.svg)
AI 솔루션 문의하기
지하철 역사는 대규모 밀폐 공간으로서 화재 발생 시 실시간 상황 인지가 대응의 효율성을 결정합니다. 기존의 수동 모니터링 방식은 관제 인력의 인지 부하에 의존하므로, 이를 보완하기 위해 영상 분석 기술을 통한 자동 탐지 시스템 구축이 진행되고 있습니다. 이 시스템은 CCTV가 송출하는 비디오 스트림을 실시간으로 분석하여 화재의 징후인 연기와 불꽃을 수치화된 데이터로 변환합니다. 이는 인적 개입 이전에 시스템이 독자적으로 화재 여부를 판별하고 보고하는 자동화된 감시 구조를 형성합니다.
시스템 가동을 위해 각 역사에 설치된 고해상도 카메라로부터 영상 데이터를 RTSP(Real Time Streaming Protocol) 등의 규격을 통해 수집합니다. 수집된 원천 데이터(Raw Data)는 분석 효율을 높이기 위해 특정 해상도로 조정되며, 프레임 레이트($fps$) 제어를 통해 연산 부하를 관리합니다. 저조도 환경이나 터널 입구와 같은 역광 구간에서는 영상의 대비를 표준화하는 전처리를 수행하여 알고리즘이 환경적 변수에 관계없이 일정한 인식 성능을 유지하도록 설계합니다.
화재 탐지의 핵심은 딥러닝 기반의 합성곱 신경망(CNN) 아키텍처를 활용하여 영상 내 특정 객체를 분류하는 것입니다. 알고리즘은 입력된 영상 내에서 불꽃의 형태적 특성과 색상 분포를 학습된 가중치와 대조하여 화원을 식별합니다. 식별된 화원은 경계 상자(Bounding Box)로 표시되며, 해당 영역의 좌표값을 추출하여 화재 발생 위치를 정밀하게 특정합니다. 이는 시각 정보를 논리적인 위치 정보로 변환하여 후속 제어 시스템에 전달하는 데이터 생성의 시작점입니다.
붉은 계열의 색상만 단순하게 인식하는 오류를 방지하기 위해, 시스템은 특정 영역의 휘도 변화를 시계열로 분석합니다. 실제 불꽃은 고유한 주파수 범위를 가진 미세한 깜박임(Flicker) 현상을 보이므로, 프레임 간의 명암 대비 변화율을 계산하여 이를 검증합니다. 주파수 영역 분석을 통해 조명 기구의 깜박임이나 반사광과 실제 화원을 구분하며, 이러한 정밀 검증 과정을 거쳐 화재 확정 판정의 정확도를 공학적으로 확보합니다.
연기는 고정된 형태가 없으므로 광학 흐름(Optical Flow) 기법을 적용하여 입자의 이동 벡터를 추적합니다. 연기의 확산 방향과 밀도 변화율을 측정하여 단순한 수증기나 먼지 구름과의 차이점을 식별합니다. 배경 모델링 기법을 병행하여 정지된 배경과 움직이는 연기 층을 분리하고, 시간에 따른 투과율 저하 수치를 데이터화합니다. 이러한 유동성 분석은 화재의 규모와 확산 속도를 계량화하는 근거가 되며, 대피 계획 수립에 필요한 시각적 가시거리 정보를 제공합니다.
대규모 지하철 노선에서 수천 개의 영상을 중앙 서버로 전송할 경우 네트워크 대역폭 부족과 지연 시간이 발생할 수 있습니다. 이를 해결하기 위해 각 역사에 엣지 AI 노드를 배치하여 현장에서 즉각적인 분석을 수행합니다. 엣지 노드는 영상 내 이상 징후를 1초 이내에 감지하며, 유의미한 이벤트가 발생했을 때만 고용량 영상 정보를 관제 센터로 전송합니다. 이러한 계층적 데이터 처리는 전체 시스템의 응답 시간을 최소화하고 통신 비용을 절감하는 구조적 장점을 가집니다.
역사 내에는 청소용 분무, 열차 진입 시의 풍압, 승객의 이동 등 화재와 유사한 시각적 노이즈가 산재합니다. 시스템은 이러한 요소를 배제하기 위해 다중 프레임 확인(Confirmation) 로직을 적용합니다. 감지된 신호가 통계적으로 설정된 임계 시간 이상 유지될 때만 경보를 발령하며, 연기와 불꽃이 동시에 감지되는 상관관계를 계산하여 판정의 가중치를 조절합니다. 오경보 제어 기술은 시스템의 신뢰성을 유지하고 관제 인력이 실제 상황에만 집중할 수 있는 환경을 제공합니다.
엣지에서 분석된 화재 정보는 표준 통신 규약을 통해 중앙 통합 관제 센터로 즉각 전송됩니다. 관제사는 통합 상황판을 통해 화재 발생 역사의 실시간 영상과 도면상의 위치 정보를 동시에 확인합니다. 데이터 동기화는 센서의 수치 데이터와 영상 정보를 일치시켜 제공하며, 관제사가 현장 상황을 객관적으로 파악하고 관련 기관에 정보를 공유할 수 있는 인터페이스를 구성합니다. 이는 신속한 의사결정을 돕는 데이터 시각화의 최종 단계입니다.
화재가 확정되면 시스템은 PLC(Programmable Logic Controller)를 통해 역사의 방화 설비와 연동됩니다. 배연 팬의 가동, 방화 셔터의 폐쇄, 비상 조명의 점등 등이 사전에 설정된 대응 시나리오에 따라 작동합니다. 시스템은 설비의 작동 상태를 다시 데이터로 수집하여 관제 센터에 보고함으로써, 물리적 조치가 계획대로 이행되었는지를 모니터링합니다. 감지와 제어 사이의 유기적인 연동은 화재 확산을 물리적으로 억제하는 기술적 절차입니다.
지속적인 성능 유지를 위해 운영 중 수집된 화재 및 오탐지 사례는 모델의 미세 조정(Fine-tuning)을 위한 학습 데이터로 재활용됩니다. MLOps(Machine Learning Operations) 체계를 도입하여 새로운 환경 데이터가 유입될 때마다 알고리즘을 갱신하고 배포하는 선순환 구조를 구축합니다. 또한 데이터 전송 및 저장 과정에서 개인정보 보호를 위한 비식별화 프로토콜을 준수하며, 시스템 로그 분석을 통해 하드웨어의 가동 상태를 점검합니다. 이러한 체계적 관리는 시스템의 수명을 연장하고 기술적 정밀도를 유지하는 기반이 됩니다.
.svg)
.svg)
