Abstract

본 연구는 전통적 가스 모니터링 방식의 구조적 한계를 보완하기 위해, 인공지능 YOLO를 적용하여 가스 시설 위험 요소를 실시간으로 파악하고 신속한 사고 예방 및 대응을 목적으로 한다. 이를 위해 열화상 이미지를 Roboflow에서 전처리하고, YOLO Medium, Large, Extra Large 모델을 학습한 뒤 성능을 비교하여 최적의 모델을 선정하였다. 모델 성능은 Precision, Recall 등 정량적 지표를 기준으로 평가하였으며, 선정된 최종 모델은 2초 주기에 적합한 Latency 내에서 높은 정확도와 빠른 탐지 성능을 보였다. 이를 통해 열악한 산업 현장에서도 위험 요소를 실시간으로 감지하고, 작업자 안전 확보 및 사고 예방에 활용될 수 있는 가능성을 확인하였다. 향후 다양한 환경 데이터를 추가하고 후처리 기법을 도입함으로써 모델의 정밀도를 높여, 가스 시설의 안전 수준 향상과 중대재해 예방에 기여할 것으로 기대된다.

Key Points

• The system detects gas hazards in real-time, enhancing safety for workers on-site.
• Model evaluation shows high precision and recall, with detection latency suitable for rapid response.
• Assessment utilizes processed thermal images with AI YOLO models for optimal performance.
• Improvement in safety standards is expected with future data integration and model refinement.