불확실성 기반 화재 인식 및 데이터 증강 연구

Uncertainty-aware Fire Recognition and Data Augmentation

연구 내용

화재 인식에서 데이터 수집 제약과 오인식을 완화하기 위해 Bayesian Neural Network의 불확실성 추정과 ROI 기반 데이터 생성·증강을 결합하는 연구

화재 인식에서 발생하는 잘못된 예측과 데이터 불균형 문제를 줄이기 위해 불확실성 기반 추론을 도입합니다. CNN의 판단을 보류하는 방식으로 불확실성이 큰 입력의 위험도를 조정하고, 영상·이미지에서 ROI를 정의한 뒤 F-guess 기반 추정값을 활용해 유사 라벨 데이터를 생성합니다. 초기 학습 단계에서 편향이 누적되지 않도록 유사 라벨링을 적용하며, 화력발전소와 같은 현장 환경에 적용 가능한 화재방호시스템과 연계하는 확장 연구를 수행합니다.

관련 프로젝트

4건

연구 흐름

초기에는 영상 기반 화재 인식에서 데이터 수집이 제한되는 상황을 전제로, MC dropout 기반 Bayesian neural network 방식으로 모델의 예측 불확실성을 추정하고 오인식을 완화하는 방향으로 연구가 진행되었습니다. 이후 2024년 전후로 ROI와 F-guess 추정을 결합해 학습 데이터를 생성·증강하는 절차를 정교화하여 초기 편향을 줄이는 방법으로 확장되었습니다. 동시에 2020년부터 추진된 화력발전소 화재방호시스템 개발 과제를 통해 IIoT 및 Digital Twin 기반 시각화·운영 요구에 맞는 적용성을 고려하는 연구 흐름을 형성하였습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

화재 조기 경보 고도화
불확실성 기반 오판 감소
ROI 기반 영상 라벨링 자동화
반실험적 데이터 생성 파이프라인
화력발전소 화재방호 모니터링
디지털 트윈 연동 위험도 시각화
엣지 환경 추론 안정화
재난 대응 의사결정 보조
소형 라벨 데이터 효율화
영상 기반 안전검지 고정밀화