물류센터, 공장, 사무실 등에서의 화재 발생 시 초기 발견 지연은 초동진화 실패로 이어지며 사업이 휘청할 정도로 크나큰 인명과 재산 피해를 야기한다. 이를 막기 위한 화재감지시스템은 센싱에서 더 나아가 컴퓨터 비전과 AI를 접목하며 빠른 탐지 속도와 정확성으로 주목받기 시작했다.

지난 2일 e4ds가 주최한 2023 e4ds AI 테크 콘서트에서는 ‘컴퓨터 비전의 활용 : AI화재감지 시스템’을 주제로 AMC Planet(이하 AMC)의 김현석 대표가 나와 화재감지 AI솔루션과 알고리즘에 대해 발표했다.

전통적인 화재감지 시스템은 센서 감지 및 영상 분석 방식이 존재했다. 빠르고 정확한 탐지율을 보이며 센싱을 활용한 불꽃감지기가 시중에 전반적으로 사용되지만 김 대표는 “탐지 범위가 매우 제한적이며 유지보수가 어렵다는 단점이 있으며 AI탐지가 탑재되지 않은 영상분석 방식은 모니터링 요원이 상주하거나 패턴 매칭 기술 기반이기에 정확성 및 효율이 떨어진다”고 설명했다.
 
컴퓨터 비전 탑재를 통해 라이터 불꽃 정도인 1c㎡(20픽셀×20픽셀)의 불꽃까지도 감지할 수 있다는 AMC의 화재감지 솔루션은 0.3초의 응답 속도로 즉각적인 탐지가 가능하다. 김현석 대표는 “99% 정확도와 저렴한 솔루션 비용으로 화재감지 시스템 구축이 가능하다”고 강조했다.

AI화재감지시스템 모듈 아키텍처의 주요 구성은 △이미지 전처리 △신경망 네트워크 △이미지 후처리이다. 전처리에서는 신경망이 쉽게 이해하기 위해 이미지를 처리하는 과정이다. 김 대표는 “보통의 화재현장 영상 및 사진은 열화가 된 경우가 많아 가우시안이나 메디안 필터로 노이즈를 제거한다”고 언급했다.

신경망에선 탐지 위치와 종류를 파악해 이미지 후처리로 보낸다. 후처리에선 앞선 정보를 바탕으로 사용자에게 보여줄 바운딩 박스(Bounding Box) 등의 이미지 구현을 담당하게 된다. 신경망 네트크워크 구조는 △Backbone △Neck △Head로 구성했다.

김 대표는 “Backbone, Neck, Head에서 각각 특징 추출, 사이즈 별 세분화된 특징 추출, 탐지된 객체의 바운딩 박스 등을 나눠서 처리한다”며 “이는 YOLO4에서부터 사용된 방법이며 이러한 방식이 특징을 더 명확하게 추출 가능하며, 특징이 다음 레이어로 넘어갈 때 소실 문제(Vanishing Problem)가 발생하는 것을 방지할 수 있다”고 설명했다. AMC의 솔루션은 이러한 신경망 네트워크 구조를 기반으로 좀더 명확한 탐지와 99%의 정확도 구현이 가능했던 것이다.

화재감지솔루션에는 탐지기능이 중요하지만 객체감지기술에선 객체추적(Object Tracking, 오브젝트 트래킹)을 잘 구현해내는 것도 중요하다. 이날 김 대표는 컴퓨터 비전의 기술 구현에 대해 설명해 오브젝트 트래킹에 대해서도 언급했다.
 
비디오 시퀀스가 들어오면 먼저 물체가 있다는 것을 인식(Object Recognition)하고 이후 그것이 무엇인지 확인(Object Classification)하며 위치를 확인(Object Localiztion)한다. 이 두 과정의 결과가 객체 인식이며 객체 탐지의 결과로 각각의 객체 박스를 이전 프레임과 비교해 ID를 매칭시키는 작업을 하는 것이 객체 추적, 즉 오브젝트 트래킹이다.

김 대표는 “2년 전 AI대전에서 관찰했을 때는 객체 탐지에서 끝나는 경우가 많았다”며 “프레임 하나씩 바운딩 박스를 처리하면 마치 오브젝트를 트래킹하는 것처럼 보이지만 진정한 트래킹은 아니다”라고 못박았다. 각 물체마다 ID를 부여해 ID 체인지/스위칭 문제가 발생하지 않는지를 확인해야 한다는 것이다.

또한 AMC Planet은 개발 과정에서 진짜 불과 가짜 불(Fake Fire)을 구분하기 위한 별도의 프로세싱도 추가했다. 가짜 불 및 진짜 불 이미지의 데이터 세트를 준비해 별도의 Class에서 신경망 훈련을 시켰다. 
 
이뿐 아니라 휴대폰이나 사진을 카메라에 가까이 갖다 댄 경우에도 가짜 불을 구별할 수 있게끔 전처리 단계에서 엣지 구분 및 프레임 간 불의 움직임 여부 등을 판단하도록 알고리즘을 구성했다.

향후 AI기술의 발전 방향으로 △엣지 디바이스에서의 AI 활용법 △신경망 제어 방법 △신경망의 훈련 속도 및 추론 시간을 줄이는 방법 △외부 공격에 대한 대응 △조작된 자료에 의한 신경망 보안 방법 등을 연구해야 할 것으로 김 대표는 전망했다.