DOI QR코드

DOI QR Code

풍력발전 O&M 작업자 안전을 위한 AI 기반 피로 감지 및 경고 시스템

AI-Based Fatigue Detection and Warning System for Wind Power O&M Worker Safety

  • 정기영 (부산대학교 기계공학부) ;
  • 이영우 (부산대학교 기계공학부) ;
  • 임희창 (부산대학교 기계공학부)
  • 투고 : 2026.03.16
  • 심사 : 2026.05.06
  • 발행 : 2026.06.30

초록

This study proposes an AI-based real-time fatigue detection and warning system for wind power O&M worker safety. Wind turbine maintenance operations involve prolonged, repetitive tasks in confined spaces at heights exceeding 80 m, which inevitably lead to worker fatigue accumulation and pose significant risks of severe industrial accidents. To overcome the limitations of subjective self-reporting methods and intrusive wearable sensor-based approaches, a camera-based non-invasive fatigue detection system was implemented on a low-cost embedded platform. The system incorporates an image preprocessing technique (InvertL) for low-light conditions, a multi-model ensemble-based fatigue classification algorithm combining rule-based and KNN approaches through soft-voting, a state transition logic integrating a finite state machine with hysteresis, and a multithreaded real-time processing architecture. Experimental validation demonstrated that the proposed system achieves an F1-score of 0.85, a false alarm rate of 0.71%, and an average processing speed of 25 FPS, confirming its technical feasibility as a worker fatigue monitoring system for wind power O&M environments.

키워드

1. 서론

전 세계적으로 탄소중립 달성을 위한 재생에너지 확대 정책에 따라 풍력발전 설비가 급격히 증가하고 있다. 국제재생에너지기구(IRENA)에 따르면 전 세계 풍력 설치 용량은 2023년 기준 약 1,000 GW 를 돌파하였으며, 국내에서도 2030년까지 해상풍력 12 GW 이상을 목표로 대규모 프로젝트가 추진되고 있다. 풍력터빈의 운영 및 유지보수(O&M) 비용은 전체 생애주기 비용의 약 20~25%를 차지하며, O&M 작업자는 지상 80~150m 높이의 타워를 등반하여 나셀(nacelle) 내부의 밀폐된 공간에서 장시간 점검 및 교체 작업을 수행한다. 이러한 작업 환경은 신체적·인지적 피로를 가중시키며, 피로로 인한 집중력 저하는 추락, 협착 등 중대 산업재해로 직결된다. 한국산업안전보건공단의 통계에 따르면 고소작업 중 추락사고는 산업재해 사망의 주요 원인이며, 2022년 시행된 중대재해처벌법에 따라 풍력발전 현장에서의 체계적인 작업자 안전 모니터링 시스템 구축이 요구되고 있다.

현재 풍력발전 O&M 현장에서의 작업자 피로 관리는 대부분 작업 전 자기보고식 체크리스트나 관리자의 육안 관찰에 의존하고 있다. 그러나 이러한 주관적 평가 방식은 실시간 모니터링이 불가능하며, 작업 중 점진적으로 축적되는 피로를 감지하지 못하는 근본적 한계가 있다. 학계에서는 웨어러블 센서(EEG, ECG) 기반 피로 감지 연구가 활발히 진행되고 있으나(1), 센서 부착의 침습성과 풍력 현장의 개인보호장비(PPE) 착용 환경과의 호환성 문제로 인해 현장 적용이 현실적으로 어렵다. 비전(Vision) 기반 피로 감지 연구는 비침습적이라는 장점이 있으나, 기존 연구의 대부분이 운전자를 대상으로 수행되었으며(2)(3), 풍력발전 O&M과 같은 산업 현장 작업자에 특화된 연구는 극히 제한적인 실정이다. 특히 저조도 환경, 헬멧 착용 조건, 밀폐 공간 등 풍력 O&M 특유의 환경 조건을 고려한 피로 감지 시스템에 대한 연구는 거의 수행되지 않았다.

산업 현장 작업자의 피로 감지를 위해 다양한 접근법이 시도되었으나, 풍력 O&M 현장 적용을 가로막는 명확한 한계점들이 존재한다. 생리학적 신호(EEG, ECG) 기반 연구는 정확도가 높으나 센서 부착의 침습성(intrusive)으로 인해 현장 적용이 비현실적이다[4]. 작업 패턴 분석 기반 연구는 비침습적이나 미세 피로변화 감지에 한계가 있다[5]. 비전 기반(Vision-based) 연구 중 초기 OpenCV 기법은 조명 변화에 취약했고[6], 이후 등장한 CNN[7], RNN[8] 등 딥러닝 기반 연구는 정확도는 높으나 연산 비용이 높아 원격지의 저비용 임베디드 시스템 적용에 어려움이 있었다[9]. 또한, 대부분의 연구가 피로 '탐지'에만 그칠 뿐, 산업 현장의 안전 관리 체계와 연계된 '실시간 경고' 시스템에 대한 연구는 미흡한 실정이다[2, 10].

본 연구는 이러한 한계를 극복하기 위해, 풍력발전 O&M 작업자의 안전 확보를 목적으로 저비용 임베디드 시스템에서도 고정밀 피로 감지가 가능하고(F1-Score 0.85 이상), 저조도 환경에 강인하며, 단계별 경고 및 관리자 통보 기능을 갖춘 AI 기반 피로 감지 및 경고 시스템을 제안하고 핵심 기술의 성능을 검증하는 것을 목표로 한다.

Table 1 System Design Specifications for Wind O&M Worker Safety

HKPRAO_2026_v17n2_5_2_t0001.png 이미지

본 논문의 구성은, 2장에서는 풍력 O&M 작업 환경의 특성과 배경이론 및 연구 접근 방법을 설명하며, 3장에서는 실험 결과와 분석을 제시하고, 4장에서는 결론 및 향후 연구 방향을 제시하며 논문을 마무리 짓는다.

2. 배경이론 및 연구 접근 방법

2.1 시스템 요구사양 도출

풍력 O&M 작업 환경의 특성과 기존 연구의 한계를 바탕으로, 각 설계 사양의 설정 근거는 다음과 같다. 첫째, 피로 감지 신뢰도(F1-Score ≥ 0.85, 오경보율 < 1%)는 고소작업 환경의 특수성을 반영한 것이다. 풍력 터빈 나셀 내부에서의 오경보는 작업자의 집중력을 저해하여 오히려 안전 위험을 초래할 수 있으며, 미탐지는 추락 등 중대 사고로 직결된다. 기존 비전 기반 피로 감지 연구에서 보고된 F1-Score 0.80~0.90 범위를 참고하여 0.85 이상을 목표로 설정하였다. 둘째, 환경 인식률(≥ 90%)은 나셀 내부(약 50~100 lux) 및 타워 내부(약 20~50 lux)의 저조도 환경에서도 안정적 검출이 필요한 현장 조건을 반영한 것이다. 셋째, 처리속도(≥ 25 FPS)는 실시간 영상 처리의 일반적 기준인 30 FPS를 참고하되, 저사양 임베디드 시스템의 연산 제약을 고려하여 25 FPS를 최소 기준으로 설정하였다. 넷째, 경고 방식은 풍력 현장에서 작업자가 화면을 상시 주시하기 어려운 점을 고려하여 음성 경고를 병행하고, 원격 관제를 위한 관리자 통보 기능을 포함하였다.

2.2 이론적 배경

2,2,1 얼굴 랜드마크 검출

작업자의 얼굴 특징을 정밀하게 실시간으로 추출하기 위해 MediaPipe Face Mesh를 사용하였다. 이 모델은 단일 카메라 이미지로부터 얼굴의 기하학적 구조를 나타내는 468개의 3D 랜드마크를 추론한다(11) . 본 연구에서는 이 중 눈과 입 주변의 핵심 랜드마크 좌표를 활용하여, 눈의 개방 정도(EAR), 하품 여부 등 피로 상태를 판단하는 주요 생체 신호를 정량적으로 계산하였다.MediaPipe Face Mesh는 프레임 내 얼굴 검출(Face Detection)과 랜드마크 추출을 단일 파이프라인 내에서 동시에 수행하는 구조를 갖는다. 따라서 카메라 시야 내에 작업자의 얼굴이 위치하면 별도의 객체 추종(Object Tracking) 알고리즘 없이도 자동으로 얼굴을 검출하고 랜드마크를 추출할 수 있다. 다만, 이는 카메라와 작업자 간의 거리가 얼굴 영역이 충분한 해상도(약 200×200 픽셀 이상)로 촬영되는 범위(50~80 cm) 내에서 유효하다.

2,2,2 AI 기반 경고 모듈

시스템의 핵심인 실시간 경고 기능을 위해 음성 합성(Text-to-Speech, TTS) 기술을 적용하였다. 이러한 기술은 피로 감지 결과를 음성 메시지로 변환하여 작업자에게 즉각적인 경고를 전달하는 핵심 요소이다[12].

피로 상태가 감지되면, 시스템은 단계별 음성 경고를 출력하여 작업자의 주의를 환기시키고, 동시에 피로 레벨 정보를 관리자에게 전송하는 구조를 갖는다.

2,2,3 앙상블 학습

단일 모델이 특정 상황에서 오판할 수 있는 단점을 보완하고, 고소작업 환경에서의 오경보를 최소화하기 위해 앙상블 기법을 도입하였다. 앙상블은 여러 개의 기본 분류기(base classifier)를 결합하여 단일 분류기보다 우수한 성능을 얻는 방법론이다[13]. 본 연구에서는 룰 기반, KNN 등 개별 모델이 독립적으로 판단한 피로 확률 값을 'Soft-Voting' 방식으로 가중 평균하여 최종 결론을 내린다. 이를 통해 특정 모델의 오류를 다른 모델이 보정하여 전체적인 강인성을 향상시켰다.

2,2,4 이미지 전처리

야간이나 밀폐공간 등 저조도 환경에서는 광량 부족으로 인해 얼굴 특징점 검출률이 급격히 저하된다. 이 문제를 해결하여 시스템의 환경 강인성을 확보하고자 InvertL이라 명명한 이미지 전처리 기법을 적용하였다. 이 기법은 입력된 컬러 프레임을 흑백(Grayscale)으로 변환한 뒤, 픽셀의 밝기 값을 역상시키는 반전(Invert) 이미지를 생성한다. 저조도 이미지의 어두운 영역을 반전시켜 밝게 만들면 숨겨진 디테일이 드러나는 효과가 있으며[14], 이를 원본 이미지와 결합하면 특징점 검출 성능을 향상시킨다. 최종적으로 원본 흑백 이미지와 반전 이미지를 특정 비율로 합성하여 어두운 영역의 윤곽을 부각시킴으로써, 저조도 환경에서의 랜드마크 검출 성능을 향상시킨다.

2,2,5 상태 머신과 히스테리시스

실시간으로 변하는 생체 신호는 순간적인 노이즈나 이상치(outlier)를 포함할 수 있다. 이러한 일시적인 변화에 시스템이 민감하게 반응하여 경고 상태를 빈번하게 변경하는 것을 방지하고자 유한 상태 머신(Finite State Machine, FSM)과 히스테리시스(Hysteresis) 개념을 결합한 로직을 적용하였다[15]. Fig. 1에 나타낸 바와 같이, FSM+Hysteresis 로직은 시스템이 가질 수 있는 몇 가지 명확한 상태(예: 정상, 경고, 심각, 위험)를 정의하고, 상태 전이를 위한 조건을 설정한다. 여기에 히스테리시스 임계값을 적용하여, 상태가 상향(예: 경고→심각)되는 조건과 하향(예: 심각→경고)되는 조건을 다르게 설정하였다. 이 이력(history) 기반의 접근법은 시스템이 안정적으로 상태를 유지하도록 하여 불필요한 오경보를 줄이고 사용자 신뢰도를 높이는 역할을 한다.

HKPRAO_2026_v17n2_5_3_f0001.png 이미지

Fig. 1 State transition diagram of the fatigue level using FSM with hysteresis

2,2,6 멀티스레딩

실시간 영상 처리 시스템에서 카메라로부터 프레임을 읽어오는 I/O 작업과 AI 모델이 이미지를 분석하는 CPU 집약적 작업이 단일 스레드에서 순차적으로 실행될 경우, 한 작업이 다른 작업의 실행을 지연시키는 병목 현상(bottleneck)이 발생한다. 이로 인해 전체 처리 속도(FPS)가 저하되어 실시간성을 확보하기 어렵다. 본 연구에서는 이 문제를 해결하기 위해 멀티스레딩 기법을 적용하였다[16]. Fig. 2에 나타낸 바와 같이, 단일 스레드 구조에서는 프레임 캡처와 AI 추론이 순차적으로 실행되어 유휴 시간이 발생하나, 멀티스레드 구조에서는 두 작업이 병렬로 실행되어 처리량이 극대화된다.

HKPRAO_2026_v17n2_5_4_f0001.png 이미지

Fig. 2 Comparison between single-threaded and multi-threaded processing architectures.

2.3 시스템 설계 및 구성

2,3,1 실험장치 구성

시스템은 라즈베리파이5를 메인 프로세서로, 영상입력을 위해 일반 USB웹캠을, 음성 경고 출력을 위해 스피커를 연결하였다. 본 시스템은 넓은 작업 공간 전체를 모니터링하는 것이 아니라, 나셀 출입구, 타워 내부 승강설비 탑승 지점, 또는 작업 전 안전 브리핑 공간 등 작업자가 일정 시간 정지하는 고정 위치에 근접설치(카메라-얼굴 거리 50~80 cm)하는 것을 상정하여 설계하였다. 이 거리에서 일반 USB 웹캠(640×480 해상도)의 경우 얼굴 영역이 약 200×200 픽셀 이상 확보되어, MediaPipe Face Mesh의 안정적인 랜드마크 검출이 가능하다. 원거리 촬영 시의 저해상도 문제 및 다중 작업자 동시 모니터링은 본 연구의 범위를 벗어나며, 향후 PTZ 카메라 또는 다중 카메라 시스템 적용을 통해 확장할 계획이다. 전체 시스템은 Python을 기반으로 실시간 영상 처리를 위해 OpenCV 라이브러리를, 얼굴 랜드마크 검출을 위해 MediaPipe 라이브러리를 활용하였다. 또한, 음성 합성(TTS)을 위한 관련 라이브러리를 통합하여 단계별 경고 기능을 구현하였다.

2,3,2 시제품 제작

선정된 하드웨어 구성품들을 작업 현장에서 안정적으로 거치하고 작동시키기 위해 3D 모델링 소프트웨어(SolidWorks)를 사용하여 시제품 외관을 설계하였다. 설계 시, 카메라의 최적 시야각 확보, 라즈베리파이의 발열 해소를 위한 통풍 구조, 그리고 작업 공간 벽면 또는 거치대에 설치할 수 있는 마운트 구조를 핵심적으로 고려하였다. 완성된 3D 모델은 3D 프린터를 이용하여 실제 시제품으로 제작되었으며, 이는 Fig.3와 같다.

HKPRAO_2026_v17n2_5_4_f0002.png 이미지

Fig. 3 Fabricated prototype

2.4 실험방법

2,4,1 저조도 환경 인식률 개선

본 연구에서 제안한 InvertL 전처리 기법의 성능을 검증하기 위해, 3가지 조명 조건에서 실험을 수행하였다. 일반 조명(200 lux 이상), 저조도(50~200 lux), 극저조도(50 lux 미만) 환경에서 각각 100프레임씩 총 300 프레임의 얼굴 영상을 촬영하였다. 각 프레임에 대해 MediaPipe Face Mesh의 468개 랜드마크 검출 성공여부를 기록하여 검출 성공률을 산출하였다.

먼저, InvertL 적용 전후의 검출 성공률을 비교한 결과를 Table 2에 제시한다.

Table 2 Comparison of landmark detection rates before and after InvertL application

HKPRAO_2026_v17n2_5_4_t0001.png 이미지

Fig. 4에 나타낸 바와 같이, Original 이미지를 Grayscale 변환, Median Filter 적용, InvertL 반전 처리를 거쳐 최종 Clear Image를 생성하였다. 밝은 환경에서는 각 단계별 차이가 미미하나, 저조도 및 극저조도 환경에서는 InvertL 적용 후 얼굴 윤곽이 뚜렷하게 부각되어 랜드마크 검출 성능이 현저히 향상되는 것을 확인할 수 있다.

HKPRAO_2026_v17n2_5_5_f0001.png 이미지

Fig. 4 Image Pre-processing Process under Various Lighting Conditions

InvertL의 핵심 파라미터인 원본 흑백 이미지와 반전 이미지의 합성 비율을 결정하기 위해, 6가지 비율 조건에서의 평균 검출 성공률을 비교하였다. 결과를 Table 3에 제시한다.

Table 3 Average landmark detection rate by InvertL blending ratio

HKPRAO_2026_v17n2_5_5_t0001.png 이미지

Table 3에 나타낸 바와 같이, 75:25 비율에서 전체 조명 조건에 걸쳐 가장 높은 평균 검출 성공률(95.3%)을 달성하였다. 반전 비율이 30% 이상으로 증가하면 일반 조명에서 오히려 명암 대비가 과도해져 검출률이 저하되었으며, 20% 이하에서는 극저조도 환경에서의 개선 효과가 충분하지 않았다. 따라서 최종 합성 비율을 75:25로 선정하였다.

2,4,2 KNN 모델의 K값 선정

KNN 알고리즘의 성능을 결정하는 핵심 파라미터인 이웃의 수(K)를 선정하기 위해 실험을 진행하였다. PERCLOS(눈 감김 비율)와 연속 눈 감김 시간 데이터를 2차원 평면에 분포시키고, K값을 1, 3, 5, 7로 변경하며 분류 정확도를 평가하였다. K=3, 5, 7에서 유의미한 성능 차이가 나타나지 않아, 연산 효율성을 고려하여 최종 K값을 3으로 선정하였다.

KNN 모델의 훈련 데이터는 다음과 같이 수집하였다. 피험자 3명(남성 2명, 여성 1명, 20대)을 대상으로, 정상 상태(일상적 행동: 눈 뜬 상태에서의 자연스러운 눈 깜빡임)와 피로 상태(의도적 눈 감김, 하품, 고개숙임)를 각각 5분간 촬영하여 총 약 9,000프레임(30분 × 5 FPS)의 데이터를 수집하였다. 각 프레임에서 PERCLOS(60초 윈도우 내 눈 감김 비율)와 연속 눈감김 시간(초)의 2개 특징(feature)을 추출하였다. 라벨링은 촬영 시 피험자에게 정상/피로 시나리오를 지시한 후 해당 구간을 정상(0) 또는 피로(1)로 수동 라벨링하였다. Fig. 5은 수집된 훈련 데이터의 2차원 분포를 나타낸다.

HKPRAO_2026_v17n2_5_5_f0002.png 이미지

Fig. 5 KNN Training Data Distribution

Table 4에 나타낸 바와 같이, K=3에서 93.8%로 가장 높은 분류 정확도를 보였다. K=1은 노이즈에 민감하여 오경보 위험이 있었고, K=5, 7에서는 유의미한 성능 차이가 없어 연산 효율성을 고려하여 K=3으로 최종 선정하였다.

Table 4 KNN classification accuracy by K value

HKPRAO_2026_v17n2_5_5_t0002.png 이미지

2,4,3 피로 판단 모델 성능 비교

동일한 데이터셋을 사용하여 5가지 피로 판단 모델(Rule only, KNN only, Hybrid(max), Hybrid(soft), Hybrid(3layer))의 성능을 비교 평가하였다. 평가는 5분간의 모의 작업 환경에서 20회의 피로 신호(TP)를 발생시키는 통제된 실험 환경에서 진행되었으며, Macro-F1, 누락률, 오경보율을 핵심 지표로 사용하였다.

5가지 모델의 구성은 다음과 같다.

(1) Rule only: EAR(Eye Aspect Ratio) 임계값 0.20 이하, PERCLOS 임계값 0.4 이상을 기준으로 if-else 조건문만으로 피로 여부를 판단하는 규칙 기반 모델이다. 구현이 단순하고 연산 비용이 낮으나, 고정 임계값으로 인해 개인차 및 환경 변화에 취약하다.

(2) KNN only(K=3): 2.4.2절에서 구축한 훈련 데이터를 기반으로, PERCLOS와 연속 눈 감김 시간을 특징으로 사용하여 K-최근접 이웃 알고리즘으로 피로 확률(0~1)을 출력하는 모델이다. 데이터 기반으로 비선형 경계를 학습할 수 있으나, 훈련 데이터의 품질에 의존한다.

(3) Hybrid(max): Rule 모델과 KNN 모델을 동시에 실행하여, 두 모델이 출력한 피로 확률 중 최대값을 최종 피로 확률로 채택하는 앙상블 모델이다. 민감도(재현율)가 높으나 오경보율이 증가하는 경향이 있다.

(4) Hybrid(soft): Rule 모델과 KNN 모델의 피로확률을 동일 가중치(0.5:0.5)로 가중 평균(Soft-Voting)하여 최종 피로 확률을 산출하는 앙상블 모델이다. 두 모델의 상호 보완을 통해 오경보와 미탐지의 균형을 추구한다.

(5) Hybrid(3layer): Rule 판단 결과를 KNN의 추가 입력으로 사용하고, KNN 출력을 다시 최종 판단 로직에 전달하는 3단계 직렬 앙상블 모델이다. 실험 결과 단계 간 오차가 누적되어 수렴하지 않아 Fail로 판정하였다.

2,4,4 최종 피로 레벨 결정 로직 검증

앙상블 모델을 통해 도출된 피로 값(Lfinal)을 입력받아, 최종경고 레벨을 결정하는 FSM+Hysteresis 로직의 작동을 검증하였다. Figure 6과 같이 정상(Lv 0) 상태에서 피로 지표가 일정 시간(delay 2초) 지속되면 주의(Lv 1) 상태로, 다시 3초간 지속되면 경고(Lv 2) 상태로 순차적으로 전이되는지 확인하였다. 또한, '경고' 상태에서 피로 지표가 해소되어도 즉시 '정상'으로 복귀하지 않고, 히스테리시스 로직에 따라 한 단계 아래인 '주의' 상태를 일정 시간 유지하는지 등을 집중적으로 테스트하였다.

HKPRAO_2026_v17n2_5_6_f0001.png 이미지

Fig. 6 State Transition Diagram using FSM and Hysteresis

2,4,5 실시간 처리 성능 측정

시스템의 실시간 대응 능력을 검증하기 위해 멀티스레딩 적용 전후의 초당 프레임 수(FPS)를 측정하였다. 동일한 하드웨어 및 소프트웨어 환경에서 5분간 시스템을 구동하며 평균 FPS를 기록하고, 목표 사양인 25 FPS 달성 여부를 확인하였다.

Table 5에 나타낸 바와 같이, 멀티스레딩 적용 후 평균 FPS가 8.2에서 25.4로 약 3.1배 향상되었으며, 최소 FPS도 21.3으로 목표 사양(25 FPS)에 근접한 안정적인 처리 성능을 확인하였다.

Table 5 Processing performance comparison before and after multi-threading

HKPRAO_2026_v17n2_5_6_t0001.png 이미지

2,4,6 경고 시스템 기능 검증

경고 시스템의 핵심 기능인 음성 합성(TTS) 모듈을 시스템에 통합하였다. 피로 감지 시 피로 레벨에 따른 단계별 음성 경고(주의 경고, 작업 중단 권고, 긴급 경고)가 정상적으로 출력되는지 기능적 검증을 수행하였다.

3. 결과 및 토의

5가지 피로 판단 모델에 대한 성능 평가 결과는 Table 6 와 같다.

Table 6 Performance comparison of fatigue detection modes

HKPRAO_2026_v17n2_5_7_t0001.png 이미지

분석 결과, 두 모델의 확률 값을 가중 평균하는 Hybrid(soft), 즉 Soft-Voting 앙상블 모델이 Macro-F1 점수 0.85를 유지하면서 오경보율을 0.71%로 가장 낮게 기록하여 최종 모델로 선정되었다. Rule only 모델은 누락률이 30%로 가장 높았고, Hybrid(max) 모델은 오경보율이 2.14%로 가장 높아 안정성이 떨어졌다.

시스템의 실시간 처리 성능 측정 결과 멀티스레딩을 적용하기 전에는 평균 8 FPS에 불과했으나, 적용 후에는 평균 25 FPS를 안정적으로 유지하여 목표 사양을 초과 달성하였다. 이는 영상 입력과 AI 추론 작업을 병렬화한 전략이 성공적이었음을 입증한다.

이러한 정량적 성능은 Fig. 7과 같이 실제 작동하는 시제품의 UI를 통해 실시간으로 검증되었다. 시제품은 작업자의 상태를 지속적으로 모니터링하며, 설계된 FSM 로직에 따라 피로 레벨이 '주의(Lv 1)' 이상으로 판단될 경우 화면에 즉각적으로 상태를 표시한다.

HKPRAO_2026_v17n2_5_7_f0001.png 이미지

Fig. 7 UI screen for fatigue detection on the actual working prototype

기능 검증 결과, 구현된 경고 시스템은 피로 상태가 감지되었을 때, 피로 레벨에 따라 단계별 음성 경고를 출력하는 기능이 정상적으로 작동함을 확인하였다. 이는 단순 경고음의 한계를 극복하고, 향후 지상 관제실 연동을 통한 원격 안전관리 체계 구축의 가능성을 보여준다.

3.1 비용 효율성 분석

본 시스템의 하드웨어 구성 비용을 산업용 대안 시스템과 비교한 결과를 Table 7에 제시한다.

Table 7 Cost comparison between proposed and industrial systems

HKPRAO_2026_v17n2_5_7_t0002.png 이미지

본 연구 시스템은 산업용 대안 대비 약 1/10~1/30 수준의 비용으로 구성 가능하다. 산업용 시스템은 더 높은 해상도와 처리 성능을 제공하나, 풍력발전소의 경우 수십~수백 기의 터빈에 개별 설치해야 하는 점을 고려하면, 저비용 시스템의 경제적 이점이 크다. 본 연구의 핵심 기여는 약 17만원 수준의 저비용 구성으로도 F1-Score 0.85, 25 FPS의 실시간 피로 감지가 가능함을 실증한 데 있으며, 향후 산업용 하드웨어로 업그레이드 시 성능 향상이 기대된다.

4. 결론

본 연구는 풍력발전 O&M 작업자의 안전 확보를 위해 AI 기반 실시간 피로 감지 및 경고 시스템을 제안하고, 핵심 기술의 성능을 실험적으로 검증하였다. 풍력 터빈 유지보수 작업의 특성(고소작업, 밀폐 공간, 장시간 반복 작업)에서 비롯되는 작업자 피로 문제를 해결하기 위해 시스템 요구사양을 도출하고, 기술적 검증을 통해 실시간으로 작동하는 시제품을 성공적으로 제작하여 기술적 실현 가능성을 입증하였다.

주요 연구 기여는 다음과 같다.

1) 저비용 임베디드 환경에서의 실시간 피로 감지: 라즈베리파이 기반 저비용 시스템으로 F1-Score 0.85, 오경보율 0.71%의 피로 감지 성능을 달성하였다. InvertL 전처리 기법을 적용하여 나셀 내부 등 저조도 환경에서의 인식 성능을 확보하였으며, 이는 원격지에 위치한 풍력발전소에 경제적으로 배치 가능한 솔루션의 실현 가능성을 보여준다.

2) 실시간 처리 성능 확보: 멀티스레딩 기법을 도입하여 저사양 임베디드 시스템의 한계를 극복하고 평균 25 FPS의 처리 속도를 달성함으로써, 풍력 현장에서의 실시간 대응 능력을 입증하였다.

3) 단계별 경고 체계 구현: 단순 경고음의 실효성 문제를 해결하기 위해 FSM+Hysteresis 기반의 안정적 단계별 경고 체계를 구현하였다. 이는 풍력 O&M 현장의 안전 관리 체계와 연계 가능한 실시간 작업자 피로 경고 시스템의 발전 방향을 제시한다.

본 연구는 통제된 실험 환경에서의 핵심 기술 검증에 초점을 맞추었으며, 다음과 같은 한계가 존재한다. 첫째, 실험은 카메라-얼굴 거리 50~80 cm의 근접 설치 조건에서 수행되었으며, 원거리 촬영 시의 저해상도 환경에서는 검증되지 않았다. 둘째, 피험자 3명의 제한된 데이터로 학습되었으며, 다양한 인종, 연령, 안면 특성에 대한 범용성은 확인되지 않았다. 셋째, 실제 풍력터빈 나셀 내부의 진동, 먼지, 온도 변화 등 환경 요인이 시스템 성능에 미치는 영향은 평가되지 않았다.

향후 연구에서는 헬멧 등 PPE 착용 조건에서의 인식 성능 검증, 나셀 내부 진동 환경에서의 카메라 안정성 평가, PTZ 카메라 또는 다중 카메라를 활용한 능동 추종 기능 확장, 그리고 지상 관제실과의 연동을 통한 원격 안전관리 체계 구축을 계획하고 있다.

후기

본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제임. (No. RS-2024-00460305) 이 논문은 2025년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (No. RS-2025-16066844)

참고문헌

  1. N. R. Adao Martins, S. Annaheim, C. M. Spengler, and R. M. Rossi, "Fatigue monitoring through wearables: A state-of-the-art review," Frontiers in Physiology, 12, 790292 (2021).
  2. S. Kaplan, D. Guvensan, A. G. Yavuz, and Y. Karalurt, "Driver Drowsiness Detection Systems: A Review," IEEE Sensors Journal, 15(11), 6147-6158 (2015). https://doi.org/10.1109/JSEN.2015.2453947
  3. O. N. Aneziris, I. A. Papazoglou, M. Konstandinidou, and Z. Nivolianitou, "Occupational risk for an onshore wind farm," Safety Science, 88, 280-294 (2016).
  4. Z. Halim and A. T. B. Jin, "EEG-based drowsiness detection for driver safety," Proceedings of the IEEE International Conference on Signal and Image Processing Applications, 321-326 (2011).
  5. S. Li, Z. Wang, and X. Liu, "A Review of Computer Vision-Based Monitoring Approaches for Construction Workers' Work-Related Behaviors," IEEE Access, 12, 16840-16862 (2024).
  6. T. Morris and P. Blenkhorn, "Real-time eye blink detection with OpenCV," Journal of Computer Science, 10(6), 949-954 (2014).
  7. W. Li, X. Wang, and G. Li, "Driver Drowsiness Detection Based on Convolutional Neural Network," Journal of Physics: Conference Series, 1087, 052021 (2018).
  8. B. K. Park, S. W. Kim, and J. M. Lee, "A Study on Drowsiness Detection using RNN based on Facial Feature Points," Journal of the Korea Institute of Information and Communication Engineering, 22(11), 1461-1467 (2018).
  9. Y. Guo, H. Liu, and Y. Wang, "Driver Drowsiness Detection Based on Lightweight Deep Learning Model," IEEE Access, 9, 151538-151548 (2021).
  10. K. Haritos, S. Nwankwo, J. Ling, and G. Bouchlaghem, "Occupational health hazards and risks in the wind industry," Energy Reports, 7, 3040-3053 (2021).
  11. A. Grishchenko and V. Bazarevsky, "MediaPipe Face Mesh: A 3D Face Landmark Model for Mobile Devices," arXiv:2006.10962 [cs.CV] (2020).
  12. H. Chen, X. Liu, D. Yin, and J. Tang, "A Survey on Dialogue Systems: Recent Advances and New Frontiers," ACM SIGKDD Explorations Newsletter, 19(2), 25-35 (2018).
  13. T. G. Dietterich, "Ensemble Methods in Machine Learning," Proceedings of the First International Workshop on Multiple Classifier Systems, 1-15 (2000).
  14. X. Dong, G. Wang, Y. Pang, W. Li, and J. Wen, "Fast efficient algorithm for enhancement of low lighting video," Proceedings of the IEEE International Conference on Multimedia and Expo, 1-6 (2011).
  15. J. F. Wakerly, Digital Design: Principles and Practices, Prentice Hall, New York (2005).
  16. A. Silberschatz, P. B. Galvin, and G. Gagne, Operating System Concepts, John Wiley & Sons, New York (2018).