이슬비 조교수

건설현장 주변 보행자는 장애물이나 보도 점유 등 안전 위협 요인에 노출되어 있으며, 이를 정량적으로 평가하고 데이터 라벨링을 자동화하여 스마트 안전관리 체계를 구축할 필요성이 제기되었습니다. 이를 해결하기 위해 컴퓨터 비전 기반 영상 분석 기법을 적용했으며, Segment Anything Model(SAM)을 활용한 이미지 분할과 Autodistill 기반 데이터 자동 라벨링 기술을 결합하여 보행 패턴 및 위험 요소를 식별하는 프레임워크를 개발했습니다. 이 기술은 건설현장 주변 보행 안전성 평가 플랫폼, 스마트폰 기반 AR 안전 알림 시스템, 건설현장 안전관리 자동화 플랫폼 등에 적용되고 있습니다. 시범 학습 결과 93.4%의 객체 식별 정확도를 달성했으며, 2024년부터 2025년까지 총 예산 약 2억원 규모의 다수 국책과제를 수행했습니다. 관련 연구 성과는 Applied Sciences-Basel 등 SCI 저널에 게재되었으며, 현재 TRL 4-6 수준까지 기술 성숙도를 높였습니다.

실내 건설현장에서 인간과 로봇의 협업이 증가하면서 작업자의 인지부하 및 생리적 스트레스를 정량적으로 측정하고 평가할 필요성이 커지고 있습니다. 이에 EEG(뇌파) 및 EDA(피부전도) 신호를 활용한 다중 모달 생리 반응 분석 기법을 적용했으며, 딥러닝 기반 인간요인(Human Factors) 평가 프레임워크를 구축하여 작업 참여도와 스트레스 수준을 측정했습니다. 뇌파 바이오마커인 상대 알파 파워를 분석하여 다중 모달 과제 수행 시 작업 참여도가 통계적으로 유의미하게 향상됨을 입증했습니다. 이 기술은 건설현장 소음 스트레스 평가, 인간-로봇 협업과정에서의 인지부하 측정, 작업자 생체신호 기반 안전관리 등에 적용되고 있습니다. 관련 연구 성과는 Applied Acoustics(Elsevier) 등 SCI 저널에 게재되었으며, TRL 3-4 수준의 기술로 개발되고 있습니다.

전력망 등 사회기반시설은 지진, 산불과 같은 자연재해에 취약하며, 재해 발생 시 회복탄력성을 강화하고 대응을 최적화할 방안이 요구됩니다. 이를 위해 확률적 위험 평가(probabilistic risk assessment) 기법을 적용했으며, HLA 호환 분산 시뮬레이션을 통해 재난 상황에서의 인프라 대응 과정을 모델링했습니다. 거대언어모델(LLM)을 활용하여 프로젝트 제약요인을 자동으로 분류하는 방법론도 개발했습니다. 이러한 기술은 전력 인프라 재난 대응 시뮬레이션, 산불 예방을 위한 송전선로 감시 및 초목 탐지, 프로젝트 사업관리 자동화 등에 적용되고 있습니다. 관련 연구 성과는 Journal of Management in Engineering, Journal of Construction Engineering and Management(ASCE) 등 다수 SCI 저널과 Remote Sensing(MDPI)에 게재되었으며, TRL 3-5 수준의 기술로 개발되고 있습니다.