제조업 근로자 안전관리를 위한 데이터셋 구축과 모델 학습 = Dataset Construction and Model Learning for Manufacturing Worker Safety Management

국문 초록 (Abstract)

최근 "중대재해 등에 관한 법률"이 제정되고 안전사고에 관한 제도적, 사회적 관심이 높아지고 있다. 본 논문에서는 제조업 현장에서 발생한 안전사고에 대해 정부 기관에서 발간한 통계 자료를 분석하고, 안전사고 발생을 줄이기 위해 위험 상황을 판정하는 모델을 구축하기 위한 딥러닝 기반에 다양한 객체 탐지 모델을 학습시켜 비교 분석하였다. 제조업 현장에 있는 CCTV에서 영상을 수집하여 직접 데이터셋을 구축하였으며, YOLO-v4, SSD, CenterNet 모델에 훈련 데이터와 검증 데이터로 이를 활용하고 학습을 진행하였다. 그 결과 YOLO-v4 모델이 mAP 81%의 수치를 얻었다. 산업 현장에서 클래스를 선정하고 데이터셋을 직접 구축하여 모델 학습을 하는 데 의의가 있으며 이를 통해 위험 상황을 판정하고 이를 추론하는 시스템의 초기 연구자료로 활용할 수 있을 것으로 사료된다.

다국어 초록 (Multilingual Abstract)

Recently, the "Act of Serious Disasters, etc" was enacted and institutional and social interest in safety accidents is increasing. In this paper, we analyze statistical data published by government agency on safety accidents that occur in manufacturing sites, and compare various object detection models based on deep learning to build a model to determine dangerous situations to reduce the occurrence of safety accidents. The data-set was directly constructed by collecting images from CCTVs at the manufacturing site, and the YOLO-v4, SSD, CenterNet models were used as training data and evaluation data for learning. As a result, the YOLO-v4 model obtained a value of 81% of mAP. It is meaningful to select a class in an industrial field and directly build a dataset to learn a model, and it is thought that it can be used as an initial research data for a system that determines a risk situation and infers it.

참고문헌 (Reference)

• 1 정민승, "밀폐된 공간을 위한 통합안전시스템의 설계" 한국정보통신학회 23 (23): 97-102, 2019
• 2 A. Bochkovskiy, "YOLOv4 : Optimal Speed and Accuracy of Object Detection"
• 3 심승보, "YOLO-v3을 활용한 건설 장비 주변 위험 상황 인지 알고리즘 개발" 한국산학기술학회 20 (20): 622-629, 2019
• 4 Ministry of Employment and Labor, "Status of industrial accidents at the end of December 2020"
• 5 Ministry of Land, Infrastructure and Transport, "Realization of commercialization of smart construction core technology by 2025"
• 6 S. Liu, "Path Aggregation Network for Instance Segmentation" 8759-8768, 2018
• 7 X. Zhou, "Object as Points"
• 8 M. Sandler, "MobileNetV2 : Inverted Residuals and Linear Bottleneck" 4510-4520, 2018
• 9 김대성, "Faster R-CNN 학습데이터 구축과 모델을 이용한 안전모 탐지 연구" 한국방재학회 20 (20): 119-126, 2020
• 10 W. Liu, "European Conference on Computer Vision (ECCV)" Springer 21-37, 2016
• 11 Ziyu Fang, "Comparison of Deep-Learning Algorithms for the Detection of Railroad Pedestrians" 한국정보통신학회 18 (18): 28-32, 2020