사고가 발생하기 전에 위험을 감지하다 | AI 기반 터널 안전관리 시스템
2021년 연간 사고 164건을 기록하며 전국 터널 중 사고율 1위로 집계된 부산 윤산터널은, 중반부 진출 구간이 짧아 차량 감속과 차선 변경이 집중되는 구조적 위험을 안고 있었습니다.
기존 도로 관제 시스템은 사고나 정지차량과 같은 돌발상황이 발생하면 이를 확인하고 대응하는 방식에 가까웠습니다. 삼원FA는 CCTV 영상과 레이더 데이터를 AI로 분석해 차량의 위치와 속도, 이동 상태를 실시간으로 추적하고 사고 위험을 보다 빠르게 감지하는 통합 도로관리 시스템을 구축했습니다.
Industry
ITS · Road Infrastructure · Tunnel Safety
Application
Traffic Accident Prevention · Incident Detection · Intelligent Road Management
Technology
Object Detection · Object Tracking · Radar Data Fusion · OCR · Deep Learning
사고 발생 이후 대응만으로는 부족했던 터널 관제
터널은 일반 도로보다 운전자가 위험 상황을 회피할 수 있는 공간이 제한적입니다. 특히 윤산터널은 터널 중반부 진출 구간이 짧아 차량의 감속과 차선 변경이 집중되면서 상습적인 교통 정체와 추돌사고가 발생해 왔습니다.
기존 관제 시스템에서도 CCTV를 통해 터널 내부 상황을 확인할 수 있었지만, 사고나 정지차량이 발생한 이후 상황을 인지하는 사후 대응 중심의 운영 방식만으로는 사고 자체를 예방하는 데 한계가 있었습니다.
이번 프로젝트의 핵심은 단순히 CCTV에 AI를 적용하는 것이 아니었습니다. 터널 안에서 이동하는 각각의 차량과 도로 상황을 지속적으로 인식하고 위치와 속도 변화를 분석함으로써 위험한 상황이 사고로 이어지기 전에 감지할 수 있는 체계를 만드는 것이 필요했습니다.
The Challenge
차량의 움직임을 실시간으로 파악해야 했습니다
교통 위험은 특정 순간의 차량 위치만으로 판단하기 어렵습니다. 차량이 어느 위치에서 얼마의 속도로 이동하고 있는지, 앞차와의 관계는 어떻게 변화하는지, 차선을 변경하고 있는지 등 연속적인 이동 데이터를 분석해야 위험 상황을 판단할 수 있습니다. 따라서 단순 객체 검출을 넘어 차량을 지속적으로 식별하고 추적하는 기술이 필요했습니다.
영상만으로 부족한 차량 정보를 보완해야 했습니다
CCTV 영상은 차량의 형태와 이동 방향을 파악하는 데 효과적이지만 실제 거리와 속도를 정밀하게 분석하는 데는 한계가 존재합니다. 이를 보완하기 위해 영상 분석 결과와 레이더 데이터를 결합하여 동일 차량을 하나의 ID로 관리하고, 차량별 위치와 속도 데이터를 지속적으로 분석할 수 있는 구조가 필요했습니다.
다양한 돌발상황을 빠르게 구분해야 했습니다
터널에서 발생하는 위험은 차량 간 추돌만이 아닙니다. 정지차량을 비롯해 역주행 차량, 보행자, 도로 위 낙하물 등 다양한 돌발상황이 1차 사고뿐 아니라 후속 차량에 의한 2차 사고로 이어질 수 있습니다. 따라서 차량 흐름 분석과 함께 다양한 이상 상황을 자동으로 인식하는 AI 분석 기술이 요구됐습니다.
The Solution
삼원FA는 객체 검출과 추적 AI, OCR, 레이더 데이터를 결합한 차량 단위 실시간 분석 시스템을 구축했습니다.
CCTV 영상에서 탐지된 차량은 객체 추적 기술을 통해 프레임 간 동일 차량으로 연결됩니다.
여기에 번호판 인식 정보와 레이더에서 수집된 위치·속도 데이터를 결합해 차량별 ID를 생성하고, 터널 내부에서 차량이 어떻게 이동하고 있는지를 지속적으로 분석하도록 구성했습니다.
이를 통해 특정 시점의 화면을 감시하는 방식에서 벗어나 차량의 연속적인 움직임을 데이터로 관리하는 교통 관제 구조를 구현했습니다.
영상과 레이더를 결합해 차량의 움직임을 데이터화하다
차량의 이동 데이터와 돌발상황 분석 결과를 함께 활용해 위험 상황을 조기에 파악하고 관제 시스템에서 대응할 수 있도록 했습니다.
영상 기반 객체 인식
딥러닝 기반 객체 검출 모델을 적용해 CCTV 영상에서 차량과 주요 객체를 실시간으로 인식합니다. 영상에서 차량이 존재하는지를 판단하는 것에 그치지 않고 이후 차량 추적과 위험상황 분석에 필요한 기본 데이터를 생성합니다.
객체 추적 및 이동경로 분석
ByteTrack 기반 객체 추적 기술을 활용해 연속된 영상 프레임에서 동일 차량을 지속적으로 추적합니다. 이를 통해 차량의 이동 경로와 방향을 분석하고 시간에 따른 위치 변화를 추적할 수 있습니다.
레이더 기반 데이터 융합
영상 분석 결과와 레이더 데이터를 결합해 차량의 위치와 속도를 분석합니다. 서로 다른 센서에서 수집된 데이터를 차량 단위로 연결함으로써 CCTV 영상만으로 판단하기 어려운 차량 움직임 정보를 보완했습니다.
돌발상황 AI 분석
정지차량, 역주행 차량, 보행자, 낙하물 등 터널 내부의 다양한 이상 상황을 AI로 분석하고 차량 흐름 데이터와 함께 활용해 위험 상황을 빠르게 구분할 수 있도록 구성했습니다.
사후 관제에서 사고 예방 중심의 도로관리로
이 프로젝트의 핵심적인 변화는 관제 화면에 AI 객체 검출 기능을 추가했다는 데 있지 않습니다.
기존 관제가 발생한 상황을 확인하는 것에 집중했다면, 이번 시스템은 차량의 이동 상태를 지속적으로 분석하여 위험으로 발전할 가능성이 있는 상황을 보다 빠르게 파악하는 것을 목표로 합니다.
차량의 위치·속도·차선 변화와 터널 내부의 돌발상황을 하나의 시스템에서 분석함으로써 관제 운영자가 위험 상황을 조기에 인지하고 대응할 수 있는 기반을 구축했습니다.
특히 정지차량이나 역주행과 같이 후속 차량에 추가적인 위험을 발생시킬 수 있는 상황을 조기에 파악함으로써 1차 사고뿐 아니라 2차 사고 예방까지 고려한 도로관리 체계를 구현했습니다.
이러한 차량 검지 및 돌발상황 정보는 터널 내부 VMS를 통해 운전자에게 실시간으로 전달되어, 위험 상황에 대한 선제적 안내가 가능하도록 구성했습니다.
why SAMWON FA
도로 AI는 모델의 인식 정확도만으로 완성되지 않습니다. CCTV와 레이더에서 수집한 데이터를 실시간으로 처리하고, 차량 추적·위험상황 분석·기존 도로관리 시스템까지 연결할 수 있어야 실제 관제에 활용할 수 있습니다.
삼원FA는 이번 프로젝트에서 AI 객체 검출·추적, 영상·레이더 데이터 융합, 추론 최적화, 통합 관제 연계를 하나의 시스템으로 구현했습니다.
이는 개별 AI 알고리즘을 적용하는 것을 넘어 현장에서 수집되는 데이터를 도로 운영에 활용할 수 있는 정보로 전환하는 통합 ITS 기술이라는 점에서 의미가 있습니다.
Next Step
이번 프로젝트는 AI를 이용해 사고가 발생한 이후 상황을 분석하는 것을 넘어 차량의 이동 데이터를 기반으로 위험을 사전에 파악하는 도로관리 방식의 가능성을 보여줍니다.
향후 충분한 운영 데이터가 축적되면 실제 사고 발생률, 돌발상황 탐지 성능, 사고 대응시간 등 운영 지표를 기반으로 시스템의 효과를 보다 구체적으로 검증할 수 있습니다.
터널뿐 아니라 차량 이동 패턴을 지속적으로 분석해야 하는 도로 구간, 교차로와 교통사고 위험구간에도 동일한 접근 방식의 적용 가능성을 검토할 수 있습니다.
Project facts
프로젝트 | 사고 예방 중심 인공지능 기반 도로시설 위험탐지 시스템 개발
적용 지역 | 부산 윤산터널
프로젝트 기간 | 2022.04.01 ~ 2025.12.31
주요 기능
- AI 기반 차량 객체 검출
- 차량별 실시간 객체 추적
- 번호판 인식
- 레이더 데이터 융합
- 차량 위치 및 속도 분석
- 차선 변화 추적
- 정지차량 탐지
- 역주행 탐지
- 보행자 탐지
- 낙하물 탐지
- 위험 상황 분석 및 통합 관제