[기획-재난 없는 국가] 25. 건설 현장 위험 상태 및 객체 유형에 따른 YOLO 모델 인식 성능 비교 연구
CCTV 기반의 수동적 안전 관리 방식은 실시간 대응의 한계로 효과적인 대안 마련 요구... YOLO 모델이 건설현장 안전관리의 실무 적용 가능성과 정책적 활용 가치를 갖춘 효과적인 기술 입증
2025-10-30
2025년 10월29일 이재명 대통령은 이태원 참사 3주기를 맞이해 국가의 책임에 대해 강조했다. 국가가 지켜줘야 하는 생명을 지키지 못했고 막을 수 있는 희생을 막지 못한데 대해 사과했다.
윤석열정부는 사고에 대해 아무도 책임을 지지 않았다. 2014년 세월호 참사에 대한 책임 회피로 일관하던 박근혜 전 대통령은 탄핵당했다. 윤석열 전 대통령도 이태원 참사, 오송 지하차도 사고 등 각종 인재를 외면하다 몰락했다.
2025년 6월4일 출범한 이재명정부는 산업재해를 근절시키겠다며 건설현장에 대한 관리감독을 강화하고 있다. 일부에서 산재가 불가피하다며 항변하지만 국민의 생명 보호가 우선이라며 타협을 거부하는 중이다.
이번에 소개할 논문은 '건설 현장 위험 상태 및 객체 유형에 따른 YOLO 모델 인식 성능 비교 연구(A Comparative Study on Object Recognition Performance of YOLO Models According to Risk Situations in Construction Sites)'이다.
경기대 건설안전학과 박종학 석사과정(jhpark8527@naver.com), 동대학 건설안전학과 문유미 교수(feelst1003@hanmail.net )가 작성했다. 세부 내용을 요약하면 다음과 같다.
◇ 건설 현장 위험 상태 및 객체 유형에 따른 YOLO 모델 인식 성능 비교 연구
건설 현장에서 발생할 수 있는 다양한 위험 요소 및 객체를 자동으로 탐지하기 위한 YOLO(You Only Look Once) 기반 객체 인식 모델의 성능을 평가하는 것을 목적으로 한다.
실제 현장 이미지를 활용해 총 11개 클래스(People, Ladder, Unsafe 계열, 장비류 등)를 학습했다. YOLOv5를 중심으로 정밀도, 재현율, mAP, F1 Score 등의 성능 지표를 분석했다.
분석 결과, 주요 객체는 높은 탐지 성능을 보인 반면 지게차(Forklift) 및 롤러(Roller) 등 일부 클래스는 낮은 정분류율을 기록했다. Confidence 기반 Threshold 분석에서는 0.4~0.5 구간이 최적값으로 나타났다.
또한 예측 결과와 실제 라벨 간 시각적 비교(val_batch)를 통해 모델의 설명 가능성과 적용성을 검토했다. 학습 과정의 손실 함수 변화, 혼동 행렬 분석을 통해 모델의 수렴 안정성도 확인했다.
YOLO 모델이 건설 위험 요소 탐지에 실효성 있는 도구임을 실증하며 향후 고도화 연구 및 모델 비교 분석의 기반 자료로 활용 가능하다.
◇ CCTV 기반의 수동적 안전 관리 방식은 실시간 대응의 한계로 효과적인 대안 마련 요구
건설 현장은 산업 전반에서 중대재해 발생률이 가장 높은 고위험 작업 환경으로 이에 대한 체계적인 안전 관리 체계의 구축이 필수적이다.
주요 사고 유형은 추락, 낙하, 충돌 등으로 나타나며 이는 보호구 미착용, 장비 불안정, 위험 인식 부족 등 다양한 복합적 요인에서 기인한다.
현재 건설 현장에서 주로 활용되는 폐쇄회로 TV(CCTV) 기반의 수동적 안전 관리 방식은 실시간 대응의 한계와 예방 효과의 제약을 갖고 있어 효과적인 대안 마련이 요구된다.
최근 인공지능(AI) 기술의 발전은 객체 탐지 기반의 실시간 안전관리 시스템 도입 가능성을 제시하고 있다. 특히 YOLO 알고리즘은 경량화된 구조와 빠른 연산 속도를 바탕으로 작업자, 위험 상태, 장비류 등을 실시간으로 탐지할 수 있는 기술적 기반을 제공한다.
또한 YOLO 모델은 정밀도(Precision), 재현율(Recall), F1 Score, PR Curve 등의 다양한 시각화 기반 평가 지표를 통해 설명 가능한 인공지능(Explainable AI)의 특성을 지니며 사용자 신뢰 확보와 직관적 이해에 기여할 수 있다.
특히 반복적으로 발생하는 사다리 작업, 장비 주변 작업 등 추락 관련 위험 상황에 대한 정확한 객체 탐지는 사고 예방에 직결되는 요소로 작용한다.
YOLO 기반 객체 탐지 모델을 활용하여 건설 현장에서 발생 가능한 위험 객체 및 상태에 대한 탐지 성능을 정량적·정성적으로 분석했다. 또한 클래스별 인식 성능을 비교함으로써 해당 기술의 실효성과 한계를 검토했다.
아울러 탐지 결과를 바탕으로 Confidence Threshold의 최적 범위를 도출하고, 실제 건설 현장 적용 가능성을 실증적으로 제시하고자 노력했다.
◇ YOLOv8 모델은 복잡한 배경과 다중객체 상황에서도 안정적 성능 발휘
건설 현장에서 발생할 수 있는 위험 객체 및 상태를 탐지하기 위해 YOLOv8 모델을 적용하고 그 성능을 정량적·정성적으로 분석했다.
모델 학습에는 AI-HUB, Roboflow, Kaggle 등에서 수집된 실제 건설 현장 이미지가 활용됐다. 총 11개 클래스를 대상으로 하였다.
특히 AI-HUB 기반의 5대 사고 유형과 추락사고 중심의 라벨링 기준을 반영한 2만2000장의 이미지로 학습 데이터셋을 구성했다.
정량 분석 결과, 학습 에폭이 증가할수록 손실 함수(box, cls, dfl)가 안정적으로 감소하며 모델의 수렴성과 일반화 가능성이 확인됐다.
Precision(0.928), Recall(0.936), mAP@0.5(0.906), mAP@0.5:0.95(0.809) 등 주요 성능 지표 또한 높은 수준을 기록했다.
클래스별 탐지 정확도 분석에서는 People, Ladder, Unsafe 계열은 우수한 정분류율을 보인 반면 지게차(Forklift) 및 롤러(Roller) 클래스는 탐지 성능이 낮고 오분류가 빈번하였다.
또한 Confidence 기반 탐지 곡선 분석을 통해 threshold를 0.4~0.5로 설정할 때 탐지 성능이 가장 안정적으로 유지되는 것으로 나타났다.
각적 예측 결과 비교에서도 YOLOv8 모델은 복잡한 배경과 다중객체 상황에서도 안정적 성능을 발휘했다. 실무 적용 가능성이 높음을 실증했다.
Table 1. 직무 특성이 안전 업무 경험 잭임감에 미치는 영향
▲ YOLO 모델 학습 과정에서의 성능 변화와 손실 함수(loss)의 감소 추이 [출처=한국재난정보학회]
◇ YOLO 모델이 건설현장 안전관리의 실무 적용 가능성과 정책적 활용 가치를 갖춘 효과적인 기술 입증
건설 현장에서 반복적으로 발생하는 위험 객체 및 상태를 실시간으로 탐지하기 위해 YOLOv8 기반 객체 탐지 모델의 성능을 정량적·정성적으로 분석했다.
AI-HUB 등에서 수집한 2만2000장의 이미지 데이터를 활용해 11개 클래스 대상으로 학습을 수행한 결과, Precision(0.928), Recall(0.936), mAP@0.5(0.906) 등의 우수한 탐지 성능이 확인됐다.
주요 클래스는 높은 정분류율을 보였으나 일부 장비 클래스는 오탐이 발생하여 데이터 불균형 및 시각적 유사성의 한계를 드러냈다.
Confidence 기반 분석에서는 threshold 0.4~0.5 설정이 가장 적절한 탐지 성능을 제공함을 확인했다. 이를 통해 YOLO 모델이 건설현장 안전관리의 실무 적용 가능성과 정책적 활용 가치를 갖춘 효과적인 기술임을 입증했다.
- 계속 -
윤석열정부는 사고에 대해 아무도 책임을 지지 않았다. 2014년 세월호 참사에 대한 책임 회피로 일관하던 박근혜 전 대통령은 탄핵당했다. 윤석열 전 대통령도 이태원 참사, 오송 지하차도 사고 등 각종 인재를 외면하다 몰락했다.
2025년 6월4일 출범한 이재명정부는 산업재해를 근절시키겠다며 건설현장에 대한 관리감독을 강화하고 있다. 일부에서 산재가 불가피하다며 항변하지만 국민의 생명 보호가 우선이라며 타협을 거부하는 중이다.
이번에 소개할 논문은 '건설 현장 위험 상태 및 객체 유형에 따른 YOLO 모델 인식 성능 비교 연구(A Comparative Study on Object Recognition Performance of YOLO Models According to Risk Situations in Construction Sites)'이다.
경기대 건설안전학과 박종학 석사과정(jhpark8527@naver.com), 동대학 건설안전학과 문유미 교수(feelst1003@hanmail.net )가 작성했다. 세부 내용을 요약하면 다음과 같다.
◇ 건설 현장 위험 상태 및 객체 유형에 따른 YOLO 모델 인식 성능 비교 연구
건설 현장에서 발생할 수 있는 다양한 위험 요소 및 객체를 자동으로 탐지하기 위한 YOLO(You Only Look Once) 기반 객체 인식 모델의 성능을 평가하는 것을 목적으로 한다.
실제 현장 이미지를 활용해 총 11개 클래스(People, Ladder, Unsafe 계열, 장비류 등)를 학습했다. YOLOv5를 중심으로 정밀도, 재현율, mAP, F1 Score 등의 성능 지표를 분석했다.
분석 결과, 주요 객체는 높은 탐지 성능을 보인 반면 지게차(Forklift) 및 롤러(Roller) 등 일부 클래스는 낮은 정분류율을 기록했다. Confidence 기반 Threshold 분석에서는 0.4~0.5 구간이 최적값으로 나타났다.
또한 예측 결과와 실제 라벨 간 시각적 비교(val_batch)를 통해 모델의 설명 가능성과 적용성을 검토했다. 학습 과정의 손실 함수 변화, 혼동 행렬 분석을 통해 모델의 수렴 안정성도 확인했다.
YOLO 모델이 건설 위험 요소 탐지에 실효성 있는 도구임을 실증하며 향후 고도화 연구 및 모델 비교 분석의 기반 자료로 활용 가능하다.
◇ CCTV 기반의 수동적 안전 관리 방식은 실시간 대응의 한계로 효과적인 대안 마련 요구
건설 현장은 산업 전반에서 중대재해 발생률이 가장 높은 고위험 작업 환경으로 이에 대한 체계적인 안전 관리 체계의 구축이 필수적이다.
주요 사고 유형은 추락, 낙하, 충돌 등으로 나타나며 이는 보호구 미착용, 장비 불안정, 위험 인식 부족 등 다양한 복합적 요인에서 기인한다.
현재 건설 현장에서 주로 활용되는 폐쇄회로 TV(CCTV) 기반의 수동적 안전 관리 방식은 실시간 대응의 한계와 예방 효과의 제약을 갖고 있어 효과적인 대안 마련이 요구된다.
최근 인공지능(AI) 기술의 발전은 객체 탐지 기반의 실시간 안전관리 시스템 도입 가능성을 제시하고 있다. 특히 YOLO 알고리즘은 경량화된 구조와 빠른 연산 속도를 바탕으로 작업자, 위험 상태, 장비류 등을 실시간으로 탐지할 수 있는 기술적 기반을 제공한다.
또한 YOLO 모델은 정밀도(Precision), 재현율(Recall), F1 Score, PR Curve 등의 다양한 시각화 기반 평가 지표를 통해 설명 가능한 인공지능(Explainable AI)의 특성을 지니며 사용자 신뢰 확보와 직관적 이해에 기여할 수 있다.
특히 반복적으로 발생하는 사다리 작업, 장비 주변 작업 등 추락 관련 위험 상황에 대한 정확한 객체 탐지는 사고 예방에 직결되는 요소로 작용한다.
YOLO 기반 객체 탐지 모델을 활용하여 건설 현장에서 발생 가능한 위험 객체 및 상태에 대한 탐지 성능을 정량적·정성적으로 분석했다. 또한 클래스별 인식 성능을 비교함으로써 해당 기술의 실효성과 한계를 검토했다.
아울러 탐지 결과를 바탕으로 Confidence Threshold의 최적 범위를 도출하고, 실제 건설 현장 적용 가능성을 실증적으로 제시하고자 노력했다.
◇ YOLOv8 모델은 복잡한 배경과 다중객체 상황에서도 안정적 성능 발휘
건설 현장에서 발생할 수 있는 위험 객체 및 상태를 탐지하기 위해 YOLOv8 모델을 적용하고 그 성능을 정량적·정성적으로 분석했다.
모델 학습에는 AI-HUB, Roboflow, Kaggle 등에서 수집된 실제 건설 현장 이미지가 활용됐다. 총 11개 클래스를 대상으로 하였다.
특히 AI-HUB 기반의 5대 사고 유형과 추락사고 중심의 라벨링 기준을 반영한 2만2000장의 이미지로 학습 데이터셋을 구성했다.
정량 분석 결과, 학습 에폭이 증가할수록 손실 함수(box, cls, dfl)가 안정적으로 감소하며 모델의 수렴성과 일반화 가능성이 확인됐다.
Precision(0.928), Recall(0.936), mAP@0.5(0.906), mAP@0.5:0.95(0.809) 등 주요 성능 지표 또한 높은 수준을 기록했다.
클래스별 탐지 정확도 분석에서는 People, Ladder, Unsafe 계열은 우수한 정분류율을 보인 반면 지게차(Forklift) 및 롤러(Roller) 클래스는 탐지 성능이 낮고 오분류가 빈번하였다.
또한 Confidence 기반 탐지 곡선 분석을 통해 threshold를 0.4~0.5로 설정할 때 탐지 성능이 가장 안정적으로 유지되는 것으로 나타났다.
각적 예측 결과 비교에서도 YOLOv8 모델은 복잡한 배경과 다중객체 상황에서도 안정적 성능을 발휘했다. 실무 적용 가능성이 높음을 실증했다.
Table 1. 직무 특성이 안전 업무 경험 잭임감에 미치는 영향
▲ YOLO 모델 학습 과정에서의 성능 변화와 손실 함수(loss)의 감소 추이 [출처=한국재난정보학회]
◇ YOLO 모델이 건설현장 안전관리의 실무 적용 가능성과 정책적 활용 가치를 갖춘 효과적인 기술 입증
건설 현장에서 반복적으로 발생하는 위험 객체 및 상태를 실시간으로 탐지하기 위해 YOLOv8 기반 객체 탐지 모델의 성능을 정량적·정성적으로 분석했다.
AI-HUB 등에서 수집한 2만2000장의 이미지 데이터를 활용해 11개 클래스 대상으로 학습을 수행한 결과, Precision(0.928), Recall(0.936), mAP@0.5(0.906) 등의 우수한 탐지 성능이 확인됐다.
주요 클래스는 높은 정분류율을 보였으나 일부 장비 클래스는 오탐이 발생하여 데이터 불균형 및 시각적 유사성의 한계를 드러냈다.
Confidence 기반 분석에서는 threshold 0.4~0.5 설정이 가장 적절한 탐지 성능을 제공함을 확인했다. 이를 통해 YOLO 모델이 건설현장 안전관리의 실무 적용 가능성과 정책적 활용 가치를 갖춘 효과적인 기술임을 입증했다.
- 계속 -
 ▲ 정상 전문위원(중앙대학교 교수) |
저작권자 © 엠아이앤뉴스, 무단전재 및 재배포 금지
