.svg)
AI 솔루션 문의하기
터널 연기 감지에 사용되는 인공지능 모델은 주로 합성곱 신경망을 기반으로 합니다. 합성곱 신경망은 이미지의 계층적 특징을 자동으로 추출하는 방식으로 작동하며, 저수준 특징(모서리, 텍스처)에서 고수준 특징(연기의 형태, 움직임)으로 진행됩니다. 초기 계층은 픽셀 수준의 미세한 변화를 감지하고, 중간 계층은 국소적 패턴을 인식하며, 깊은 계층은 전체 영상의 의미를 해석합니다. 연기 감지를 위해 특화된 합성곱 신경망 모델은 주로 사전에 훈련된 표준 모델들을 기초로 하여, 터널 환경에 맞춰 가중치를 재조정합니다.
대규모 이미지 데이터셋으로 사전 훈련된 모델을 그대로 사용하면 성능이 떨어집니다. 따라서 터널 환경의 특성에 맞추기 위해 전이학습 기법을 사용합니다. 사전 훈련된 모델의 하위 계층(일반적인 이미지 특징을 추출하는 부분)은 고정하고, 상위 계층(터널 특화 특징을 추출하는 부분)만 재훈련합니다. 이를 파인튜닝이라 하며, 적은 양의 터널 데이터로도 빠르고 효과적인 모델 개선이 가능합니다. 또한 영역 적응 기법을 통해 다양한 터널 환경(낮과 밤, 다양한 조명)에서의 성능을 균형있게 유지합니다.
최신 연기 감지 시스템은 단일 모델이 아니라 여러 신경망의 앙상블을 활용합니다. 합성곱 신경망으로 공간적 특징을 추출하고, 순환 신경망으로 시간적 변화를 추적하며, 주의 메커니즘으로 중요한 영역에 집중합니다. 예를 들어 3차원 합성곱 신경망은 연속 프레임의 시공간적 관계를 직접 학습하여, 연기의 움직임을 더 정확히 포착합니다. 이러한 다중 모델의 예측을 투표 방식으로 결합하면, 개별 모델보다 훨씬 안정적인 판단이 가능해집니다.
터널에서 정상 상태(연기 없음)는 99%를 넘지만, 화재 상태(연기 있음)는 1% 미만입니다. 이러한 극심한 클래스 불균형은 모델이 항상 정상으로 판단하는 편향을 야기합니다. 이를 해결하기 위해 데이터 확강 기법을 사용합니다. 기존 연기 이미지를 회전, 뒤집기, 밝기 조정 등으로 변형하여 다양한 상황을 시뮬레이션합니다. 또한 생성적 적대 신경망으로 가상의 연기 이미지를 생성하여 훈련 데이터를 늘립니다. 이러한 기법들을 통해 훈련 데이터셋의 클래스 비율을 조정하면, 모델의 감지 성능이 크게 향상됩니다.
실제 터널 환경에서는 초당 30프레임의 영상을 실시간으로 처리해야 하므로, 계산 효율성이 매우 중요합니다. 깊고 복잡한 모델은 높은 정확도를 제공하지만, 추론 시간이 길어 실시간 처리가 어렵습니다. 이를 해결하기 위해 모델 경량화 기법을 적용합니다. 양자화는 모델의 가중치를 더 낮은 정밀도(32비트 → 8비트)로 변환하여 크기와 연산량을 줄입니다. 가지치기는 중요도가 낮은 뉴런을 제거합니다. 또한 지식 압축은 큰 모델의 지식을 작은 모델로 압축합니다. 이러한 기법들을 조합하면 정확도 손실을 최소화하면서 10배 이상의 속도 향상을 달성할 수 있습니다.
실무에서 적용되는 인공지능 연기 감지 시스템의 기술 파이프라인은 다음과 같습니다.
이러한 파이프라인 각 단계는 독립적으로 최적화될 수 있으며, 전체 시스템의 성능은 모든 단계의 조화로운 작동에 달려있습니다.
인공지능 모델의 신뢰도를 높이기 위해 불확실성 추정 기법이 사용됩니다. 베이지안 신경망은 모델의 예측뿐만 아니라 그 예측의 신뢰도까지 제공합니다. 이를 통해 높은 신뢰도를 가진 연기 신호만 경보로 변환하고, 낮은 신뢰도 신호는 추가 검증을 수행합니다. 또한 구간별 기준선의 적응 학습을 통해, 정상 상태의 변화(계절, 조명 변화)에 자동으로 적응합니다. 특정 구간에서 반복되는 오탐 패턴을 감지하면, 시스템이 자동으로 그 패턴을 학습하여 필터링합니다.
배포된 인공지능 모델은 시간이 지나면서 성능이 저하될 수 있습니다. 터널 환경의 변화(조명 개선, 카메라 교체 등), 새로운 형태의 연기(다른 종류의 화재), 카메라 오염 등으로 인해 모델의 입력 분포가 변화하기 때문입니다. 이를 모델 성능 저하라 하며, 이를 감지하기 위해 성능 지표를 실시간으로 모니터링합니다. 감지율이 기준 이하로 떨어지거나 거짓 양성이 증가하면, 시스템이 자동으로 알림을 발생시킵니다. 주기적으로 새로운 데이터를 수집하여 모델을 재훈련하고, 변화된 환경에 적응시킵니다.
인공지능 모델의 예측을 받은 운영자가 이를 신뢰하려면, 모델이 왜 그런 결정을 했는지 이해해야 합니다. 설명 가능한 인공지능 기법은 모델의 의사결정 과정을 시각화합니다. 국소 해석 가능 모형 설명이나 샤플리 가산적 설명 같은 기법을 사용하면, 모델이 어느 영역에 집중했는지, 어떤 특징이 결정에 영향을 미쳤는지 보여줄 수 있습니다. 운영 센터의 모니터에 열량도를 표시하여, 운영자가 모델의 판단 근거를 직관적으로 이해할 수 있게 합니다. 이는 운영자의 신뢰도를 높이고, 거짓 경보 시 빠른 대응을 가능하게 합니다.
최신 인공지능 시스템은 카메라 영상뿐만 아니라 다른 센서의 정보도 함께 처리합니다. 온도 센서, 일산화탄소 센서, 습도 센서의 데이터를 영상 데이터와 함께 입력받아, 변환기 기반의 다중 방식 모델이 이들을 통합 분석합니다. 예를 들어 카메라가 약한 연기 신호를 감지했을 때, 온도와 일산화탄소 센서가 정상값을 유지하면 오탐으로 판단합니다. 반대로 모든 센서가 일치하는 신호를 보내면 신뢰도를 높입니다. 이러한 다중 방식 접근은 단일 센서의 한계를 보완하여 전체 시스템의 견고성을 크게 향상시킵니다.
터널 CCTV 기반 AI 시스템은 배포 후에도 계속 진화합니다. 새로운 데이터가 계속 수집되면서, 주기적으로 모델을 재훈련하고 성능을 개선합니다. 또한 엣지 기기(터널 근처의 로컬 서버)에 간단한 AI 모델을 배포하여 1차 필터링을 수행하고, 중앙 서버의 강력한 모델이 2차 판단을 합니다. 엣지 기기의 모델은 중앙 서버의 모델보다 빠르고 간단하지만, 충분한 정확도를 유지합니다. 또한 엣지 기기에서 수집된 불확실한 사례들을 중앙 서버로 보내, 모델의 재훈련 데이터로 활용합니다. 이러한 연속적 학습 시스템을 통해 AI 모델은 점점 더 정교해집니다.
.svg)
.svg)
