현재 화재로 인해 환경 문제와 재산적 손실이 많이 발생하고 있으며, 이러한 손실을 최소화하기 위해 연구를 진행하고 있다. 2020년도 소방청의 화재통계연감에 따르면 2010년 소방방재청 시절에 화재 및 사망자를 줄이기 위한 "화재와의 전쟁"이라는 정책을 선포하면서 화재가 감소하는 결과를 보이나, 도시에 인구가 유입되면서 밀집되는 현상으로 인해 도시화가 가속화되고 전기, 유류 등 에너지를 사용하는 시설 등이 계속 늘어남에 따라 화재로 인한 인명, 재산 피해가 증가하고 있다.
우리나라의 통계청에서 집계한 내용을 보면 인명 피해는 2020년 2,282명으로 2011년 1,861명보다 22.6% 증가하였고, 부상자는 2020년 1,917명으로 2011년 1,598명보다 20.0% 증가하였으며, 사망자는 2020년 365명으로 2011년 263명보다 38.8% 증가하였다. 이렇듯이 화재로 인한 피해는 매년 평균 사망 5.1%, 부상 2.7%씩 증가하였고, 재산 피해는 12.7%씩 증가하여 화재로 인한 피해가 증가하고 있음을 알 수 있다.
따라서, 화재 발생으로 인한 경제적 손실과 인명 피해를 줄이기 위해 건물, 산림, 도서 지역, 기타 환경에서 빠르게 화재를 감지할 수 있는 화재 감시 시스템이 필요하며 인공지능은 이러한 문제에 대안이 될 수 있다.
이에 본 논문에서는 YOLOv5s 모형에 객체 추적에 강점을 갖는 DeepSORT를 혼합하여 낮은 화재 경보 정확도를 높일 수 있는 개선된 인공지능 모형을 개발하고 자 한다.
본 논문에서 기존 인공지능 모형보다 빠르고 정확한 화재 탐지 모형을 개발하기 위해 YOLOv5s 모형과 객체 추적에 가장 많이 사용되고 있는 프레임 워크 중 하나로 SORT(Simple Online and Realtime Tracking)를 보완 확장한 기술인 DeepSORT를 선택하여 혼합된 모형을 사용하고자 한다.
특히 YOLOv5s 모형의 장점은 높은 탐지 정확도(High Detection Accuracy), 경량화 특성(Lightweight Characteristics), 빠른 속도로 탐지(Fast Detection Speed at The Same Time)할 수 있다.
또한, DeepSORT는 정확도(Accuracy)를 개선한다는 장점이 있지만, 추가적인 컴퓨팅 연산을 요구하여 초당 프레임 수(FPS)를 감소시키는 단점도 있으므로 본 논문은 이러한 두 모형의 장점을 혼합하여 화재 탐지에 적용하고자 하며, 화염에 따른 오 탐지율을 낮추고, 객체에 대해 빠른 추적과 정확하게 검출한다.
제안한 YOLOv5s_DeepSORT 혼합 모형을 적용하여 화재 탐지의 평가 지표로 정확도와 초당 프레임 수를 측정하였다. 본 논문의 최종 연구결과로 YOLOv5s 모형의 정확도는 96.3%이고 초당 프레임 수는 30으로 나타났다. 그러나 본 논문에서 제안한 YOLOv5s_DeepSORT 혼합모형은 정확도가 97.2%이고 초당 프레임 수는 30으로 YOLOv5s보다 정확도에서 0.9%가 높게 나타났다.
따라서 본 논문에서 제안한 YOLOv5s_DeepSORT 혼합 모형으로 화재를 탐지한 결과 기존 모형인 YOLOv5s 보다 정확도가 0.9% 높고 오류를 낮출 수 있어, 작은 화염부터 큰 화염까지 추적하여 탐지할 수 있다.