Journal Search Engine

to

Search Advanced Search Adode Reader(link)
Download PDF Export Citation Korean Bibliography PMC Previewer
ISSN : 1229-6783(Print)
ISSN : 2288-1484(Online)
Journal of the Korea Safety Management & Science Vol.23 No.1 pp.9-15
DOI : http://dx.doi.org/10.12812/ksms.2021.23.1.009

Statistical Analysis of Major Accident Reports and Development of a Real-time Detection Model for Portable Ladder and Safety Helmet

Seung-Ju Choi*, Kihyo Jung**
*Department of Safety Engineering, University of Ulsan
**School of Industrial Engineering, University of Ulsan
†Corresponding Author: Kihyo Jung, School of Industrial Engineering, University of Ulsan, 93 Daehak-ro, Nam-gu, Ulsan, E-mail: kjung@ulsan.ac.kr
December 3, 2020 December 3, 2020 March 4, 2021

Abstract

The leading source of occupational fatalities is a portable ladder in Korea because it is widely used in industry as work platform. In order to reduce victims, it is necessary to establish preventive measures for the accidents caused by portable ladder. Therefore, this study statistically analyzed injury death by portable ladder for recent 10 years to investigate the accident characteristics. Next, to monitor wearing of safety helmet in real-time while working on a portable ladder, this study developed an object detection model based on the You Only Look Once(YOLO) architecture, which can accurately detect objects within a reasonable time. The model was trained on 6,023 images with/without ladders and safety helmets. The performance of the proposed detection model was 0.795 for F1 score and 0.843 for mean average precision. In addition, the proposed model processed at least 25 frames per second which make the model suitable for real-time application.
Occupational safety, Portable ladder, Safety helmet, Object detection, Machine learning

이동식사다리 중대재해 통계 분석 및 이동식사다리와 안전모 실시간 탐지 기계학습 모델 개발

최승주*, 정기효**
*울산대학교 안전보건전문학과,
**울산대학교 산업경영공학부

초록

1. 서 론

 산업재해보상보험이 1964년 시작될 때 5%대였던 산 업재해는 점진적으로 감소하여 2017년 0.48%까지 줄었 다. 그러나 산업재해로 인한 경제적 손실 추정액은 20조 원을 넘었으며, 사고로 사망하는 근로자의 수는 2017년 964명으로 연간 천여 명에 이른다[1]. 또한, 우리나라 노 동자 만 명당 사고사망자수는 독일 등 선진국의 2~3배 수 준에 달하는 실정이다[2].
 우리나라의 2019년 산업재해 사고사망은 855명으로 보고되고 있다[3]. 사고사망의 발생형태는 떨어짐 347명 (40.6%), 끼임 106명(12.4%), 부딪힘 84명(9.8%) 순 으로 높게 발생하고 있다. 기인물은 이동식사다리 41명 (4.8%), 슬레이트 지붕 35명(4.1%), 단부 32명(3.7%), 백호 30명(3.5%) 순으로 나타나고 있다. 그로 인해 이동 식사다리는 단일 기인물 중에서는 가장 주요한 산업재해 사고사망의 원인으로 지목되고 있다.
 이동식사다리는 ｢산업안전보건기준에 관한 규칙｣에 따 라 통로로 사용되어야 타당하나, 간편성과 경제성으로 고 정 사다리가 없거나 작업발판의 설치가 곤란한 장소에서 활용되고 있다. 또한, 이동식 사다리는 제조업, 건설업, 서 비스업 등 다양한 업종에서 이동, 설비의 설치･수리･점검, 하역･적재 등 다양한 작업에서 작업발판 대용으로 널리 사용되고 있다. 이에 따라 고용노동부는 2018년 말에 이동식사다리를 작업발판으로 사용하지 못하도록 교육, 현 장 기술지도, 그리고 관리감독 등을 강화하고자 하였다. 그러나 다른 대체품이 부족하고 비용이 많이 드는 등 현장 에서 혼란과 비현실적이라는 반발이 커서 경작업, 협소한 장소 등 제한적인 조건과 안전모 착용 등 안전조치 확보를 전제로 사용금지를 완화하였다.
 이동식사다리는 사고 위험성이 높음에도 불구하고 산 업현장에서 사용할 수밖에 없는 것이 현실이다. 이에 따라 이동식사다리 관련 재해를 예방하기 위해 여러 연구가 진 행되어 왔다. Kim et al. (2009)은 이동식사다리 본체의 미끄러짐에 의한 재해예방을 위해 이동식사다리의 미끄러 짐 특성을 시험하였다[4]. Song et al. (2013)은 사다리 에서 추락하는 재해 사례 분석을 통해 사다리 사용상 문제 점과 개선방안을 제안하였다[5]. Sim and Kang (2017) 은 사다리 안전기준 보완 및 안전교육 강화를 제안하고 안 전한 사다리 사용을 위한 모델을 제시하였다[6].
 한편, 이동식사다리를 활용하는 작업은 작업 높이가 높 지 않음에도(예: 3m) 추락으로 인해 사고사망의 빈도가 높다. 2014년 산업재해원인조사에 따르면 ‘계단, 사다리 에서의 떨어짐’으로 인해 31명의 사고사망이 발생하였다. 그 중에서 25명(80.6%)은 안전모를 착용하면 재해를 예 방할 수 있었던 것으로 조사되어[7], 근로자의 사고사망 위험을 경감시키기 위해서는 이동식사다리 사용 중 안전 모 착용이 매우 중요한 것으로 나타났다. 그로 인해, 건설 현장 등의 안전관리를 위해 무선통신 기술(예: RFID, Zigbee)을 활용하여 안전모 착용을 모니터링 하는 연구 가 진행되었으나[8], 비용문제 및 사용불편 등으로 널리 사용되지 못하고 있다.
 본 연구는 이동식사다리에 의한 사고사망을 경감시키 기 위해 이동식사다리 관련 중대재해 통계 분석을 실시하 였으며, 그 결과에 근거하여 이동식사다리 사용 근로자의 안전모 착용 여부를 식별하는 기계학습 모형을 개발하였 다. 이동식사다리 사고사망의 발생원인 분석을 위해 최근 10년간의 이동식사다리에서 발생한 사고사망 재해를 심 층 분석하였다. 그리고 작업자 간섭 없이 CCTV로부터 촬 영된 영상에서 이동식사다리와 안전모 착용 여부를 실시 간으로 탐지할 수 있는 기계학습 알고리즘을 개발하였다. 본 연구의 기계학습에는 YOLO (You Only Look Once) 가 사용되었으며, 개발된 기계학습 모델의 성능 평가를 통 해 산업현장 적용성을 검증하였다. 본 연구의 결과는 산업 현장에서 이동식사다리 작업 중 안전모 착용 여부를 쉽게 확인하고 근로자들의 안전의식을 제고하여 이동식사다리 관련 사고사망을 감소시키는데 기여할 수 있을 것으로 기대된다. 

2. 연구 방법

2.1 재해 통계 분석

 본 연구는 최근 10년간(2010년~2019년) 업무상 재해 로 요양결정 승인된 사고사망 통계 자료9)에서 이동식사 다리와 관련된 294명의 사고사망 재해특성을 분석하였다. 재해 발생의 주요 특징을 파악하기 위해 다양한 유형(업종, 건설현장 규모, 공사 규모에 따른 공정률, 사고상 병명)에 따른 재해 발생 특성을 분석하였다. 재해 데이터에 대한 통계 분석에는 도수분포표와 카이제곱검정이 사용되었다.
 

2.2 이동식사다리 및 안전모 탐지 

2.2.1 YOLO 기반 탐지 방법

 
본 연구는 YOLOv3 알고리즘을 기반으로 하여 CCTV에서 촬영된 영상에서 이동식사다리와 안전모를 실시간으로 탐지할 수 있는 모델을 개발하였다. YOLO는 현재 v1~v3[11~13]의 버전이 있으며, 점진적으로 속도 및 정 확도가 개선되고 있다. YOLO는 하나의 네트워크를 이용 하여 물체의 위치와 종류를 동시에 예측할 수 있는 특징이 있다. 본 연구에 적용된 YOLOv3는 [Figure 1]과 같이 입 력 이미지를 격자로 분할한 후, 각 격자에서 정해진 개수의 경계 상자(Bounding box)를 예측한다. 예측된 경계 상자 는 물체의 위치(중심 좌표, 크기)를 표시하기 위한 것으로 경계 상자 내에 물체가 있을 가능성을 나타내는 값과 물체 가 무엇인지를 나타내는 클래스 값을 가진다. 본 연구의 YOLOv3는 격자당 5개의 앵커 상자(Anchor box)를 사 용하여 크기가 다른 물체를 탐지할 수 있도록 하였다[14]. 본 연구의 YOLOv3의 백본 네트워크는 GoogleNet을 기 반으로 한 Darknet을 사용하였으며, CNN 계층(layer)은 총 53개로 구성되었다.
 
 

2.2.2 이미지 데이터셋(Dataset)

 
 본 연구는 이동식사다리와 안전모 착용 여부를 탐지하 기 위해 이미지 분류 및 경계 상자 라벨이 있는 데이타셋 이 필요하다. 그러나 공개된 이미지 데이터셋(ImageNet, Open Image, MS COCO, LVIS 등)은 이동식사다리와 안전모에 대한 정확한 이미지 분류를 제공하고 있지 않다. 예를 들면, Open Image는 이동식사다리와 안전모는 아니 지만 이와 유사한 일반사다리와 헬멧(예: 자전거용)을 분 류해 제공하고 있다[15]. 따라서 본 연구는 사다리의 경 우 Open Image에 포함된 일반사다리 이미지를 사용하였 다. 한편, 안전모는 유관 연구에서 사용되었거나 인터넷에 서 무료로 제공하고 있는 데이터를 [Figure 2]와 같이 수 집하여 사용하였다[17, 18]. 학습용 데이터는 6,023장 (전체의 약 88%)의 이미지를 사용하였으며, 학습된 모델 의 성능 평가에는 839장(전체의 약 12%)의 이미지를 사용하였다.
 
 

3. 연구 결과

 

3.1 이동식사다리 관련 사망재해 분석 

3.1.1 연도별 사망재해 현황

 
 이동식사다리에서 발생한 연도별 사망재해 현황은 [Figure 3]과 같다. 최근 10년간 294명의 사망재해가 발 생하였으며, 이는 매년 30여명이 이동식사다리에서 사고 로 인해 사망하는 것으로 해석된다. 또한 최근 우리나라의 사망재해가 지속적으로 감소하고 있음에도 불구하고 이동 식사다리에서 발생한 사망재해는 최근 2년간 40명대로 오히려 증가하는 경향이 있는 것으로 나타났다.
 
 

3.1.2 업종별 사망재해 현황

 
 최근 10년간 이동식사다리에 의한 사망재해는 업종 별로 유의한 차이가 있는 것으로 분석되었다(χ2(3)= 59.24, p<0.001). 이동식사다리에서 발생한 전체 사망재 해 중 63.95%가 <Table 1>에 나타낸 것과 같이 건설업 에서 발생하였다. 그 다음으로, 서비스업 등 기타 사업에 서 19.05%, 제조업에서 14.29%로 높게 나타났다. 건설 업은 설치･해체, 전기공사, 조경공사 등 이동식사다리의 사용이 빈번하여 관련 사망재해가 많이 발생하고 있는 것 으로 해석된다.
 
 

3.1.3 규모별 사망재해 현황

 
 이동식사다리로 인한 사망재해는 건설 공사금액에 따라 유의한 차이가 있는 것으로 파악되었다(χ2(4)= 56.02, p<0.001). 건설현장의 공사금액별 이동식사다리 사망재해는 <Table 2>와 같이 1억 원 미만 현장에서 78 명(41.49%), 1~3억 원 미만 현장에서 29명(15.43%), 3~20억 원 미만 현장에서 35명(18.62%), 20억 원 이상 현장에서 45명(23.94%)이 발생하였다. 따라서 중규모 이상의 현장에 비해 소규모 현장에서 사망재해가 많이 발 생하는 것으로 나타나 소규모 현장에서의 이동식사다리에 대한 안전관리가 시급한 것으로 해석된다. 한편, 이동식사 다리에 의한 사망재해는 건설업 외 업종의 규모에 따라 통 계적 차이가 있는 것으로 분석되었다(χ2(5)=26.97, p<0.001). 건설업 외 업종에서 사업장 규모별 이동식사 다리 사망재해는 <Table 3>과 같이 5인 미만 사업장 52 명(49.06%), 5~15인 사업장 25명(23.6%), 16~49인 사업장 20명(18.87%), 50인 이상 사업장 9명(8.49%) 이 발생하였다. 건설현장과 유사하게 영세 사업장에서 이 동식사다리 사망재해가 집중되어 있는 것으로 나타났다.
 
 

3.1.4 건설 공정률별 사망재해 현황

 공사금액별 사망재해가 발생한 공정률은 <Table 4>와 같이 차이가 있는 것으로 분석되었다. 1억 원 미만의 건설 현장은 모든 공정률에서 사망재해가 발생하고 있으나, 특 히 5% 미만의 공사초기(12명)와 공사완료 후(10명)에 사망재해가 집중적으로 발생하는 것으로 나타났다. 3~20억 원 미만의 건설현장은 공사 중간 정도에, 120억 원 이 상의 건설현장은 공정률 80% 이상의 공사 후반에 사망재 해가 많이 발생하는 것으로 파악되었다. 공사금액이 작은 현장은 일반적으로 조경, 전기, 인테리어 등의 전문 공사 현장으로, 이동식사다리가 공사 전반에 지속적으로 사용 하기 때문에 모든 공정률에 걸쳐 사망재해가 발생하는 것 으로 판단된다. 또한, 공사금액이 작은 건설현장은 공사초 기 및 공사완료 시점에 이동식사다리로 인한 사망재해가 집중되므로 이 시기에 특별히 안전 관리 및 주의가 필요하다고 사료된다.
 
 

3.1.5 상병별 사망재해 현황

 이동식사다리에서 발생한 사망재해의 상병은 [Figure 4]와 같이 뇌손상, 뇌출혈, 두개골 골절 등 외상에 의한 두부의 손상이 260명(88.44%)으로 이동식사다리 사망 재해의 대부분을 차지하고 있는 것으로 분석되었다. 이동 식사다리에서 발생한 사망재해의 발생형태는 대부분 떨어 짐인데, 떨어짐 사고는 인체구조 상 머리가 바닥에 부딪힐 가능성이 높고, 이에 따라 사망으로 이어질 확률이 높기 때문인 것으로 추정된다. 따라서 이동식사다리 작업 시에 는 만일의 사고를 대비하여 머리를 보호할 수 있는 안전모 의 착용이 반드시 필요하다. 이를 위해, 안전모를 근로자 에게 지급과 착용 관리를 철저히 해야 하며, 근로자는 이 동식사다리 작업 중에는 반드시 안전모를 착용해야 한다.
 
 

3.2 이동식사다리 및 안전모 탐지

 본 연구의 학습 성능(F1-score)은 [Figure 5]와 같이 안전모와 이동식사다리를 적합하게 탐지할 수 있는 것으 로 나타났다. 본 연구의 예측 모델은 안전모를 상대적으로 정확(안전모 미착용 mAP=0.951, 안전모 착용 mAP= 0.974)하게 탐지하는 것으로 분석되었다. 반면, 본 연구 의 모델은 사다리를 탐지하는 성능이 상대적으로 낮은 (mAP=0.733) 것으로 파악되었다. 본 연구의 평균 성능 은 0.886로 분석되었다.
 평가용 이미지에 대한 성능은 <Table 6>과 같이 이동 식사다리를 제외하고 대부분 정확하게 탐지할 수 있는 것 으로 분석되었다. 안전모에 대한 오탐지는 [Figure 6]과 같이 안전모와 유사한 모자나 두건을 착용하거나, 거리가 멀거나 촬영 각도가 적합하지 않아 육안으로도 구분하기 어려울 때 발생하는 것으로 파악되었다. 이동식사다리의 오탐지는 [Figure 6]과 같이 사다리의 대표적인 특징과 유사한 물체(예: 세로로 또는 경사져 있는 철근 구조)가 있을 때 발생하는 것으로 나타났다. 한편, 본 연구의 모델 (mAP=0.843)은 기존 연구(0.812~0.847)와 유사하거 나 다소 우수한 성능을 보이는 것으로 나타났다.
 본 연구는 CCTV 영상으로부터 실시간 탐지 성능을 분 석하기 위해 다양한 해상도를 가지는 영상파일의 탐지에 적용하였다. 탐지 결과는 <Table 7> 및 [Figure 7]과 같 다. CCTV 등에서 많이 사용되는 해상도인 SD(480p) 및 HD(720p)에 대해 FPS(frames per second)가 25이상 으로 나타났다. 이러한 결과는 초당 25회 촬영하는 CCTV 의 영상에 대해 실시간으로 이동식사다리와 안전모를 충 분히 탐지할 수 있음을 시사한다.
 
 

4. 고찰 및 결론

 이동식사다리는 거의 모든 업종과 일상생활에 널리 사 용되고 있으나 산업재해의 대표적인 기인물이라는 점이 간과되고 있다. 사망재해에 대한 본 연구의 통계 분석 결 에 따르면 매년 30여 명이 산업현장에서 이동식사다리로 인해 목숨을 잃고 있는 것으로 나타났다. 특히, 소규모 건 설현장에서 이동식사다리 사용 중에 사고사망이 많이 발 생하고 있으며, 이동식사다리의 사용이 많은 공사 초기 및 종료 시점에 사고가 집중되고 있다. 또한, 이동식사다리로 인한 사고사망은 대부분 떨어짐에 인한 머리 부상에 의해 발생하므로 반드시 근로자가 안전모를 착용하도록 안전관 리를 해야 한다.
 본 연구는 이동식사다리에 대한 효율적 및 효과적인 안 전 관리를 위해 기계학습 알고리즘을 적용하여 이동식사 다리 작업 시 안전모의 착용여부를 확인할 수 있는 모델을 제안하였다. 본 연구는 CCTV 등의 영상 정보를 실시간으 로 탐지할 수 있도록 다른 알고리즘에 비해 속도가 빠른 YOLO 알고리즘을 적용하였다. 학습된 탐지 모델의 학습 성능은 F1-score와 mAP가 0.795와 0.843로 나타나 기 존 연구와 유사하거나 다소 우수한 것으로 나타났다. 그러 나 사다리에 대한 탐지성능이 안전모에 비해 낮게 나타났 으며, 이는 학습에 사용된 사다리 이미지의 수가 상대적으 로 적기 때문인 것으로 추정된다. 본 연구의 탐지 모델은 탐지 속도가 25 FPS 이상으로 나타나 CCTV 등에서 측 정된 영상에 대해 실시간으로 이동식사다리와 안전모 착 용 여부를 탐지할 수 있는 것으로 분석되었다.
 기계학습 모델의 성능은 충분한 학습 데이터와 학습 알 고리즘에 의해서 크게 영향을 받는다. 본 연구는 공개된 데이터셋 및 유관 연구의 데이터셋을 활용하여 학습을 수 행하였다. 따라서 산업 현장의 특성이 반영된 다양하고 방 대한 이미지에 대해 학습을 후속연구로 진행하면, 본 연구 에 제안된 모델의 성능을 보다 정확하게 개선할 수 있을 것으로 사료된다. 또한, 딥러닝을 활용한 물체 탐지 알고 리즘은 지금도 여러 연구자에 의해 개선되거나 전혀 새로 운 기술이 개발되고 있다. 따라서 향후 물체 탐지 알고리 즘이 개선 및 새롭게 개발되면 본 연구의 탐지 성능과 속 도를 더욱 개선할 수 있을 것으로 예상된다.

Figure

Table

Reference

  1. [1] A. Kuznetsova, H. Rom, N. Alldrin, et al.(2020), The open images dataset V4: Unified image classification, object detection, and visual relationship detection at scale. IJCV.
  2. [2] C. Song, Y. Kwon, D. Kim, K. Kang(2013), "A study on the improvement measures for the prevention of fall accidents on the ladder at construction sites." 2013 Spring Conference of Korea Saf. Manag. Sci., 225-234.
  3. [3] D. M. W. Powers(2011), "Evaluation: From precision, recall and F-Measure to ROC, informedness, markedness & correlation." J. Machine Learning Technologies, 2(1):37-63.
  4. [4] G. Jocher, Y. Kwon, Y., Guigarfr, J. Veitch-Michaelis, et al.(2020), "Ultralytics/volov3: 43.1mAP@0.5:0. 95 on COCO2014(version v7)." Zenodo. http://doi.org/10.5281/zenodo.3785397
  5. [5] H. Kim, S. Lee, W. Jung, B. Ryu(2009), "A study on the preventive measures against fall injuries in manufacturing industry focusing on the portable ladders." J. Korean Soc. Saf., 24(6):136-143.
  6. [6] H. Lee(2018), "An efficient deep learning platform for object detection." Master's thesis, Soongsil University.
  7. [7] H. Sim, K. Kang(2017), "A study on the death accident analysis of ladder and prevention measures for fall accidents." J. Korea Saf. Manag. Sci., 19(4):95-104.
  8. [8] I. Krasin, T. Duerig, N. Alldrin, et al.(2017), Open images: A public dataset for large-scale multi-label and multi-class image classification, 2017. https://stor-age.googleapis.com/openimages/web/index.html
  9. [9] International Labour Organization(ILO)(2020), Statistics on safety and health at work. https://ilostat.ilo.org/ topics/safety-and-health-at-work/
  10. [10] J. Redmon, A. Farhadi(2017a), "YOLO9000:Better, faster, stronger." The IEEE Conference on Computer Vision and Pattern Recognition(CVPR), IEEE.
  11. [11] J. Redmon, A. Farhadi(2017b), YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
  12. [12] J. Redmon, S. Divvala, R. Girshick, A. Farhadi(2016), "You only look once: Unified, real-time object detection." The IEEE Conference on Computer Vision and Pattern Recognition(CVPR), IEEE.
  13. [13] M. Everingham, L. V. Gool, C. K. I. Williams, et al.(2010), "The pascal Visual Object Classes(VOC) challenge." Int. J. Comput. Vis., 88:303-338.
  14. [14] Ministry of Employment and Labor(MOEL)(2018), Analysis of industrial accidents in 2017.
  15. [15] Ministry of Employment and Labor(MOEL)(2020), Status of industrial accidents in 2019. http://www.kosha.or.kr/kosha/data/industrialAccidentStatus.do
  16. [16] N. D. Nath, A. H. Behzadan, S. G. Paal(2020), "Deep learning for site safety: Real-time detection of personal protective equipment." Automation on Construction, 112:103085.
  17. [17] Occupational Safety and Health Research Institute (OSHRI)(2015), Cause of industrial accidents in 2014. OSHRI Research Report.
  18. [18] S. Park, S. Yoon, J. Heo(2019), "Image-based automatic detection of construction helmets using R-FCN and transfer learning." J. Korea Soc. Civil Eng., 39(3):399-407.
  19. [19] The Korea Occupational Safety and Health Agency(KOSHA)(2010-2019), Industrial accident statistics.
  20. [20] W. Jang, D. Shin(2009), "WSN safety monitoring using RSSI-based ranging technique in a construction site." J. of Korean Soc. of Societal Security, 2(2):49-54.
  21. [21] Xie, Liangbin(2019), "Hardhat." Havard Dataverse, V1. http://doi.org/10.7910/DVN/7-CBGOS
  1. SEARCH

  2. Online Submission

    http://submission.koreasafety.or.kr

  3. KSSM

    The Korean Society of Safety ManagementWaste Society

  4. Editorial Office
    Contact Information

    - Tel: +82.31.336.2844
    - Fax: +82.31.336.2845
    - E-mail: safety@mju.ac.kr