사업제안

  • 퀵메뉴 타이틀
  • x

    [참여인원] 999,999

    [좋아요] 99,999명 [별로에요] 99,999명
    닫기

    의견 감사합니다.

    정확한 통계를 위해 추가 정보를 입력해 주세요.
    성별
    • 남자
    • 여자
    나이
    • 10대
    • 20대
    • 30대
    • 40대
    • 50대
    • 60대이상
    지역
    • 서울
    • 경기
    • 부산
    • 대구
    • 세종
    • 인천
    • 광주
    • 대전
    • 울산
    • 강원
    • 충북
    • 충남
    • 전북
    • 전남
    • 경북
    • 경남
    • 제주
    X

    첨부파일 다운로드 안내.

    정확한 본인 확인을 위해 핸드폰 번호를 입력해 주세요.
    핸드폰 번호
    • - -
    1. 01 사업제안
      및 관리
      (3~4월)
      국민 사업제안
      제안사업 적격성 점검
    2. 02 각 부처
      예산안 요구
      (4~5월)
      각 부처는 제안사업 숙성 후 후보사업을
      포함하여 기재부에 예산안 요구
    3. 03 제안사업 논의
      (6~7월)
      예산국민참여단 발족
      참여단,참여예산 후보사업 압축
    4. 04 사업
      선호도조사
      (7월)
      일반국민 설문조사
      예산국민참여단 투표
    5. 05 정부
      예산안 반영
      (8월)
      재정정책자문회의 논의
      국무회의 정부예산안 확정
    6. 06 국회예산안
      심의·확정
      (9~12월)
      국회에서 정부예산안 심의·확정

    사업제안 진행 현황

    제안자 정보

    • 제안자
      용*욱
    • 성별
    • 단체명
      초록소프트(주)
    • 대표자명
      김명락
    • 제안구분
      신규사업
    • 등록일
      2020-06-09 11:24

    제안상세내용

    • 회계년도
      2022년 (회계년도란 향후 최종사업으로 선정된 경우 정부예산이 반영되는 년도입니다.)
    • 제안명
      복합건물 화재 재난 요구조자 위치예측 딥러닝 알고리즘 개발
    • 제안 배경
      ◦ 복합건물(다중밀집시설)에서 발생한 소방 재난의 심각성
      행정안전부의 발표에 따르면 다중밀집시설(불특정 다수인이 이용하는 시설로서 화재 등 사고발생시 인명 및 재산상의 피해가 발생할 우려가 높은 시
      설, 『건축법시행령』에 의한 다중이용 복합건물)에서 발생한 화재는 국가적 재난의 수준으로 보고 있으며, 산불, 해양 선박 사고 등 다른 재난 사고와 비
      교했을 때 인명 및 재산 피해액의 규모가 큰 것으로 파악됨.
      - 2018년 제천 화재, 밀양 병원 화재 등 다중밀집시설 화재 재난 발생 시 인명, 재산 피해 최소화에 대한 관심이 높음. 그러나 대피, 피해 최소화 등
      이외에 실제 현장 구조작업 시 직접적인 구조상황에서의 판단은 시설 안전 관리자나 구조자의 경험적 판단에 의존하고 있는 상황이 대부분임.
      · 도면은 보통 설계도면(CAD)을 칭하며 관련전문 인력이 아닌 사람들은 최소한의 정보를 인식하는 것조차 어려움. 제안사는 Deep Learning
      알고리즘을 통해 도면을 소방관들이 이해할 수 있는 이미지 파일로 변환하여 제공할 것임.

      ◦ 기술개발 개요
      재난 발생 시 요구조자 위치파악 필요성
      - 현대에는 고층화, 대형화, 복합화, 미로화 된 복합건물들이 많아짐. 따라서 복잡한 구조를 도면으로부터 단시간 내에 파악하고 이해하기 어려워
      구조에 시간이 걸리거나 중복 수색하는 문제가 생김.
      - 일산화탄소와 같은 유독 가스로 가득 차 물체나 위치 파악조차 어려운 화재 현장에서 현장 소방관들이 신속하게 건물 내 대피 공간 위치를 파악하
      게 하고 요구조자(내부 구조자)들에게 빠르게 도달할 수 있도록 하기 위한 대응책이 필요.
      - 특히 장애인들의 화재에 대한 대피 문제는 심각할 정도임.
      [한겨레21] 산불 속 장애인들 “눈앞에 불 보이는데도 피난길 파악 어렵고 몸이 불편하여 이동에 장애가 많았음. 지난 4월 강원도 고성군에서
      난 산불은 성공적 진화 작전으로 큰 피해를 막았지만 그 이면에 ‘재난 불평등’이 있음을 확인할 수 있었음. 홀로 대피하거나 어떻게 대응할지 몰라
      불안감에 떨었던 장애인들은 긴장하면 몸이 더 둔해져 대피하기가 어려웠음을 토로했다고 함. 구조대원들도 너무 분주하게 움직이다보니 모든 사
      람들을 살피기가 어렵다고.
      - 이를 위해 과거 화재가 발생했던 건축물들의 도면과 해당 사고의 대피자 및 사망자 위치 등의 data를 공공기관 보고서, 뉴스 기사를 조사하여
      확보할 것임.
      - 확보한 데이터를 바탕으로 요구조자의 예상 분포를 예측하여 시각적으로 알려주기 위한 Machine Learning기반의 Deep Learning 모델을 구성.

      ◦ 기술개발 유사 성공사례 - 인공지능 활용 택시 승객 수요위치 예측시스템

      - 일본 통신회사 NTT도코모의 인공지능을 활용한 택시 승객 수요예측 시스템 사례
      · 승객들의 수요를 예측하는 이 AI시스템은 통신회사의 휴대전화 사용 정보, 택시회사의 승객 승차 이력 등의 빅데이터와 인공지능 AI 기술을
      활용하여 내비게이션에 가로 세로 각각 500m의 구역을 여러 개로 나눠 그 구역에 필요한 택시 대수를 표시해 줌.(택시 탑승 위한 승객 위치 예측)
      · 해당 사례를 취재한 YTN뉴스에서 30년 베테랑 택시기사와 한 달간의 실험 결과 수요가 없을 것이라고 판단한 택시기사의 예상과 달리, 수요가
      많다고 예측하는 곳에 직접 찾아가보니 택시를 찾는 손님들이 눈에 들어오고 AI를 이용한 택시의 하루 수입은 이전보다 50% 오름.
      · 실제로 사람들이 움직이는 것은 눈에 보이지 않지만 ‘여기가 손님이 많이 타는 곳이다’라고 판단한 AI의 정확한 예측으로 일본 정부는 이처럼 다양
      한 빅데이터·인공지능 시스템이 경제 산업적인 측면에서 가능성이 크다고 보고 관련 규제 완화를 추진하고 있음.
      · 위와 같은 빅데이터 기반의 인공지능 AI 기술을 활용한 예측 사례와 같이 소방재난 요구조자의 위치를 예측하는 머신러닝 알고리즘 개발을 통해 소
      방 재난 전문가들의 숙달된 경험 판단을 배제하고 객관적인 데이터에 AI 기술을 접목시켜 요구조자의 위치 예측을 통해 긍정적인 결과를 도출 할
      것임.
    • 제안 내용
      ◦ 사업내용
      - 다중이용 복합건물에서 발생한 화재는 국가적 재난의 수준으로 보고 있으며, 산불, 해양 선박 사고 등 다른 재난 사고와 비교했을 때 인명 및 재산
      피해액의 규모가 큰 것으로 파악됨.
      - 복잡한 도면으로부터 현장을 파악하고 이해하는 데에 걸리는 시간을 단축하기 위해 제안사는 본사의 Deep Learning기술을 활용하여 이전
      발생 사고를 이해하고 실제 사고 발생 시, 현장 상황을 단시간 내에 파악하고 구조를 기다리는 많은 이들을 신속하게 구조하는데 도움이 되는 요구조
      자 예상분포 예측모델 Machine Learning 알고리즘을 개발하고자 함
      - 재난 발생 시설 정보의 간결성 및 정확성
      현직 소방관 인터뷰에 따르면 신고 → 상황실 → 출동으로 이루어지며 상황실에서 소방현장 통합 관리시스템으로 건축 대장이 현장으로 전달됨.
      - 제안사의 개발 방향은 소규모 주택보다는 복잡한 대단위 복합건물(다중밀집시설)에서 필요할 것으로 예상되며 대단위 복합건물일수록 도면을
      인식하기 어렵기 때문에 구획, 화장실, 출입구, 요구조자의 예상 피신처 등이 표시되면 구조에 도움이 될 것이 확실함.
      - 현장상황은 한치 앞도 볼 수 없는 상황으로, 무전으로 요구조자(내부 신고자)와 구조대원간의 위치 파악을 함.
      - 시간이 촉박한 상황에서 요구조자들의 위치를 도면에 히트맵으로 표현해줌으로 더 정확하고 신속하게 구조할 것이라 판단됨.
      - 복잡한 도면으로부터 현장을 파악하고 이해하는 데에 걸리는 시간을 단축하기 위해 제안사는 본사의 Deep Learning기술을 활용하여
      이전 발생 사고를 이해하고 실제 사고 발생 시, 현장 상황을 단시간 내에 파악하고 구조를 기다리는 많은 이들을 신속하게 구조하는데 도움이 되는
      요구조자 예상분포 예측모델 Machine Learning 알고리즘을 개발하고자 함.
      - 이를 위해 과거 화재가 발생했던 복합건물들의 도면과 해당 사고의 대피자 위치, 사망자 위치 등의 data를 리서치하여 확보할 것임.
      - 구축된 데이터를 바탕으로 요구조자의 예상 분포를 예측하여 시각적으로 알려주기 위한 Machine Learning기반의 Deep Learning 모델을 구성.
      - 나아가 KICT(한국건설기술연구원), 현대 엔지니어링과의 선행과제를 통해 개발한 ‘CAD도면의 부재 추출 Deep Learning 기술’, ‘CAD 도면상의 구
      조 및 세부 특성 추출 Deep Learning 기술’을 응용하여 본 과제를 성공적으로 마무리 할 것임.

      ◦ 추진방법(실제적인 개발 진행 방안 - 전체 과정)
      ① 데이터 수집
      - 화재사고에 관한 인터넷의 과거 뉴스 기사 조사(크롤링, Crawling)를 통해 사고 현장에 관한 도면 또는 그림, 요구조자의 위치나 사망자 위치 등 유용한 데이터 수집.(경기소방본부로부터 제공 가능한 데이터 받기로 함.)
      - 공공기관의 과거사고 이력, 보고서 도면 등을 제공받음.
      ② 데이터 분석 및 처리
      - 뉴스 기사 또는 공공기관으로 제공받은 데이터로부터 취합하여 도면형태로 변환.
      - 화재 사고 구조에 필요한 구획을 표시하는 모델을 생성하기 위하여 도면형태에서 필요한 공간정보에 대한 지점에 라벨링하고, 그에 대한 정보로
      데이터 셋 구성.(수집한 도면에 위치파악에 필요한 공간정보 라벨링하여 저장)
      - 화재 시 요구조자의 위치 분포도를 표현하기 위하여 도면과 함께 과거사고 이력이나 뉴스기사의 그림 또는 사진으로부터 요구조자의 위치를 도면에
      맞게 좌표로 변환하여 데이터 셋 구성.(수집된 정보로부터 사고 건물에 대한 도면과 요구조자들의 위치를 좌표화)
      ③ 학습하여 모델 구축
      - 구성된 데이터 셋으로 모델을 학습시킴.
      - 학습된 모델에 테스트 데이터를 넣어 모델의 성능평가 진행.
      ④ 화재 시 요구조자의 위치 분포도 표현
      - 인터넷의 과거사고 뉴스 기사를 수집하고, 공공기관의 과거사고 이력, 보고서 등으로부터 좌표와 도면으로 데이터 셋을 구성.
      - 구성된 데이터 셋으로 머신러닝 알고리즘에 과거사고시 요구조자들의 위치 좌표와 도면을 이미지 인식 모델에 넣어 학습시킴.
      - 화재가 발생한 건물의 도면에 모델을 적용시켜 실시간으로 요구조자의 예측 위치 분포도를 표현하는 기술을 개발.
      ⑤ 화재 사고 구조에 필요한 구획을 표시한 이미지 파일 생성
      - 소방 기지와의 회의를 통해 화재 상황에서 인명 피해를 최소화 하는 데에 즉각적인 이해가 필요한 구조물들의 건축대장을 제공받음.
      - 구성된 데이터 셋으로 학습하고 새로운 도면형태로부터 필요한 구획을 표시해주는 모델을 생성.
      - 제공받은 도면 중 해당 구획을 강조 표시한 이미지 파일을 생성

      ◦ 기대효과
      - 소방 재난 요구조자 위치 예측 및 초동 대처에 새로운 방안 제시
      - 초동 대처에 가장 민감한 요소인 요구조자 위치 예측으로 인명 피해 최소화
      - 사람의 판단과 경험에 의존했던 구조에 첨단 ICT 기술 적용
    • 추정 사업비
      650  (백만원) 
    • 산출근거
      개발 참여자 12명 인건비(₩43,703,000 × 12개월 = ₩524,434,000)
      학습 모델 개발 및 학습 위한 Cloud System 임차 (₩3,000,000 × 12개월 = ₩36,000,000)
      마케팅 (₩15,000,000 × 6개월 = ₩90,000,000)

      Total ₩650,434,000  
    • 첨부파일

    검토 결과

    검토결과

    국민의견 및 만족도 참여

    이 사업이 어떠신가요?

    공감되시면 좋은제안이에요 아이콘클릭하여 주세요.
    국민의 의견을 소중히 생각하고, 반영 하겠습니다.

    좋은제안이에요 버튼 아이콘
    좋은 제안이에요

    나의 의견| 로그인 후 의견을 남길 수 있습니다. 의견을 남겨 주세요. 국민의 의견을 소중히 생각하고, 반영 하겠습니다.