다중 센서 화재 환경에서 임계값 기반 탐지 방법의 한계 분석 = Analysis of the Limitations of Threshold-Based Detection Methods in Multi-Sensor Fire Environments|RISS 상세보기

국문 초록 (Abstract)

화재 탐지 시스템은 인명과 재산 피해를 최소화하기 위해 높은 탐지 성공률 （Recall）과 낮은 오작동률（False Positive Rate, FPR）을 동시에 확보해야 한다. 특히 건축물, 산업시설 및 지하주차장과 같은 밀폐 공간에서는 화재 초기 단계에서 신 속하고 정확한 탐지가 요구되며, 이를 위해 연기, 온도, 일산화탄소（CO） 등을 활용 한 다중 센서 기반 화재 탐지 기술이 널리 사용되고 있다. 그러나 실제 환경에서 는 화재 유형과 비화재 환경에 따라 센서 반응이 크게 달라져 임계값 기반 탐지 방식은 Recall, FPR 및 탐지 지연 간의 균형 확보에 구조적인 한계를 가진다. 기 존 연구들은 오작동 감소, 탐지 시간 단축 또는 분류 정확도 향상에 주로 초점을 두었으며, 임계값 기반 방식의 구조적 한계를 정량적으로 분석하고 기계학습 기반 방식과 동일한 조건에서 비교한 연구는 부족하였다. 이에 본 연구에서는 NIST Room Fire Detection 데이터셋을 활용하여 네 가지 임 계값 기반 방식과 기계학습 모델을 동일한 조건에서 비교·분석하였다. 비교 대상 은 AND, SCORE, TWO_STAGE 및 센서 반응의 시간적 순서를 활용하는 SPD 방 식이며, 다양한 임계값 조합에 대한 반복 실험을 통해 Recall, FPR 및 탐지 지연 을 종합적으로 분석하였다. 실험 결과, 네 가지 임계값 기반 방식 모두 Recall 향상과 FPR 감소를 동시에 만족하는 성능을 확보하지 못하였다. SCORE 방식은 Recall 100%를 달성했지만 높은 FPR을 보였고, AND 방식은 FPR은 낮았으나 Recall이 크게 감소하였다. TWO_STAGE 방식은 일부 오작동 감소 효과를 보였지만 탐지 지연이 증가하였다. SPD 방식은 FPR 0.0%를 달성하고 FFoam과 SFoam 화재를 모두 탐지하였으나 SFG（훈소 화재）는 탐지하지 못해 화재 유형에 따른 성능 차이를 보였다. 이는 SFG 화재와 비화재 조리 환경의 센서 분포가 중첩되기 때문으로 분석되었으며, 임계값 기반 방식의 구조적 성능 한계를 확인하였다. 기계학습 모델은 모두 Recall 100%를 달성하였다. 이 가운데 로지스틱 회귀 （Logistic Regression, LR）는 SCORE 방식보다 FPR을 42.2%p 낮추어 가장 큰 오작 동 감소 효과를 보였다. 또한 반복 시계열 예측 신경망（recurrent Time Prediction Neural Network, rTPNN）은 SFG 유형의 훈소 화재 14건을 모두 탐지하여 시간적 변화 정보를 활용하는 기계학습 기반 접근의 가능성을 확인하였다. 다만 FPR은 55.6~77.8%로 여전히 높아 실용화를 위해서는 추가 데이터 확보와 오탐지 감소를 위한 후속 연구가 필요하다. 본 연구는 임계값 기반 화재 탐지 방식의 구조적 성능 한계를 정량적으로 분석 하고, 기계학습 기반 접근이 이를 보완할 가능성을 실험적으로 확인하였다는 점에 서 의의를 가진다.

번역하기

화재 탐지 시스템은 인명과 재산 피해를 최소화하기 위해 높은 탐지 성공률 （Recall）과 낮은 오작동률（False Positive Rate, FPR）을 동시에 확보해야 한다. 특히 건축물, 산업시설 및 지하주차장...

목차 (Table of Contents)