YOLO-CARAFE 기반 화염감지 알고리즘을 이용한 물류창고 화재예방에 관한 연구 = A Study on Fire Prevention in Logistics Warehouse Using YOLO-CARAFE with Flame Detection Algorithm

국문 초록 (Abstract)

물류창고는 고층 랙 구조, 가연성 자재의 대량 적재, 자동화 설비의 연속 운전 등 다양한 위험요인이 복합적으로 작용하는 산업시설로, 초기 발화가 인지되지 않을 경우 화재가 단시간 내에 대형 사고로 확산될 가능성이 매우 높다. 그러나 국내 물류창고에서 주로 사용되는 기존의 연기·열 기반 감지 기술은 고천장 구조에서의 연기 상승 지연, 층상화(smoke stratification), 조도 변화와 반사광, 분진·습도 등 다양한 환경적 요인에 취약하여 조기 감지 성능이 충분히 확보되지 못하고 있다. 실제 다수의 산업 현장에서 자동화 물류 설비로 인한 움직임, 금속 구조물 반사, 고온 설비 등에 의해 비화재보가 빈번하게 발생하며, 이는 감지 시스템에 대한 신뢰도 저하로 이어져 신속한 화재 대응을 어렵게 한다. 이러한 문제로 인해 물류창고 환경에 특화된 고신뢰성 화재감지 기술의 필요성이 지속적으로 제기되고 있다.
본 연구에서 AI 기반 화재감지 모델의 신뢰성 있는 학습을 위해서는 다양한 발화 조건, 촬영 거리, 가림 및 조도 변화 등을 반영한 대규모 열화상 화재 데이터가 요구된다. 그러나 실제 물류창고 환경에서 이러한 조건을 체계적으로 재현하여 데이터를 획득하는 것은 안전성·비용·환경적 제약으로 인해 현실적 어려움이 뒤따른다. 이에 본 연구에서는 RGB 화염 데이터셋을 기반으로 HSV 컬러 공간 변환, 색상 기반 영역 분리, 이진화 절차를 수행하여 화염 패턴의 구조적 특성을 모사한 대체 학습 이미지를 구축하였다.
또한, 열화상 영상 기반 화재감지의 신뢰도를 향상시키기 위해 이미지 전처리 기법을 적용하여 복잡한 물류창고 환경에서 발생하는 잡음과 비화재 신호를 최소화하기 위해 핵심적인 4가지 전처리 기법을 적용하였다. Radiometric 기반 온도 보정은 고온 영역의 정량적 복원을 통해 열 패턴의 신뢰성을 확보하며, 크기·형상 분석은 화염 경계의 공간적 특징을 선별하여 초기 후보 영역을 효과적으로 축소한다. 또한 Harris Corner 기반 국소 구조 검출은 화염 특유의 불규칙한 경계 패턴을 강조하고, 배경 차분 기법은 물류창고 내 장비 이동, 반사광, 온도 변화 등으로부터 독립적인 화염의 동적 특성을 분리하여 후단에서 화재와 비화재 패턴의 구분이 용이하도록 한다. 이러한 이미지 전처리 과정은 복잡한 배경 요인을 제거하고 열적·형상적 특징을 정제하여 YOLO-CARAFE CR 모델이 보다 높은 신뢰성과 실용성을 받을 수 있도록 하는 데 목적이 있다.
CARAFE(Content-Aware Reassembly of Features) 업샘플링은 입력 피처의 국소·전역 문맥 정보를 동시에 반영하여 공간 구조를 재조립함으로써, 기존 업샘플링 방식에서 발생하던 공간 해상도 손실과 경계 왜곡 문제를 크게 감소시킨다. 이러한 고해상도 재구성 능력은 원거리 촬영으로 인해 수십 픽셀 단위의 작은 점 형태로 나타나는 초기 열 패턴을 보다 명확한 윤곽과 구조로 복원하는 데 효과적이다.
특히 물류창고 특유의 저조도 환경, 금속 랙 반사, 조도 편차 등 다양한 교란 요인이 존재하는 상황에서도 불필요한 배경 신호를 억제하고 화재와 직접적으로 연관된 패턴을 선별하는 데 높은 안정성을 제공한다. 또한 CARAFE 기반의 업샘플링은 단순 해상도 증가가 아니라 열 패턴의 문맥적 연속성과 형태적 일관성을 유지하며 화염 경계의 공간적 변화까지 반영할 수 있어, 기존 YOLO 구조로는 식별이 어려웠던 소형·저 대비 화염의 특징을 보다 정밀하게 재현한다.
이러한 구조는 초기 발화 단계에서 나타나는 미세한 열 신호나 불규칙한 경계 움직임까지 포착할 수 있도록 설계되어, 실제 물류창고 환경에서 발생하는 다양한 초기 화재 상황에 대한 탐지 신뢰도를 높인다. 결과적으로 제안된 YOLO–CARAFE 기반 감지 구조는 기존 센서 기반 감지 방식이 갖는 연기 지연, 반사광 오경보, 비화재 신호 혼입 등의 한계를 극복하고, 복잡한 물류창고 환경에서도 높은 정확도와 실시간성을 제공하는 지능형 화재 판별 성능을 구현하고자 한다.

다국어 초록 (Multilingual Abstract)

Logistics warehouses present inherent risks due to the coexistence of high‐bay racking, dense combustible storage, and automated machinery. Consequently, delayed detection allows incipient fires to escalate rapidly. However, prevalent smoke and heat sensors utilized in domestic logistics warehouses are vulnerable to environmental and structural limitations like delayed smoke rise in high ceilings, stratification, illumination changes, glare from reflective surfaces, dust, and humidity, which inhibit early fire detection performance. Furthermore, in several industrial sites, metallic reflections and machinery movement trigger frequent false alarms, undermining system reliability and impeding timely fire response. Hence, there is an increasing demand for highly reliable fire detection technologies specifically engineered to address the unique environmental characteristics of logistics warehouse.
Developing a robust AI-based fire detection model requires a comprehensive thermal fire dataset that encompasses diverse ignition sources, camera distances, occlusion levels, and illumination variations. However, acquiring such data in actual logistics warehouses is frequently inhibited by stringent safety protocols, excessive costs, and environmental constraints. Consequently, this study develops a robust AI model using a novel data synthesis approach. Owing to the difficulty of capturing actual fire data in active warehouses, an RGB flame dataset is utilized and reconstructed into synthetic thermal training images via HSV color space conversion, color-based region separation, and binary segmentation, effectively mimicking the structural characteristics of thermal flame patterns.
To enhance the reliability of thermal-image-based fire detection, four core image preprocessing techniques were applied to minimize noise and non-fire signals typically generated in complex warehouse environments. Radiometric temperature correction ensures the quantitative restoration of high-temperature regions, while size/shape analysis isolates spatial features associated with flame boundaries to reduce the initial candidate region. In addition, Harris corner–based local structure detection emphasizes irregular boundary patterns characteristic of flames, while background subtraction separates flame motion from environmental variations like equipment movement, reflections, and heterogeneous temperature changes. These preprocessing steps refine thermal, structural, and dynamic features and provide clean inputs that enhance the robustness and operational reliability of the downstream YOLO–Content-Aware Reassembly of Features (CARAFE) model.
The CARAFE upsampling module significantly outperforms conventional methods by leveraging both local and global contextual information to reconstruct spatial structures. This approach mitigates resolution loss and boundary distortion, which is crucial for restoring the details of small thermal patterns that may appear as mere pixels at long distances. Even under adverse warehouse conditions like low illumination, varying brightness, and intense reflections from metallic racks, CARAFE effectively suppresses background noise while selectively enhancing fire-related signals. Moreover, CARAFE preserves the contextual continuity and morphological consistency of thermal patterns, enabling precise reconstruction of small and low-contrast flame features that conventional YOLO architectures often fail to identify.
This integrated structure is designed to capture subtle thermal variations and irregular boundary movements that characterize incipient fire stages, thus increasing detection reliability across diverse early fire scenarios encountered in logistics warehouses. Consequently, the proposed YOLO–CARAFE–based detection framework overcomes the traditional limitations of sensor-based systems, such as delayed smoke detection, false alarms due to reflections, and interference from non-fire heat sources, ensuring high accuracy, real-time detection performance in complex industrial environments.

목차 (Table of Contents)

• 1. 서 론 1
• 1.1 연구배경1
• 1.2 연구의 필요성 및 목표 3
• 2. 국내 화재사고 및 화재감지 이론적 고찰 5
• 2.1 국내 화재사고 통계 분석 5
• 2.2 비화재보 통계 분석 11
• 2.3 기존 화재감지 시스템의 문제점 16
• 2.4 열화상 카메라를 이용한 화재감지 연구동향19
• 2.5 AI 기반 화재감지 연구동향21
• 3. 물류창고의 개념 및 화재 위험성 분석 24
• 3.1 물류창고의 개념 및 현황 24
• 3.1.1 물류창고의 정의24
• 3.1.2 국내 물류창고 현황25
• 3.2 물류창고의 공간 및 구조적 특성 28
• 3.3 물류창고의 소방시설 기준 및 화재감지기 설치기준 34
• 3.4 물류창고 화재통계 및 주요 화재사례 분석 40
• 3.5 국가별 물류창고 화재안전 규제 및 기술적 대응 현황43
• 4. 제안한 시스템 설계에서 적용한 AI 알고리즘 분석 49
• 4.1 딥러닝(deep learning)의 개요 및 배경 49
• 4.2 다양한 색 공간 변환 기법 52
• 4.3 라디오메트릭(Radiometric) 59
• 4.4 Contour 함수를 통한 윤곽선 추출64
• 4.5 Harris Corner Detector 특징점 분석 69
• 4.6 YOLO(You Only Look Once)의 기본 개요 73
• 5. YOLO-CARAFE 기반 화염감지 알고리즘 설계78
• 5.1 열화상 카메라의 구조 및 기본 원리 78
• 5.2 제안한 열화상 영상 기반 화염감지 이미지 전처리 기법 설계 81
• 5.2.1 Radiometric을 이용한 화염의 온도 추출 이미지 전처리 기법83
• 5.2.2 화염 영역의 크기 추출을 위한 이미지 전처리 기법 89
• 5.2.3 화염 영역의 모양 추출을 위한 이미지 전처리 기법 92
• 5.2.4 화염 영역의 이동 추출을 위한 이미지 전처리 기법 96
• 5.3 열화상 카메라 전용 화염 이미지 데이터셋 확보 및 이미지 학습 100
• 5.4 YOLO-CARAFE을 이용한 화염감지 모델링 설계 102
• 5.4.1 YOLO v8의 개요 102
• 5.4.2 YOLO-CARAFE 기반 소형 객체 감지 모델링 설계 106
• 6. 제안한 화재감지 시스템의 실측분석 및 평가 112
• 6.1 제작한 지능형 열화상 카메라 임베디드 시스템 구성 및 스펙 112
• 6.2 제안한 이미지 전처리 기법 실측분석 및 평가 117
• 6.3 YOLO-CARAFE CR 모델의 학습 화염검출 실측분석 및 평가125
• 6.4 혼동행렬을 이용한 정확도 평가 및 실측분석 129
• 7. 결 론 131
• □ 참고문헌 133
• □ Abstract 138