Article information

Abstract

Trans Abstract

1. 서 론

최근 인공지능(artificial intelligence, AI) 기술의 발전은 영상 분석 중심의 화재 감지 시스템의 성능을 크게 향상시켰다. 특히 딥러닝(deep learning) 객체 검출(object detection)의 성능이 고도화되면서 화재 검출 방법도 기존 센서 중심에서 이미지 분석 중심으로 전환되는 계기를 제공하고 있다. 이미지 분석에 의한 화재 검출은 화재가 발생한 주변 상황까지 함께 제공하여 효과적인 현황 파악을 가능하게 하는 장점을 제공한다.

대표적인 객체 검출 모델로 알려진 딥러닝 모델로는 you only look once (YOLO), Faster R-CNN, single shot multiBox detector (SSD) 등이 있으며, 이러한 모델들은 산업용 카메라 분석 장비에 널리 적용되고 있다. 특히, 건물에 설치된 감시 카메라나 무인 항공기(unmanned aerial vehicle, UAV)에 탑재하는 형식으로 화재, 연기, 인체, 차량 등 다양한 객체를 실시간으로 탐지⋅분석하는 데 활용되고 있다(1-3).

일반적으로 딥러닝 기반 화재 검출기의 성능은 인공신경망의 작동 방식의 특성상 학습 데이터의 다양성과 규모에 크게 의존한다. 이에 따라, 성공적인 딥러닝 분석 장치의 개발을 위해서는 충분한 학습 샘플 수집이 필요하다. 화재 상황에서 화염의 형태이나 연기 확산 형태는 바람, 조도 등 주변 환경, 카메라 촬영 각도와 거리에 따라 그 시각적 형태가 크게 달라지기 때문에 충분하지 못한 학습 샘플의 딥러닝 모델은 실제 환경에서 오탐(false positive)과 미탐(false negative) 문제를 자주 야기할 수 있다.

딥러닝 기반 인식 모델의 학습에는 대규모 데이터셋이 필수적이며, 이를 확보하기 위한 가장 보편적 방법으로 인터넷 공개 데이터셋이 활용된다. 그러나 이러한 데이터는 촬영 환경, 화재 유형, 영상 품질 등에서 실제 적용 조건을 충분히 반영하지 못하는 경우가 많아 활용에 한계가 존재한다. 특히 화재를 포함한 재난 상황은 일상적으로 발생하지 않고 연구 목적의 재현도 어렵기 때문에, 관련 영상 데이터의 확보가 매우 제한적이다. 따라서, 화재를 비롯한 재난 분야에서 이미지 데이터의 충분한 확보를 위해서는 기존 수집 방식 외의 추가적 확보 방안이 필수적으로 요구된다.

최근 딥러닝 기반 화재 인식 모델의 학습 샘플 부족 문제를 해소하기 위해 데이터 증강(data augmentation)이 널리 활용되고 있다. 기존의 데이터 증강은 회전, 이동, 크기 조절, 색상 변환 등과 같은 이미지 처리 기반 변환을 적용하여 입력 데이터를 단순히 변형하는 방식으로 이루어져 왔다. 그러나, 이러한 전통적인 접근 방식은 원본 이미지의 특성을 벗어나기 어렵기 때문에, 실제 환경에서 발생할 수 있는 급격한 변화나 복잡한 상황을 충분히 반영하지 못한다는 한계를 가진다. 이러한 한계를 극복하기 위한 대안으로, 최근에는 생성형 인공지능(generative AI)을 활용한 고도화된 기법이 주목받고 있다. 이 방법은 단순한 이미지 변형을 넘어 실제 이미지에 존재하지 않는 요소를 가상으로 생성하여 새로운 이미지를 구성함으로써 학습 샘플의 다양성과 규모를 크게 확장할 수 있다는 특징이 있다.

생성형 AI 기법으로는 cycle-consistent generative adversarial network (CycleGAN), diffusion model, stable diffusion 등의 생성형 딥러닝 모델을 고려할 수 있다(4). 이 방법을 이용하면 일상의 이미지 내에 화염이나 연기의 사실적 형태를 모사하여 포함시킬 수 있다. 본 논문에서는 이러한 방법으로 생성한 가상의 화재 발생 이미지를 기존 학습 데이터 샘플에 추가하여 데이터의 부족 문제를 완화하고 딥러닝 모델의 일반화 성능을 향상시키고자 하는 것이다. 본 연구에서는 이러한 생성형 AI를 이용하여 화재 검출기의 학습 데이터셋을 가상적으로 확장하고, 이를 기반으로 YOLO 계열 딥러닝 객체 검출 모델의 성능을 개선하는 방법을 실험하였다.

화재 자동 검출에서는 학습 데이터 부족 문제가 지속적으로 보고되어 왔으며, 이를 해결하기 위한 다양한 데이터 확충 및 증강 전략이 제안되었다. Park 등(5)은 산불 이미지 데이터 확충을 위해 CycleGAN 기반 생성형 증강을 적용하여 데이터 다양성을 확장하고자 하였다. 유사한 산불 검출 연구에서는 YOLOv8 및 RT-DETR 기반 탐지 모델을 사용하고, 실제 데이터 수집의 한계를 극복하며 탐지 정확도를 향상시키기 위해 StyleGAN2-ADA 기반 합성 데이터 증강을 도입하였다(6). Seefried 등(7)은 합성 연기 데이터에서 품질과 탐지 정확도 간의 관계를 분석하여, 합성 데이터 설계 시 고려해야 할 요인을 정량적으로 제시하였다.

본 연구는 일반 화재 환경의 화염 검출을 대상으로, 데이터 증강을 핵심 개선 요소로 하는 제안 모델을 구성하였다. 구체적으로, 영상처리 기반 기본 증강과 생성형 AI 기반 증강을 단계적으로 적용하여 학습 데이터를 확장하였으며, 이를 통해 화염 검출 성능을 향상시키고자 하였다. 또한 각 증강 전략이 탐지 성능(precision/recall/mAP)과 실시간 처리 성능에 미치는 영향을 동일한 검출 조건에서 체계적으로 비교⋅분석함으로써, 제안한 데이터 증강 기반 개선 방식의 효과를 검증하는 데 초점을 둔다.

2. 영상 기반 화재 검출 기법

기존의 화재 감지 기술은 주로 센서 기반 방식으로 설치 현장 주변의 온도 상승, 연기 또는 가스 농도의 임계치 초과 등을 감지하여 화재 발생 여부를 판단하였다(8-10). 이러한 방식은 복잡한 마이크로프로세서 연산이 필요 없고, 비용이 저렴하며 설치가 간편하다는 장점을 가진다. 그러나 감지 범위가 제한적이고, 외부 환경 요인(예: 환기, 조명, 먼지 등)에 의해 오탐지가 발생하기 쉬우며 시각적 상황 인식이 불가능하다는 한계가 존재한다. 탐지 범위가 넓지 않고 화재 발생 환경의 다양한 주변 정보를 파악하기 어렵다는 단점이 있다, 이를 만회하는 방법으로 이미지 기반 화재 검출 방법이 최근 각광받고 있다.

이미지 기반 화재 검출 방식은 기존의 센서 신호 처리 방식에 비해 처리해야 할 데이터의 양이 많고, 신호 형태 또한 단순한 1차원 스트림(temperature, gas 등)이 아닌 2차원 영상 데이터(2D image) 이기 때문에 상대적으로 복잡한 분석 과정을 요구한다. 또한 검출 장치는 카메라, 프로세서, 통신 모듈 등으로 구성된 복합 시스템이므로 센서 기반 장치에 비해 비용이 높고 설치 복잡도가 증가하는 단점이 있다. 그럼에도 불구하고, 이미지 기반 검출은 보다 높은 정확도와 신뢰성을 확보할 수 있으며 화재 발생 지점 주변의 환경 정보까지 동시에 수집할 수 있다는 장점을 가진다. 이에 따라 최근에는 영상 기반 화재 감지 기술의 적용 사례가 점차 확대되고 있으며, 특히 별도의 장치를 설치하지 않고 기존 CCTV 인프라를 활용하는 응용 방식도 활발히 연구되고 있다.

초기 영상 기반 화재 탐지 연구는 주로 RGB 신호로부터의 색상 정보(예: 붉은색⋅노란색 계열), 형태적 특징(shape features), 그리고 프레임 간 변화율(temporal variation) 등을 활용하였다(11,12). 그러나 이러한 방식은 광학 센서의 특성상 조명 변화나 배경 환경에 매우 민감하며, 화재나 연기처럼 명확한 형태가 없는 비정형적 객체(irregular objects)의 경우에는 검출 특징을 안정적으로 정의하기 어렵다. 이와 같이 휴리스틱(heuristic) 기반으로 탐지 대상을 알고리즘화하는 방식은 특정 규칙에 의존하므로, 객체의 다양한 형태적⋅시간적 변화를 충분히 포착하기 어렵다. 그 결과, 탐지의 일반화 성능과 인식률 향상에는 한계가 존재한다는 문제가 있다.

이를 극복하기 위한 방법이 딥러닝 기반 객체 검출 방식이다. 딥러닝 모델링으로 탐지 객체의 불규칙한 변화로 부터 자유로워 질 수 있게 되었다. 컨벌루션 네트워크(convolutional neural network, CNN)을 기반으로 하는 다양한 객체 검출 모델이 화재 검출에도 적용되고 있으며 YOLO, Faster R-CNN, SSD 등을 들 수 있다. 다만 이러한 객체 탐지 모델은 딥러닝 학습의 특성 상 인식 성능 확보를 위한 다양하고 충분한 학습 데이터 확보가 필요하다(13-15).

딥러닝 기반 솔루션은 모델링의 일반화 성능을 높이기 위한 충분한 학습 샘플의 확보가 무엇보다 중요하며 이를 해소하기 위한 다양한 데이터 증강 기법이 제안되어왔다. 기본적으로 손쉽게 할 수 있는 방법으로는 이미지 회전, 밝기 조정 등의 색상 변환, 노이즈 추가 등의 영상 처리(image processing) 기법이 있다(13,14). 이 방법은 수집된 현재 화재 데이터의 샘플 수를 인위적으로 확장시켜 학습의 다양성과 알반화를 확보하는 데 도움을 줄 수 있다. 그러나 이러한 단순 변형은 이미지 내 객체의 기본 형태나 배경의 모양을 변형시키는 것은 아니기 때문에 실제 화재 현장의 다양한 상황을 재현하기는 사실상 불가능하다.

화재 이미지 확보를 위한 방법으로 화재 발생(fire simulation rendering)을 가상적으로 만들고 합성하는 방법을 사용하였다(16,17). 이 방법은 잘 알려진 3D 그래픽 프로그램을 이용하여 화염이나 연기 등 화재 상황을 렌더링한 뒤에 이것을 실제 배경 영상과 합성하면서 가상의 화제 이미지를 생산하는 방식이다. 그러나 이러한 합성 영상은 사용자가 제작한 이미지라는 한계를 벗어나기 힘들기 때문에 현실감이 부족하다는 한계가 분명히 있다. 또한 실제 카메라 작동의 노이즈나 주변 환경과의 상호 작용 등의 작동 특성을 반영하지 못한다.

3. 데이터 증강과 생성형 AI

데이터 증강은 기존 학습 데이터에 다양한 변형을 적용하여 데이터의 다양성을 높임으로써 모델의 일반화 성능을 향상시키는 기법이다. 이는 특히 화재 상황과 같이 데이터 수집이 어려운 분야에서 효과적으로 활용될 수 있으며 데이터 증강을 통해 학습 샘플의 양과 다양성을 인위적으로 확장함으로써 과적합(overfitting)을 완화하고, 모델이 새로운 데이터에 대해 보다 안정적으로 일반화하도록 도울 수 있다.

기존에는 회전, 이동, 색상 조정 등의 다양한 이미지 처리 함수를 적용하여 입력 영상을 변형하는 방식을 주로 사용되었다. 이러한 방식이 손쉽게 이미지 변형을 만들 수는 있으나 입력 이미지의 부분적 변형에 불과하기 때문에 급격하거나 복잡한 변화를 생성하기 어렵다는 한계를 가진다. 최근에는 생성형 인공지능 기법의 발전으로, 기존 데이터를 단순히 변형하는 수준을 넘어 보다 적극적으로 가상 이미지를 생성하여 다양한 응용 분야에 활용하는 연구가 활발히 이루어지고 있다.

본 논문에서는 생성형 AI 중에서 CycleGAN을 사용하였는 데 중요한 이유 중의 하나는 화재 영상의 경우 이에 맞는 비화재 영상을 함께 확보하는 것이 불가능한다는 데 있다(4). 같은 장소의 비화재 버전 ↔ 화재 버전처럼 정확히 짝지어진 이미지 쌍을 수집하는 것은 불가하기 때문에 각각 화재와 비화재로 서로 구별되는 별도의 데이터셋을 기반으로 운영하는 방식의 적용이 필요하다. CycleGAN은 기본 GAN 구조와 학습 원리를 그대로 사용하고 있는 데 GAN은 2014년 Ian Goodfellow 등이 처음 제안한 생성형 인공지능(generative AI)의 대표적인 모델이다. 이 방법은 가상의 이미지를 만드는 생성자(generator)와 이것의 진위를 가리는 판별자(discriminator)로 구성된다. 이 두 파트는 상호 경쟁하는 관계에 있으며 적대적 학습(adversarial training)을 통해 상호 성능을 높여가며 발전한다.

적대적 학습이라는 아이디어는 가상의 화재 이미지를 생성하는 네트워크 모델은 판별자가 실제와 구별하기 어려운 가상의 화재 데이터를 만들어내는 것이고 판별자는 현재 입력된 데이터가 진품인지 가품인지를 판별하는 능력을 갖추도록 네트워크를 학습하는 것이다. 이 두 네트워크는 번갈아 가면서 경쟁적으로 자기 능력을 키우고 결국은 생성자가 점차 현실성 있는 수준의 화재 이미지를 생산하는 수준이 되는 것이다. GAN의 학습 과정은 미니맥스(minimax) 게임으로 설명될 수 있다. 즉, 생성기는 판별기를 속이기 위해 목적함수의 값을 최소화하려 하고, 판별기는 생성기를 구별하기 위해 동일한 목적함수의 값을 최대화하려 한다. 따라서 두 네트워크 간의 경쟁적 관계는 다음과 같은 미니맥스 최적화 문제로 표현될 수 있다.

GAN의 목적함수는 아래의 식(1)과 같이 minmax 형태로 표현된다.

여기서x는 실제 화재 영상 데이터를 의미하며, z는 잠재공간(latent space)으로부터 샘플링된 무작위 벡터로, 일반적으로 정규분포N(0,1)에서 추출된다. D는 입력 영상이 실제(real) 이미지인지(1) 혹은 생성된 가짜(fake) 이미지인지(0)를 판별하는 판별기(discriminator)이며, G는 잠재 벡터 또는 가상의 새로운 이미지를 만드는 생성기(generator)를 의미한다. E는 GAN의 목적함수에 포함된 확률분포 상의 기댓값을 나타내지만, 실제 구현 단계에서는 수집된 학습 샘플들의 유한 범위의 합(∑)으로 근사된다.

CycleGAN은 이러한 GAN 구조를 확장하여, Figure 1과 같이 한 방향 생성기G (real→fake)뿐 아니라 반대 방향 생성기F (fake→real)을 두어 상호 순환 변환이 가능하도록 설계한다. 이를 통해 입력 이미지가 다시 원래 도메인으로 복원될 수 있는 순환 일관성(cycle consistency)을 확보한다. CycleGAN 방식은 서로 짝이 맞지 않는(unpaired) 화재 영상 집합과 비화재 영상 집합 간의 변환을 수행하므로 양방향 변환이 필수적이며, 이러한 제약이 없을 경우 원본 장면과 무관한 전혀 다른 화재 이미지가 생성될 수 있는 문제가 발생할 수 있다.

Figure 1

Fire images generation using CycleGAN.

본 연구에서 적용한 CycleGAN 기반 화재 영상 생성 모델은 가상의 화재 이미지를 생성하는 생성기G와 결과 영상의 진위를 판별하는 판별기D가 경쟁적으로 학습하는 구조로 설계되었다. 두 네트워크는 반복적인 학습(iterative adversarial training)을 통해 생성 영상의 시각적 품질을 점진적으로 향상시키며, 이상적으로 실제 장면과 구분이 어려운 고품질 화재 이미지를 생성하는 상태에 도달하는 것을 목표로 한다.

학습 데이터는 화재 영상과 비화재 영상을 동일한 개수로 구성하였고 모든 이미지는 256 × 256 해상도로 정규화하였다. 또한 이미지 회전, 상하⋅좌우 반전, 색상 변화 등의 기본적인 데이터 증강을 적용하여 데이터의 다양성을 확보하고 모델의 일반화 성능을 향상시켰다.

CycleGAN의 생성기는 정규분포에서 샘플링된 무작위 벡터를 이용하여 가상의 화재 영상을 만들고 판별기는 이렇게 생성된 영상과 실제 영상을 구분하는 역할을 담당한다.이 때 네트워크의 가중치 조정 알고리즘으로 Adam 옵티마이저를 사용하도록 설계되었다(4). 이 알고리즘에 사용된 학습률은 0.0002, 모멘텀 파라미터는 β₁ = 0.5, β₂ = 0.999을 사용하였고 배치 크기(batch size)는 GPU 상황을 고려하여 4를 사용하였다.

생성된 화재 영상은 객체 탐지 딥러닝 모델인 YOLO의 학습 데이터로 활용되었다. 그 결과, 실제 화재 영상이 부족한 복잡한 배경이나 야간 환경에서도 모델의 탐지 정확도가 향상되는 경향을 확인하였으며, 해당 분석 결과는 4장에서 상세히 제시한다.

4. 실험 결과 분석

모든 실험은 PyTorch 2.0 기반의 Ultralytics YOLO 프레임워크에서 수행되었으며, GPU 환경은 NVIDIA GeForce RTX 3090, 24 GB 메모리, CUDA 12.6을 사용하였다. 입력 영상 크기는 256 × 256을 기본으로 하여 학습과 테스트를 실시하였다.

본 논문의 RGB 이미지 기반 영상 검출은 잘 알려진 딥러닝 객체 검출 모델이 YOLO를 사용하였다. 이 모델의 다양한 버전 중에서 비교적 많은 검출 실험이 보고되었던 YOLO version 5.0 (YOLOv5)와 최근 개선 버전인 YOLO version 8.0 (YOLOv8)을 이용하여 화재와 연기 검출 실험을 진행하였다. 이 실험에 사용된 학습 샘플은 3절에서 설명한 기본 화재 데이터셋을 사용하였다. 학습은 총 100 에폭(epoch) 동안 수행되었으며, 모델의 복잡도와 검출 성능을 종합적으로 평가하기 위해 정밀도(precision, %), 재현율(recall, %), 및 초당 프레임 수(frames per second, FPS) 지표를 비교하였다. 이러한 정량적 평가는 화재 검출의 정확도와 실시간 적응 속도를 함께 고려하여 성능을 판단하기 위함이다. 학습이 진행될수록 예측한 결과와 실제 정답 사이의 오차인 손실값은 점진적으로 감소하였고, 평균 정밀도(mAP)는 안정적으로 증가하였다. 특히 동일한 에폭(epoch) 조건에서 YOLOv8은 YOLOv5 대비 검출 성능이 약 5.9% 높게 나타났으며, 이는 개선된 백본 구조(backbone)와 효율적인 피처 융합(feature fusion)에 기인한 것으로 해석된다. 처리 속도 측면에서는 YOLOv5가 YOLOv8보다 약 29% 정도 빠르게 동작하였다. 두 모델 모두 6 FPS 이상(YOLOv5 8.0 FPS, YOLOv8: 6.2 FPS)을 달성하여 실시간 검출 응용에 적용 가능함을 확인하였다. YOLOv5의 경우 일부 작은 불꽃이나 연기 영역을 탐지하지 못하는 경우도 있었으나 YOLOv8은 보다 안정적으로 탐지하였다.

본 논문은 딥러닝의 화재 검출 정확도를 높이는 방법으로 앞서 기술한 3장의 학습 샘플 증강 방법을 사용하였으며 이에 따른 검출률의 변화를 비교⋅분석하였다. 첫 번째 방식은 이미지 회전, 반전, 밝기 변화 등과 같은 비교적 간단한 영상 처리 필터링을 적용한 경우인 데 본 논문에서는 Table 1과 같이 기본 증강 방식(basic augmentation)으로 표기하였다.

Table 1

Deep Learning Improvement With Data Augmentation (Metrics Normalized to 0~1)

화재 검출 모델은 조명, 시점, 거리, 배경 등 촬영 환경에 따라 화염의 시각적 특성이 크게 달라지기 때문에, 다양한 조건에서의 데이터를 학습하는 것이 필수적이다. 예를 들어, 동일한 화재 장면이라도 촬영 각도나 거리, 조명 밝기에 따라 불꽃의 크기, 색상, 윤곽선, 연기 분포가 달라지며, 이는 모델이 단일 시점의 데이터에만 의존할 경우 일반화 성능이 저하되는 원인이 된다. 따라서 학습 단계에서 가능한 한 다양한 변형 이미지를 생성⋅활용하는 것은 매우 효과적인 전략이다.

Figure 2는 본 연구에서 사용된 데이터 증강 예시를 보여주며, Roboflow에서 제공된 화재⋅비화재 샘플 이미지를 일부 발췌한 것이다(10). 그림에서 보듯이 동일한 화재 영역이 다양한 각도와 위치로 변형되었음을 확인할 수 있다.

Figure 2

Transformations such as image rotation and flip for learning sample augmentation.

두 번째 유형은 CycleGAN을 이용하여 실제 화재 영상과 비화재 영상 그룹을 학습하여 가상의 화재 영상을 생성하여 학습 샘플을 늘리는 방법이다. 생성형 AI 기법을 이용하여 가상의 화재 영상을 생산하기 위하여 화재를 포함한 이미지와 그렇지 않은 일상의 이미지 두 개의 그룹이 필요하다. 첫 번째 그룹인 화염 이미지는 다양한 공개 데이터셋 및 실제 촬영 자료로부터 수집되었다.

두 번째 그룹은 화재가 없는 일상적인 장면으로 구성하였다. 본 연구의 실험을 위해서 Kaggle, Berkeley EECS 데이터셋, Roboflow, 자체 제작 이미지 샘플을 함께 사용하였다. 생성형 상호 변환에 관여하는 두 샘플 그룹은 이미지 수와 장면 다양성 측면을 고려하여 정리하였다(18-20). Figures 3(a)~3(f)의 상단은 앞서 제시한 데이터셋의 이미지이고 하단은 CycleGAN을 이용하여 생성된 가상이미지이다. Figure 3에서 보듯이 실제 화재 발생 상황을 가상적으로 만들고 있다. 이 이미지에서 화염, 연기 부분을 영역설정하고 딥러닝 객체 모델의 학습 샘플로 사용하였다.

Figure 3

Fire vs. non-fire images (CycleGAN input and output).

실험은 상대적으로 객체 탐지율에서 우수한 성능을 보이는 YOLO version 8.0 모델을 기반으로, 두 가지 데이터 증강 기법으로 생성된 데이터셋을 각각 학습에 활용하였다. 학습 성능 비교는 정밀도, 재현율, mAP 지표를 중심으로 수행하여 데이터 증강 전략이 화재 검출 모델의 인식 성능에 미치는 영향을 정량적으로 평가하였다. 정밀도는 모델이 화재라고 판단한 결과 중에서 실제로 화재인 비율을 의미하며 탐지의 정확성을 나타내는 지표이다. Figure 4에서 제시한 계산식과 같이 재현율은 실제 화재 중에서 모델이 얼마나 많이 탐지했는지를 재현율이 높다는 것은 놓치는 화재가 적다는 의미이다. 평균 정밀도는 정밀도와 재현율을 종합적으로 평가한 지표로 객체 검출 분야에서 가장 대표적인 성능 척도이다. 정밀도는 경보를 울릴 때 실제 화재일 확률이라 할 수 있으며, 불필요한 경보를 줄이는 데 중요한 지표로 볼 수 있고 재현율은 실제 화재를 얼마나 많이 찾을 수 있는가에 관한 것으로 볼 수 있다.

Figure 4

Accuracy and recall of fire detection capability.

Table 1과 Figure 5는 학습 샘플 증강(generative augmentation) 적용 여부에 따른 화재 검출 성능 변화를 정리한 것이다. 본 실험 결과는 단일 학습 결과가 아니라, 동일한 조건에서 다회 반복 학습을 수행한 후 각 지표의 평균값을 산출하여 비교⋅분석한 결과이다. 이를 통해 우연적 성능 변동을 최소화하고 증강 기법의 기여도를 보다 객관적으로 평가하고자 하였다.

Figure 5

Performance comparison between augmented and original samples.

분석 결과, 생성 기반 증강(generative augmentation)을 적용한 모델은 기본 데이터셋(no augmentation) 및 기본 증강(basic augmentation) 대비 모든 평가 지표에서 가장 높은 평균 성능을 보였다. 이는 생성 기반 데이터 증강이 특정 실험에 국한된 일시적 향상이 아니라, 반복 실험 전반에서 일관되게 나타나는 구조적 개선 효과임을 시사한다.

정밀도(precision)는 무증강 대비 평균 9.9% 향상되어 오탐(false positive)을 줄이는 방향으로 학습 안정성이 개선된 것으로 해석된다. 재현율(recall)은 평균 11.2% 향상되어 실제 화재 객체를 보다 많이 탐지하는 경향이 반복 실험 전반에서 일관되게 나타났다. 이는 생성된 증강 데이터가 다양한 화재 패턴과 환경 조건을 반영함으로써 데이터 다양성을 확장하고 모델의 일반화 능력을 강화한 결과로 판단된다.

또한 mAP50은 평균 10.1%, mAP50-95는 평균 17.6% 향상되었다. 특히 mAP50-95에서 가장 큰 향상 폭이 확인되었는데, 이는 다양한 IoU 임계값 범위에서 위치 정확도와 검출 신뢰도가 함께 개선되었음을 의미한다. 반복 실험에서도 동일한 상승 경향이 유지되어, 생성 기반 증강이 특정 임계값에 한정되지 않고 전반적인 검출 품질 향상에 기여했음을 확인할 수 있다.

다만 본 실험에서 정밀도에 비해서 재현률이 상대적으로 낮게 나타나는 현상을 보였는 데 이는 화염과 연기 객체의 특성에 기인한다고 판단하였다. 화염과 연기는 형태가 지속적으로 변형되는 비정형 대상이어서 그 경계가 명확하지 않고 공간적 특성을 한정하기 어려운 특성이 있다. 이러한 원인으로 검출 대상의 정확한 위치와 공간을 일관되게 유지하기 어렵다. 그 결과 학습 모델은 비교적 명확한 영역에 대해서만 보수적으로 작동하는 것처럼 보이는 경향이 있다. 결국 오검출(false positive)은 적어서 높은 정밀도(precision)를 얻을 수 있어도 일부 실제 객체를 검출하지 못하는 경우가 증가하여 재현률(recall)은 낮아지는 경향을 보였다.

본 연구에서 활용한 원천 데이터는 Kaggle 기반 화재 이미지 샘플과 자체 수집 화재 실험 데이터를 포함하였다(21,22). Table 1의 샘플 수 증강을 하지 않은 기본 데이터셋(no augmentation)은 총 6,388장으로, Kaggle 기반 4,914장(76%)과 자체 수집 1,474장(24%)으로 구성된다. 기본 증강(basic augmentation)은 회전(±30°) 및 대비 조정(±10) 등의 영상처리를 적용하여 추가 증강 이미지 1,240장을 생성하였다. CycleGAN 기반 생성 데이터는 방법의 특성상 비현실적이거나 왜곡된 결과가 포함될 수 있다. 따라서 생성된 이미지 중 품질이 낮은 샘플은 수작업 육안 검사를 통해 제외하였으며, 최종적으로 620장을 선별하였다. 이후 회전⋅대비 조정 등 추가 변환을 적용하여 생성 이미지 수를 1,240장으로 확대하여 학습에 사용하였다. 이러한 절차를 통해 최종 생성 기반 증강 데이터셋은 기본 데이터와 증강 데이터를 합산하여 총 16,336장으로 구성되었다.

데이터셋은 공정한 성능 평가를 위해 무작위 셔플 후 분할하였으며, 학습 이미지 전처리는 해상도 정규화(resizing)만 적용하였다. 전체 데이터의 10%는 테스트 세트(test)로 고정 분리하고, 나머지 90%는 학습/검증 세트(train/validation)로 8:2 비율로 분할하여 모델 학습을 수행하였다.

CycleGAN 학습에는 화재 이미지 3,572장과 비화재 이미지 4,262장을 사용하였다. 최적화는 Adam 옵티마이저로 수행하였으며, 생성기(AB, BA)는 하나의 Adam으로 공동 업데이트하고 판별기(A, B)는 각각 별도의 Adam으로 업데이트하였다. 총 학습은 800 epoch로 진행하였고 참고로 YOLO 학습은 100 epoch로 수행하였다.

5. 결 론

본 연구에서는 화재 검출의 성능을 제고하기 위한 방안으로 CycleGAN을 이용하여 화재 이미지 샘플의 수를 증강하는 방법과 YOLO 계열 객체 검출 모델로 검출률 확인하는 방안을 제시하였다. 데이터 증강 방법으로 사용하는 CycleGAN 방식은 비화재 이미지 집단과 화재 발생 집단 이미지를 상호 번갈아 가며 학습하고 각 그룹의 특징을 학습한 후 가상적으로 화재 영상을 생산하는 방식이다.

본 논문에서는 이러한 생성형 AI 기법을 이용하여 가상의 데이터를 생산하고 이를 학습 집합에 추가하여 실험하였다. 실험결과 데이터의 다양성과 일반화 성능이 향상되어 화재 검출률의 향상을 확인할 수 있었다.

CNN 기반의 YOLOv5 및 YOLOv8 딥러닝 모델로 화재 검출 실험을 진행하였다. 수집된 데이터셋을 이용하여 학습한 경우, 기본 영상처리 기법을 이용한 단순 데이터 증강으로 진행한 경우, 기본 영상처리 기법에 CycleGAN 생성형 모델로 증강한 데이터 증강까지 포함시킨 경우를 실험하였다. 실험 결과 생성형 AI로 데이터 증강한 방식이 기존 실제 영상만을 사용한 모델에 비해 정밀도, 재현율, 그리고 평균 정밀도(mAP) 측면에서 모두 우수한 성능을 보였다. 특히 YOLOv8은 향상된 네트워크 구조 덕분에 YOLOv5에서 놓쳤던 소규모 화염이나 연기 영역까지 안정적으로 탐지하였다. 결과적으로, GAN 기반의 화재 영상 생성은 실제 화재 데이터 수집의 한계를 극복할 수 있는 효율적인 대안임을 확인하였다.

본 연구의 방법은 화재와 같은 재난 상황의 데이터는 그 특성상 충분한 확보가 현실적으로 어렵다. 이러한 상황에서 문제를 해결할 수 있는 실질적인 접근법으로 딥러닝 모델의 일반화 성능과 신뢰성을 동시에 향상시킬 수 있다. 향후 연구에서는 다음과 같은 방향으로 확장할 필요가 있다고 본다.

Article information Continued