AI 행동 인식은 제조업이 산업 재해를 예방하는 핵심 기술 수단이 되어가고 있다. 카메라로 작업자의 동작과 자세를 실시간 분석하고 위험이 발생하기 전에 경고를 보내, 안전 관리를 사후 문책에서 사전 차단으로 바꾼다.
1. AI 행동 인식이란 무엇인가
AI 행동 인식은 컴퓨터 비전의 한 갈래로, 핵심 능력은 기계가 사람이 무엇을 하는지 이해하게 하는 것이다. 이미지만 기록하는 전통 감시와 달리 행동 인식 시스템은 영상 스트림을 실시간 해석해 화면 속 사람이 선반을 오르는지, 제한 구역에 들어갔는지, 안전모를 쓰지 않았는지, 지게차 통로에 머무는지를 판정한다. 미리 정의된 위험 행동이 인식되면 시스템은 수백 밀리초 안에 음향·시각 경보를 내거나 작업장 관리 단말로 알림을 푸시할 수 있다.
이 기술이 지난 2년간 제조업에서 빠르게 뜨거워진 이유는 복잡하지 않다. 산업 재해의 직접 비용이 오르고, 안전 생산 규제 요구가 더 세분화되었으며, 한 사람이 다른 사람을 지켜보거나 반장이 순찰하는 전통 방식으로는 모든 것을 덮을 수 없다. 중견 작업장에도 카메라가 수십 대 있고, 안전 담당자가 그것을 모두 볼 수는 없지만 알고리즘은 모든 프레임을 동시에 볼 수 있다.
2. 기술 원리와 핵심 능력
행동 인식의 기본 논리는 두 단계다. 첫째는 사람 자세 추정으로, 화면에서 골격 키포인트를 찾는다. 머리, 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목의 위치 관계다. 둘째는 동작 분류로, 연속 프레임의 골격 시퀀스를 시간 모델에 넣어 현재 동작이 정상 보행인지 규정 위반 등반인지 판정한다.
핵심 능력은 몇 가지 영역에서 드러난다. 첫째, 실시간성이다. 이미지 획득부터 경보 출력까지 보통 1초 이내를 요구하며, 그렇지 않으면 작업자는 이미 위험 동작을 마친 상태다. 둘째, 간섭 저항성이다. 조명 변화, 설비 가림, 여러 사람의 교차는 작업장에서 일상이므로 알고리즘이 이런 조건에서 안정적이어야 한다. 셋째, 설정 가능한 시나리오다. 위험 행동의 정의는 스테이션마다 다르다. 프레스 작업장은 손이 금형 구역에 들어가는지를, 창고 구역은 사람과 차량의 혼재 통행을 본다. 따라서 시스템은 구역별·위치별로 유연한 규칙을 지원해야 한다.
한 가지 더 쉽게 간과되는 것은 오경보율 통제다. 시스템이 하루에 경보를 200건 내는데 모두 오경보라면 작업장은 곧 경보를 꺼버린다. 좋은 행동 인식 솔루션은 자세 신뢰도, 지속 시간, 구역 경계를 판정에 함께 반영해 단순 통과가 침입으로 오판되는 사례를 줄인다.
3. 제조 현장의 대표 적용 시나리오
자동차 부품 기업의 프레스 작업장에서 가장 전형적인 위험은 설비가 완전히 멈추기 전에 작업자가 손을 넣어 부품을 꺼내는 것이다. 행동 인식 시스템은 금형 구역의 위험 경계를 정의하고, 설비 가동 중 팔의 키포인트가 경계를 넘는 것을 감지하면 즉시 정지 신호나 경보를 낸다. 이런 시나리오는 응답 속도 요구가 매우 높아 1초를 넘는 지연은 사실상 의미가 없다.
전자 공장의 SMT 실장 작업장은 위험 지점이 다르다. 작업장에서 AGV와 수동 운반이 경로를 교차하고 사람과 차량의 충돌이 주요 위험이다. 시스템은 인원이 AGV 전용 통로에 들어가는지, 지게차 회전 사각지대에 머무는지를 식별해 몇 초 전에 알림을 줄 수 있다. 이 시나리오는 구역 구분의 정밀도와 다중 인원 동시 추적 능력이 중요하다.
고소 작업도 있다. 물류·창고 기업에서 작업자가 물건을 꺼내기 위해 선반을 오르는 경우다. 행동 인식은 작업자가 안전 벨트 없이 규정 높이 이상 오르는지, 발판 사다리가 아니라 선반 빔 위에 서는지를 판정할 수 있다. 여기서 어려움은 자세 판정이 정상 사다리 등반과 규정 위반 선반 등반을 구분해야 한다는 것이며, 이를 위해 목적에 맞는 동작 샘플로 학습해야 한다.
4. 선정 우선순위와 도입 조언
행동 인식 솔루션을 고를 때는 먼저 자사 작업장이 가장 두려워하는 것이 무엇인지 본다. 기계적 상해인지, 사람과 차량의 충돌인지, 고소 추락인지다. 위험마다 요구되는 알고리즘 강점이 다르다. 모든 것을 인식한다고 주장하는 통합 솔루션을 쫓지 말고, 발생 빈도가 가장 높은 위험 시나리오부터 덮는다.
카메라 위치와 대수는 사전에 계획해야 한다. 행동 인식에는 시야각 요구가 있고, 측후면에서의 골격 키포인트 추출은 보통 정면이나 정면 대각보다 나쁘다. 기존 감시 포인트를 재사용한다면 현장에서 인식 성능을 시험하고 필요한 곳에 포인트를 추가한다.
오경보율에 대한 인수 기준을 구매 요구사항에 명문화해야 한다. 실제 작업장에서 1~2주 시범 운영하며 오경보와 미검출을 집계하고, 데모 환경으로 판단하지 않는다. 시스템이 사용자 정의 규칙 조정을 지원하는지, 스테이션 배치가 바뀐 뒤 구역 설정을 사내에서 변경할 수 있는지도 확인한다.
기존 안전 관리와의 연결도 고려해야 한다. 경보를 누가 처리하고, 어떻게 기록하며, 설비 정지와 연동되는지 이 프로세스를 사전에 정의해야 한다. 그렇지 않으면 시스템은 설치되었지만 아무도 대응하지 않아 설치하지 않은 것과 같다.
5. 트렌드와 전망
발전 방향에서 재해 예방을 위한 행동 인식의 한 방향은 단일 지점 인식에서 위험 예측으로 이동하는 것이다. 현재 동작이 위험한지만 판정하는 것이 아니라 인원 위치, 설비 상태, 작업 리듬을 결합해 향후 몇 초의 위험 확률을 예측한다. 또 다른 방향은 웨어러블 및 UWB 측위와의 융합이다. 카메라에는 가림 사각지대가 있고 측위 태그가 그 공백을 메울 수 있다. 한 가지 더는 경량 배포로, 점점 더 많은 솔루션이 모든 영상 스트림을 클라우드로 보내지 않고 엣지 박스에서 알고리즘을 구동하며 이는 네트워크와 프라이버시 모두에 유리하다.
ERP 시대부터 수십 년간 축적된 업계 경험, 즉 120만 고객과 누적 수천만 대 단말 배포가 보여주는 것은 하나다. 안전 관리의 디지털화는 알고리즘을 사는 것으로 끝나지 않고 교대 편성, 교육, 설비 관리와 연결되어야 한다. 행동 인식은 그 체인의 한 연결 고리이며, 잘 쓰면 실제로 사고를 줄이고 잘못 쓰면 경보만 울리는 카메라가 몇 대 늘어날 뿐이다.