기 (마스크 면적) 를 결합.
객체 취약성 ( $V(c_j)$ ): 객체 클래스 (사람, 차량 등) 에 따른 위험 가중치와 탐지 신뢰도 결합.
노출도 감소 함수 ( $E(d)$ ): 거리가 가까울수록 위험도가 높아지도록 지수 함수 ( $e^{-d/\lambda}$ ) 를 적용.
최종 위험 점수: $R_{ij} = H_i \times V(c_j) \times E(d_{ij})$
알림 계층화: 계산된 점수를 Low, Medium, High, Critical 로 분류하여 상황에 맞는 경보 발령.

3. 주요 기여 (Key Contributions)

고성능 YOLOv8 세그멘테이션 모델: 복잡한 환경에서 화재와 연기를 정밀하게 분할하는 모델 개발 (90% 이상의 mAP 달성).
이중 모델 아키텍처: 화재 탐지와 맥락적 객체 탐지 (COCO 기반) 를 통합하여 화재와 주변 자산의 상호작용을 이해.
근접성 기반 위험 분석 메커니즘: 픽셀 기반 거리를 물리적 거리 (미터) 로 변환하고, 이를 화재 심각도 및 객체 취약성과 결합한 정량적 위험 점수 산출.
실행 가능한 공간 지능: 탐지 결과를 시각적 주석 (바운딩 박스, 거리 라벨, 위험 등급) 과 애니메이션 시퀀스로 변환하여 의사결정 지원.
경량화 및 접근성: 오픈소스 도구와 Google Colab 환경에서 구현되어 제한된 인프라 환경에서도 배포 가능.

4. 실험 결과 (Results)

성능 지표:
- 정밀도 (Precision), 재현율 (Recall), F1 점수: 모두 90% 이상.
- mAP@0.5: 91% 이상 (검증 데이터에서 0.909~0.912 수준).
- 재현율: 낮은 임계값에서 0.96 까지 달성하여 화재 누락 (False Negative) 을 최소화.
학습 안정성: 200 에포크 학습 후 손실 함수 (Loss) 가 안정적으로 감소하며 과적합 (Overfitting) 없이 일반화 성능 입증.
시각화: 화재 위치, 탐지된 객체 카테고리, 추정 거리 (미터), 위험 등급을 한 화면에 표시하는 주석 프레임 및 애니메이션 생성 성공.

5. 의의 및 결론 (Significance & Conclusion)

패러다임 전환: 단순한 '화재 탐지'를 넘어 '공간적 위험 우선순위 결정 (Hazard Prioritization)' 시스템으로의 진화.
실용성: 화재가 발생한 위치와 그로 인해 위협받는 자산 (사람, 설비) 을 실시간으로 식별하여, 소방 및 대응 팀이 자원을 효율적으로 배분할 수 있도록 지원.
확장성: 산업 현장, 건설 현장, 자원 부족 환경 등 다양한 시나리오에 적용 가능하며, 향후 자동화된 경보 시스템 및 예측 분석과 연동 가능한 기반을 마련.
한계 및 향후 과제: 단안 카메라의 기하학적 왜곡으로 인한 거리 추정의 근사적 한계를 인정하며, 향후 카메라 보정 및 3D 깊이 정보 통합을 통해 정확도 향상을 모색.

이 연구는 딥러닝 기반의 객체 인식 기술을 안전 관리 (Safety Management) 분야에 적용하여, 단순한 감지 기능을 넘어 **해석 가능하고 실행 가능한 위험 지능 (Actionable Risk Intelligence)**을 제공하는 중요한 사례로 평가됩니다.