딥러닝 기반 화재감지 시스템

화재 감지에 컴퓨터 비전과 물리적 센서를 함께 활용하는 장치를 만들고자 진행한 프로젝트다. 객체 탐지 모델로 영상의 징후를 포착하더라도 그것만으로 현장 상황이 실제로 위험한지 판단하기는 어렵다는 문제를 다뤘다. 이에 영상 탐지 결과에 온도센서 정보를 결합하는 방식으로 접근했다.

개발 기간

2024.05 ~ 2024.07 (2024.07.16 발표)

실시간 영상에서 감지한 객체 정보와 온도 정보를 함께 이용해 화재 관련 징후를 탐지하고, 궁극적으로 현재 상황의 위험 여부를 판단하는 시스템을 목표로 했다. YOLOv10을 모델로 선정·튜닝하고 온도센서와 연동하는 부분까지 구현했으나, 탐지 결과를 실제 위험 상황에 대한 신뢰할 수 있는 판단으로 연결하는 것은 과제로 남았다.

1. YOLOv10 객체 감지: 영상 입력에 모델을 적용하고 목적에 맞게 튜닝.
2. 온도센서 연동: 영상 기반 탐지 결과에 온도 정보 결합.
3. 임베디드 시제품: Raspberry Pi 5와 카메라·센서 부품을 수용하는 장치 제작. 하드웨어는 하승호 담당.
4. 외관·열 설계: 하승호가 Blender 모델링, CAD 변환·실측과 냉각 설계 검토 수행.
5. 남은 과제: 객체·온도 정보를 종합한 상황 위험도 판단.

소프트웨어 전체를 담당했다.

• YOLOv10 튜닝: 객체 탐지 기능을 구현하고 모델 조정.
• 센서 연동: 탐지 결과에 온도센서 데이터 결합.
• 상황 판단 검토: 객체·온도 정보만으로 위험 여부를 판단하기 어려운 한계 분석.

하드웨어 설계·제작과 Blender 모델링, 실물 장치 제작은 하승호가 담당했다.

팀 구성과 역할

2명 — 오유성: 소프트웨어 전체 담당(YOLOv10 튜닝, 객체 탐지, 온도센서 연동) / 하승호: 하드웨어 전체 담당(장치 설계·제작)

카메라 영상 → YOLOv10 객체 탐지 → 온도센서 정보 결합 구조다. Raspberry Pi 5 기반 장치에서 카메라·센서를 연결하고 소프트웨어 결과를 결합했다.

모델 선정 과정에서는 공개 논문·벤치마크의 정확도, 지연시간, 파라미터 수와 연산량을 비교했다. 하드웨어는 Blender 4.1 모델링, STEP/STL 변환과 실측을 거쳐 시제품으로 제작했다.

기술 구성

• AI / Computer Vision: YOLOv10 객체 탐지 및 모델 튜닝
• Embedded / Sensor: Raspberry Pi 5, 카메라, 온도센서
• Hardware / 3D Design (팀원 담당): Blender 4.1, STEP→STL 변환, 실측 모델링, 열 설계 검토

가장 어려웠던 문제: 객체를 감지하고 온도 정보를 결합한 뒤에도 실제 위험 상황인지 판단하기 어려웠다.

문제의 원인: 탐지 결과와 온도만으로는 장면의 맥락과 위험 정도를 충분히 해석하기 어려웠다. 개발 당시 활용할 수 있는 언어·멀티모달 모델을 적용하는 데도 한계를 느꼈다.

결과: YOLOv10 객체 탐지·튜닝과 온도센서 연동까지 구현했으며, 종합적인 위험 상황 판단은 미완성 과제로 남았다.

YOLOv10 객체 탐지, 모델 튜닝과 온도센서 연동을 구현하고 하드웨어 시제품·케이스를 제작했다. 탐지 결과를 종합해 위험 상황을 판단하는 단계는 완성하지 못했다.

객체 탐지 모델이 물체나 현상을 인식하는 것과, 그 결과를 해석해 행동이 필요한 위험 상황인지 판단하는 것은 서로 다른 문제임을 경험했다. 또한 소프트웨어의 영상 추론을 온도센서와 결합하면서 AI 모델과 물리적 센서가 만나는 통합 과정을 직접 구현했다. 모델 선정 과정에서는 정확도뿐 아니라 임베디드 장치의 추론 지연시간·연산량을 함께 고려했다.

영상 탐지 결과와 온도 정보를 함께 해석하는 멀티모달·맥락 추론 방식을 실험할 수 있다. 위험 판단 기능으로 확장하려면 오탐·미탐 평가, 보수적인 경보 규칙과 장치 내 처리 성능 검증이 필요하다.