AI 손상탐지 총괄
과제 총괄, 4-Tier 탐지 알고리즘 비교·최적 모델 선정, 멀티센서 융합 전략, 경량 모델 구현
SPECIAL & SPATIAL INTELLIGENCE
National R&D · 국립재난안전연구원 · 2026 – 2028
출렁다리·집라인·번지점프대. 사람이 직접 접근하기 어려운 복합레저시설물을 상용드론과 AI가 스스로 찾아가 살피고, 손상을 탐지하고, 이력으로 남기는 안전점검 플랫폼을 개발하고 있습니다. 깊터는 이 과제에서 드론 플랫폼과 SDK 기반 자율비행 제어를 맡고 있습니다.
FIELD · 여주 챌린지파크
Project overview
행정안전부는 복합레저시설물을 대상으로 정부합동 안전점검을 하고 있지만, 아직은 전문가의 육안점검에 기대고 있습니다. 국립재난안전연구원은 이를 드론·AI·빅데이터 기반의 지능형 점검체계로 고도화하기 위한 학술연구용역을 발주했고, 산학 컨소시엄이 2026년부터 3개년에 걸쳐 수행합니다.
Consortium roles
과제 총괄, 4-Tier 탐지 알고리즘 비교·최적 모델 선정, 멀티센서 융합 전략, 경량 모델 구현
레이블링 규칙, 데이터 QC·증강, 드론-AI-DB 연동 구조, 위험등급·3D Damage Map
2단계 자율비행 설계, 온보드 제어 모듈, 세선형 장애물 회피, 3중 복합항법, 센서 캘리브레이션, 지능형 프로토타입
Why now
케이블, 주탑, 앵커리지, 체결부처럼 높고 좁은 곳에 있는 부재는 사람이 직접 눈으로 확인하는 방식만으로는 점검 범위와 횟수를 늘리기 어렵습니다. 미세 균열·부식·체결 이상·케이블 처짐처럼 초기에 작게 나타나는 변화는 촬영 품질과 점검자 숙련도에 따라 놓칠 수 있습니다.
출렁다리·집라인·번지점프 등 복합레저시설물이 전국적으로 급증했고, 노후화에 따른 안전사고 위험이 함께 커지고 있습니다.
설치기준과 안전관리 실태를 총괄해 점검할 제도적 기반이 갖춰지지 않아 안전관리 사각지대가 생깁니다.
주탑 상부, 케이블 중앙부, 행어 결속부, 앵커리지처럼 접근이 어려운 부위는 정밀 탐지 자체가 어렵습니다.
점검 결과를 위치 기준으로 기록하고 시간에 따라 비교하기 어려워, 손상이 얼마나 진행됐는지 판단하기 힘듭니다.
What makes it different
기존 드론 점검은 사전에 확보된 도면이나 3D 모델을 전제로 경로를 짭니다. 이 플랫폼은 그 전제를 없앴습니다. 운용자가 위치를 지정하면 드론이 시설물을 스스로 인식하고, 온보드에서 판단하며, GNSS가 끊기는 구간에서도 비행을 이어갑니다.
CAD·BIM이 없어도 됩니다. 1단계 탐색 비행에서 LiDAR로 실시간 3D 형상을 생성하고, 주요 점검 부위를 자동 식별한 뒤 정밀 데이터를 취득합니다. 별도 형상 DB 없이 현장에서 바로 운용할 수 있습니다.
장애물 식별, 시설물 인식, GNSS 음영 대응 등 비행 안전에 필요한 핵심 판단은 온보드 컴퓨터(Manifold 3, 최대 100 TOPS)에서 실시간 수행됩니다. 통신이 지연되거나 네트워크에 장애가 생겨도 자율비행을 이어갑니다.
RTK/GNSS → LiDAR-관성 항법(FAST-LIO2) → UWB 절대위치 보정으로 이어지는 3계층 항법. 교각 하부, 계곡 경간, 금속 구조물 밀집 구역에서도 위치를 잃지 않고, 모든 계층이 실패하면 즉시 호버링 후 자동 복귀합니다.
RGB 하나로는 그림자·역광·수분 얼룩·도장 색상 유사성을 손상과 구분하기 어렵습니다. EO·IR·LiDAR가 역할을 나눠 교차 검증함으로써 오탐지를 체계적으로 줄입니다.
점검 운용 중 취득되는 손상·비손상 데이터가 자동으로 학습데이터셋에 축적됩니다. 정상 데이터 기반 이상탐지(역방향 학습)로 초기 데이터 부족을 우회하고, 쓸수록 똑똑해지는 선순환 구조를 만듭니다.
완전 자율이 어려운 구간에서는 점검자가 판단하는 단계를 절차 안에 넣습니다. 번지점프 타워처럼 위험한 수직 구조는 구간 전환마다 운용자 승인을 받고, POI를 화면에서 클릭해 지정하면 드론이 자동 선회 촬영합니다.
Autonomous flight · GIPTER's part
DJI Matrice 400 RTK 위에서 MSDK v5(지상국)와 PSDK v3(온보드)를 결합한 비행 구조입니다. 먼저 시설물 외곽을 돌며 형상을 취득하고, 그 형상으로부터 부재별 정밀 점검 경로를 자동 생성해 실행합니다. 2단계 안에서는 다시 Macro-Path와 Micro-Path의 2-Layer로 나뉘어, 온보드 AI가 촬영 직후 판단하고 위치를 미세 조정합니다.
OUT → 3D 포인트클라우드 · 안전구역 · 우선 점검 부위
전처리→분할→안전구역→
웨이포인트→TSP 최적화→KMZ
GNSS ▸ LIO ▸ UWB 3계층 항법 + safety_monitor_node 가 전 구간을 감시 · 이상 시 SEMI_AUTO_HOLD → FAILSAFE
Flight strategy by facility type
| 시설물 | 비행 방식 | 자동화 수준 | 핵심 알고리즘 |
|---|---|---|---|
| 출렁다리 | Linear + Facade | 완전 자동 | 교면 Grid(Lawnmower) 스캔 · 주케이블 현수선(y = a·cosh(x/a)) 추종 · 주탑 지그재그 Facade 스캔(중복도 종 80 / 횡 60%) · 주요 체결부 POI 자동 추가. 경간장·교폭·케이블 고저차만으로 전체 경로 생성 |
| 집라인 | Cable Tracking 4단계 | 완전 자동 | ① 예비 비행으로 케이블 자동 탐지 → ② 포인트클라우드 3D 중심선 추출 + 현수선 피팅(RANSAC + Levenberg-Marquardt) → ③ 일정 이격 정밀 추종, 지주 도달 시 선회 전환 → ④ 설계 기준선 대비 처짐량 자동 분석, 허용치 초과 구간 플래그 및 NBV 재비행 |
| 번지점프 타워 | POI + 수직 Scan | 반자동 · Human-in-the-loop | 타워를 균등 구간으로 분할해 층별 Facade 스캔, 구간 전환마다 운용자 승인 · 번지코드 고정장치·플랫폼 접합부를 화면 클릭으로 POI 지정 → 자동 선회(반경·고도·속도 실시간 조정, 짐벌 50 ms 주기 추적) |
6-step path generation · path_generator_node (ROS 2 Action)
Voxel Grid 0.05 m 다운샘플링 → 통계적 이상점 제거 → RANSAC 지면 분리 → ROI 필터. 데이터량 약 80% 압축, 32 → 6 ms/frame
Euclidean Clustering → PCA 선형성·평면성 → 케이블/데크/주탑 분류 → Point-to-Line 케이블 전용 추출
부재별 SafetyZone. EO 이격 3.0 m, LiDAR 5.0 m 기본. 세선형은 실제반경 + 각분해능×거리 + 풍압 마진
표면 법선 × 이격거리로 위치 산출, 짐벌 Yaw/Pitch 자동 계산, FOV 80% 중첩 미달 시 포인트 자동 삽입
TSP(Google OR-Tools CP-SAT) 방문순서 최적화 → 배터리 소모 예측 → 임무 분할점 자동 삽입
WPML(waylines.wpml + wpmz/res) → KMZ 패키지. DJI Pilot 2와 자체 GCS 앱에서 직접 로드
AI damage detection · 4-Tier pipeline
복합레저시설물의 손상은 크기와 형태가 다양하고, 정답 데이터가 충분치 않은 경우가 많습니다. 먼저 부재의 위치를 찾고, 그 주변에서 손상 유형별로 정밀 분석하며, LiDAR로 처짐·변형을 정량화하고, 라벨이 없는 손상은 정상 상태 대비 이상으로 잡아냅니다. 빠른 1차 선별(온보드)과 정밀 판독(오프보드)을 분리한 구조입니다.
드론 이미지에서 주탑·케이블·행어·데크·체결부의 위치를 신속하게 찾습니다. 속도 우선 모델과 정밀도 우선 모델을 mAP와 Manifold 3 추론 시간으로 비교합니다.
균열은 픽셀 단위 세그멘테이션(mIoU·Dice), 부식·도장박리 초기 단계는 정상 이미지만으로 학습하는 재구성 기반 이상탐지, 볼트 결손은 검출+분류기로 판정합니다.
LiDAR와 영상 기하로 케이블 처짐량, 주탑 수직도 편차, 부재 곡률을 산출합니다. 2D 영상의 시점 왜곡은 LiDAR 3D 재구성을 기준 프레임으로 보정합니다.
라벨이 부족한 손상과 예상하지 못한 이상을 제로샷·소수샷으로 검출합니다. 텍스트 프롬프트만으로 손상 여부를 판별하는 방식까지 비교합니다.
Multi-sensor false-positive suppression
DJI Zenmuse H30T(48 MP 광각 + 40 MP 줌, 광학 10배·하이브리드 200배, 1280×1024 열화상)와 Zenmuse L2(905 nm, 100 m 고도에서 ≥ 100 pt/m²)를 한 기체에 싣고, 손상 유형에 따라 센서를 조합합니다. 헤어 크랙처럼 극소 손상은 광각으로 1 m 근접하는 대신 하이브리드 20배 줌으로 4 m에서 동등한 GSD를 확보합니다.
| 오탐지 원인 | 대응 센서 · 전략 |
|---|---|
| 그림자 · 역광 | 복수 촬영 각도와 시간대 조정으로 RGB 보완, IR 열화상으로 조도와 무관한 온도 기반 이상 보조 탐지 |
| 수분 · 기름 얼룩 | IR 온도차 패턴으로 누유·수분 흔적과 실제 손상을 구분하고 교차 검증 |
| 도장 색상 유사성 | LiDAR 표면 거칠기 정보와 RGB 복수 각도 촬영을 결합해 인식률 증대 |
| 시점 왜곡 기하 오판 | LiDAR 3D 재구성을 기준 프레임으로 2D 영상 형상 판단 오차 보정 |
| 체결부 · 로프 열화 | IR로 이동주행장치 이상 발열, 탄성 로프 내부 열화 등 열적 이상 보조 탐지 |
Training data
복합레저시설물에 특화된 손상 데이터는 공개 데이터셋에 거의 없습니다. 현장 실측, 공개 데이터, 시뮬레이션 합성의 세 경로를 전 연차에 걸쳐 병행하고, 표준 레이블링 규칙과 자동 QC로 품질을 일정하게 유지합니다.
실제 시설물 드론 촬영 데이터. 전 연차 병행 수집하며, 비행 중 온보드에서 4단계 품질 등급을 실시간 분류해 Grade D 비율이 30%를 넘으면 해당 구간 재촬영 알림을 자동 발송합니다.
AI Hub 교량 안전점검 드론 이미지(균열 약 4,200장), Kaggle Concrete Crack, KITTI 등 기존 데이터셋을 전처리·재활용해 1차년도 초기 학습을 가속합니다.
3D 모델 위에 손상 텍스처를 합성하고 조도·거리·각도·blur를 변형해 다양한 손상 패턴을 생성합니다. 3차년도에는 저조도·강풍·저해상도 등 악조건 데이터를 집중 구축합니다.
도면 없는 실제 시설물을 LLM 기반 3D 모델링으로 재구성했습니다. 여주 챌린지파크 집라인 타워는 현장 사진·영상 125장으로, 번지점프대는 공개 드론 영상만으로 모델을 생성했습니다. 이 모델에 Blender + ArduPilot 가상 드론을 띄워 비행 경로·초점거리·해상도를 바꿔가며 드론 시점 이미지를 렌더링하고, 실제 HDRI 배경을 적용해 학습용 합성 데이터를 만듭니다.
AI 파이프라인의 Tier 구조와 1:1로 대응하는 계층형 레이블. RGB는 Bounding Box / Polygon / Polyline, IR은 Pixel-level Thermal Mask, 포인트클라우드는 3D Box / Point-wise Segmentation으로 기록합니다. 공공 개방형 가이드라인으로 정립해 AI Hub 확산을 준비합니다.
Bounding Box IoU ≥ 0.85, Polygon IoU ≥ 0.80, 3D Box IoU ≥ 0.70. 동일 이미지에 대한 2인 이상 레이블러 일치율 ≥ 90%(Cohen's κ ≥ 0.80). 1차 레이블링 → 교차 검토 → 시설물 전문가 승인의 3단계 절차와 어려운 사례집(Hard Case Dictionary)을 운영합니다.
Laplacian 분산 기반 blur 판정(임계값 100 — 실제 드론 촬영 500장 예비 실험에서 육안 blur 이미지의 97.8% 분류), Brenner Gradient 보조 지표, 노출·해상도·SSIM 중복 검사. 배치별 데이터셋 버전과 수집 경로·QC 이력을 메타데이터로 추적하고 HTML 리포트를 자동 생성합니다.
Data flywheel
점검 비행에서 취득한 이미지는 온보드 품질 등급을 거쳐 자동으로 학습 후보에 쌓입니다. 점검자가 승인한 탐지 결과는 레이블이 되고, QC를 통과한 데이터는 재학습에 투입됩니다. 사용 이력이 곧 모델 성능이 되는 구조입니다.
Platform stack
연구원이 운용하는 상용 드론의 SDK 지원 범위를 먼저 확인하고, 그 안에서 최대 성능을 내는 설계를 택합니다. 실현 가능성을 먼저 따지는 원칙입니다. 지원이 종료된 OSDK 대신 PSDK v3의 확장 비행제어 API로 온보드에서 비행과 센서를 통합 제어합니다.
3-year roadmap
드론 비행제어·AI 탐지·학습데이터 구축의 세 축을 1차년도부터 나란히 진행하고, 각 연차의 산출물이 다음 연차의 기반이 되도록 단계적으로 통합합니다.
3rd-year field validation · KPI design
비행 → AI 탐지 → 점검자 확정 → DB 저장 → 보고서 생성까지 단계별 소요시간·오류 건수·데이터 누락률 측정
저조도·강풍·GNSS 음영 구간에서 탐지 성능 저하율, 항법 전환 성공률, 장애물 회피율 측정
동일 시설물에서 점검 시간, 탐지 손상 수, 비접근지역 손상 탐지율 비교
점검자·관리자 대상 SUS 설문과 심층 인터뷰로 불편사항과 개선 우선순위 도출
Expected impact
안전관리 사각지대에 놓인 복합레저시설물을 미리 살피는 예방 중심의 점검체계를 만들고, 검증된 운영 모델을 전국 지자체 공공시설로 넓히는 것이 이 과제의 목표입니다.
드론 기반 자동 점검으로 인명 사고 위험이 있는 고소·근접 작업을 대체하고, 정량 데이터 기반 관리로 전환합니다.
EO·IR·LiDAR 세 센서와 GNSS·LIO·UWB 세 항법 계층, 그리고 Fail-Safe. 정밀도와 안전을 동시에 확보합니다.
시설물·부재·손상의 계층형 표준 레이블링 규칙과 데이터셋을 공공 개방해 후속 연구와 산업 확산의 기반을 만듭니다.
교량, 송전탑, 풍력발전기, 타워크레인 등 세선형·고소 구조물 점검으로 동일 아키텍처를 확장합니다.
Let's talk
본 페이지는 국립재난안전연구원 학술연구용역 「상용드론 맞춤형 시설물 안전점검 플랫폼 및 관리 기술 개발」의 제안서·과업수행계획서·설계 산출물·중간보고서를 바탕으로 작성되었습니다. 수치와 파라미터는 1차년도 설계 기준값이며 현장 실증 후 확정됩니다.
방문 통계를 내기 위해 Google 애널리틱스 쿠키를 사용합니다. 동의하시면 어떤 페이지가 많이 읽히는지 익명 통계로 확인하는 데 쓰이며, 광고에는 쓰이지 않습니다. 개인정보처리방침