1. 서 론
1.1 연구의 배경 및 목적
2. 문헌고찰
2.1 생산성 분석 방법론
2.2 컴퓨터 비전
3. 생산성 분석 방법론
3.1 작업구역 내 작업 종류 식별
3.2 작업구역 내 작업인원 파악
3.3 작업자 작업 상태 분석
4. 생산성 분석 테스트
5. 결 론
1. 서 론
1.1 연구의 배경 및 목적
대표적인 노동집약적 산업인 건설산업에서 작업자의 생산성은 산업 전체의 생산성을 평가하는 중요한 요소이다(Hwang and Soh, 2013). 따라서 투입 자원과 생산결과를 바탕으로 측정된 생산성은 프로젝트를 계획하고 관리하는 것을 가능케 함과 동시에 프로젝트의 성과를 보여주는 지표라 할 수 있다(Chapman and Butry, 2008). 그러므로 정확한 생산성 측정은 프로젝트의 성과를 이해하는데 매우 중요하지만 많은 기업에서는 현장의 생산성을 파악하는데 데이터의 정확성, 신뢰성 측면에서 어려움을 겪고 있다(Davidson and Skibniewski, 1995). 건설 작업은 작업별로 투입자원과 결과물이 달라 개별 작업별로 생산성을 파악해야 공사 전체의 생산성을 파악할 수 있다. 게다가 건설 현장의 복잡성 및 다양성으로 인해 공사 정보의 수집이 어려워 생산성의 측정 및 관리가 어렵다(Gong and Caldas, 2010). 이에 다양한 방식으로 현장 정보를 수집하여 생산성 측정을 시도해왔으며, 최근에는 센서 데이터, 영상 데이터 등을 분석하여 생산성을 측정하는 연구가 많이 이루어지고 있다. 특히, 현장 영상 속 특정 건설장비 또는 작업자의 위치나 상태 등을 식별하기 위해 딥러닝 기반 영상분석 알고리즘을 적용한 연구가 활발히 이루어지고 있다. 생산성 측정을 위해서는 작업량과 투입 자원량을 종합적으로 파악해야 하는데 대부분의 연구는 투입 자원의 작업 상태를 분석하여 유효 작업시간을 분석하는데 초점을 맞추고 있다(Gouett et al., 2011).
본 연구에서는 골조공사의 생산성을 종합적으로 분석하기 위해서 컴퓨터 비전 알고리즘을 활용하여 골조공사의 작업 생산성을 분석하는 방법론을 제시한다. 본 연구에서 제시하는 방법론은 (1) 작업구역 내 작업 종류 식별, (2) 작업구역 내 작업인원 파악, (3) 작업자 작업 상태 분석의 단계로 생산성을 분석한다. 그리고 본 연구에서 제시한 방법론을 실제 현장 영상에 적용하여 테스트를 수행하여 방법론의 보완할 점과 생산성 개선방안을 분석하였다.
2. 문헌고찰
2.1 생산성 분석 방법론
현장에서 정보를 수집하는 다양한 방식은 크게 (1) 관찰기록 방식, (2) 설문조사 방식, (3) 기술활용 방식으로 나눌 수 있다(Gong and Caldas, 2010). 관찰기록 방식은 현장 관리자의 관찰을 통해 작업량과 투입자원을 파악하여 공사 일지 등의 보고서에 기록하는 것이며, 작업 샘플링(Work sampling), 작업 측정(Time study), 동작 연구(Motion study) 등의 산업공학 분야 방법론이 적용된다(Oglesby et al., 1989). 설문조사 방식은 작업자 대상 설문 및 인터뷰를 통해 현장 정보를 취득한다. 그리고 기술활용 방식으로는 카메라 또는 센서 등을 활용하여 현장의 정보를 취득한다. 수백, 수천명의 작업자가 출근하는 현장에서 관찰기록 방식이나 설문조사 방식은 모든 작업과 작업자를 대상으로 정보를 수집하고 분석하기가 사실상 불가능하다. 기술활용 방식 중 카메라를 통해 수집한 영상을 현장 실무자가 직접 보면서 생산성 분석에 필요한 정보를 수집하는 것 또한 상당한 시간과 노력을 필요로 한다. 방식마다 취득할 수 있는 정보의 양과 질이 각각 다르지만, 세 가지 방식 모두 데이터를 수집하고 분석하는데 실무자의 상당한 시간과 노력이 필요함을 알 수 있다(McCulloch, 1997). 또한 사람이 직접 관여하기에 수집/분석한 데이터의 정확성과 신뢰성을 보장할 수 없다.
2.2 컴퓨터 비전
최근에 많은 연구자들은 딥러닝 기술을 기반으로 센서 데이터와 영상 데이터를 분석하는 기술을 이용하여 생산성 관련 정보의 측정 및 분석을 시도하였다. 이 중 최근 건설현장 영상 수집량의 증가와, CNN(Convolutional Neural Network)을 중심으로 딥러닝 알고리즘의 비약적인 발전에 힘입어, 디지털 이미지를 컴퓨터가 시각적으로 이해하는 컴퓨터 비전을 활용하여 현장 영상을 분석하려는 수요가 증가하고 있다. 컴퓨터 비전은 자동으로 영상 속의 객체를 분류(classification), 탐지(detection), 위치 식별(localization), 추적(tracking) 함으로써 생산성 분석을 위한 투입 자원의 수, 위치, 상태 등을 파악할 수 있어(Chi and Caldas, 2011; Gong et al., 2011), 다양한 목적으로 건설 현장 영상을 분석하는데 활용이 검토되고 있다. 하지만 대다수 연구는 개별 알고리즘의 성능과 적용 가능성을 테스트하는데 그치고 있어, 아직도 공사 작업의 생산성을 종합적으로 분석하는 연구는 현장에서 작성한 공사 일지 등에서 수집한 데이터를 기반으로 생산성을 분석하는 것이 대부분인 실정이다(Kwon and Huh, 2021). 이에 본 연구에서는 컴퓨터비전 알고리즘을 활용하여 골조공사 작업 생산성 분석에 필요한 정보를 수집하는 방법을 제안한다.
3. 생산성 분석 방법론
작업자 생산성 파악을 위해서는 작업자가 일하는 시간(input)과 수행하는 작업의 결과물(output)을 파악해야 한다. 그리고 골조공사의 경우 대부분 다수의 작업자가 함께 일하기 때문에 작업에 투입된 작업자들의 작업시간(man-hour)의 총합을 파악해야 한다. 이에 본 연구에서는 (1) 작업구역 내 작업 종류 식별, (2) 작업구역 내 작업인원 파악, (3) 작업자 작업 내용 분석하는 방법론을 제안한다. 각각 (1) 특정 작업구역의 작업별 공사 시간, (2) 투입 작업자 수, (3) 개별 작업자의 작업 상태를 파악할 수 있다. (1)과 (2)를 통해 작업구역내 투입된 작업시간의 총합을 측정하고, (3)을 통해 측정된 개별 작업자의 작업시간의 실제 작업 효율을 측정하여 골조공사의 생산성을 종합적으로 분석할 수 있다.
3.1 작업구역 내 작업 종류 식별
골조공사 작업은 크게 거푸집 설치, 철근 조립, 콘크리트 타설로 나눌 수 있으며, 영상을 통해 각 작업이 완료되는 시간을 파악할 수 있다. 본 알고리즘은 영상 속 작업구역에서 진행중인 작업의 완료 여부를 자동으로 측정할 수 있다. 수집한 영상 화면을 작은 조각(patch)로 나누어 분석하여 구역별 작업의 유형을 구분한다(Fig. 1). 작업구역내 조각별로 시간에 따른 작업 유형 변화를 식별하여 작업이 완료되는 시간을 파악할 수 있으며, Fig. 2는 콘크리트 타설 시 조각별 이미지 변화를 보여주는 예시이다. 온라인에서 수집한 건설 현장 이미지를 활용하여 작업의 유형은 거푸집, 철근, 콘크리트로 나누며 동시에 여러 작업이 이루어지는 patch도 식별할 수 있도록 ResNet50 알고리즘을 학습시켰다. 이 중 3,000장의 이미지를 활용하여 10-fold cross validation을 수행한 결과(학습데이터 2,500장, 테스트데이터 500장), 89.9%의 정확도를 보였다(Fig. 3).
3.2 작업구역 내 작업인원 파악
골조공사의 대부분 작업은 작업자 여럿이서 함께하기 때문에 생산성 분석 시, 투입된 인원의 수를 파악하는 것이 중요하다. 이를 위해, 본 연구에서는 작업자를 탐지하고 추적하는데 YOLO V3 Detector와(Intersection over Union) Tracking 알고리즘을 활용하였다(Fig. 4). 현장 영상을 대상으로 테스트한 결과 94.6%의 정확도를 보였다(Fig. 5).
3.3 작업자 작업 상태 분석
작업자가 작업구역에 있는 시간 전체가 작업 중인 것으로 볼 수는 없다. 작업자의 대기, 휴식 등의 시간이 많아지면 실제 생산성이 낮아지므로, 정확한 생산성 파악을 위해서는 작업자의 유효작업(effective work) 여부를 정확히 파악할 수 있어야 한다. 본 연구에서는 작업자의 작업 상태를 유효작업(effective work), 반유효작업(semi-effective work), 비유효작업(non-effective work)로 구분하였다. 영상의 이미지 프레임별로 작업자 탐지 및 추적 알고리즘을 적용하여 측정할 수 있는 프레임 간 추적된 작업자의 거리와(distance), 탐지된 작업자의 바운딩 박스(bounding box)의 크기 변화(aspect ratio)와 광학흐름(optical flow) 값을 분석할 수 있다(Fig. 6).
작업자의 상태에 따라 Moving Distance, Aspect ratio change, Optical flow 값은 다른 양상을 보인다(Fig. 7). Distance 값을 분석하여 이동(traveling, semi-effective work)과 정지 상태(stationary)를 구분한 다음에(Rule 1) Optical flow값과 Aspect ratio change값을 기준으로 유효작업(effective work)와 휴식(idle, non-effective work)를 구분하였다(Rule 2, Fig. 8). 현장 영상을 대상으로 테스트한 결과 88.4%의 정확도를 보였다(Fig. 9).
4. 생산성 분석 테스트
제안한 방법론을 국내 현장의 콘크리트 타설 작업 영상에 적용하였다. 작업 상태별 소요시간에 대하여 연구진이 영상을 직접 보며 측정한 값(X_groundtruth)과 방법론을 적용하여 측정한 값(X_prediction)을 비교하여 제안한 방법론의 정확도를 산출하였으며(Equation 1), 전체 작업자의 작업시간 분석 정확도는 89.6%를 보였다(Table 1).
Table 1.
Activity classification result analysis
콘크리트 타설 영상 분석 결과, 모델이 측정한 값은 이와 같이 측정된 작업시간 측정 결과를 통계적으로 분석하여 생산성을 분석할 수 있다. Z-점수 정규화(Z-Score Normalization)을 활용하여 특정 신뢰구간의 Z-Score보다 높은 값을 갖는 작업자 또는 작업 상태를 판단할 수 있다(Table 2). 작업자는 장비나 자재와는 달리 특정 작업에 대한 개인의 작업량이 고정된 값으로 보기 어렵다. 따라서 Z-Score를 단순히 활용하여 이상치를 판별하기보다는 한 작업에 대해 상대적으로 작업을 지나치게 오랫동안 하는 것, 일하는 시간이 다른 작업자에 비해 짧은 경우 등을 이상치로 판단할 수 있다. 같은 맥락에서, 비유효시간과 이동시간은 반대로 비교적 큰 값을 이상치로 설정하여 생산성을 분석하고 개선방안을 제시할 수 있을 것이다.
또한, 제안한 방법론을 현장 영상에 적용한 테스트 결과 단계별로 생산성 분석을 위해 보완할 점을 발견할 수 있었다. 먼저 작업 종류를 식별할 때, 현장 영상의 촬영 환경, 거푸집 및 콘크리트의 색상 등이 다양하여 학습데이터의 품질에 따른 식별 결과의 정확도가 큰 편차가 있었다. 이는 분석 대상 현장 맞춤형 학습데이터 및 알고리즘의 필요성을 보여주었다. 그리고 작업구역에서 해당 작업과 관련이 없는 작업자를 알고리즘이 분별할 수 없으며, 이는 현장 공사계획 정보를 활용한다면 작업자 수 파악의 정확도를 높일 수 있을 것이다. 마지막으로, Optical flow값과 Aspect ratio change값의 기준은 작업 또는 영상에 따라 다른 양상을 보이는 경우가 있어 작업 상태 분석의 정확도를 높이기 위해서 조정이 필요한 점 또한 더 많은 테스트를 거쳐 보완해야 할 것이다.
5. 결 론
본 연구에서는 골조공사의 생산성을 파악하기 위해서 컴퓨터 비전 알고리즘을 활용하여 (1) 작업구역 내 작업 종류 식별, (2) 작업구역 내 작업인원 파악, (3) 작업자 작업 내용 분석하고자 하였다. 골조공사의 생산성은 결과물 대비 투입한 자원(Man-hour)을 측정해야 하는데, 결과물인 작업량(예; 철근 무게, 콘크리트 부피 등)은 영상을 통해 파악하기가 어렵고, 도면 또는 BIM을 활용하여 파악하는 것이 정확하다. 본 연구에서 제안한 방법론은 투입 자원의 양(작업자 수)과 질(유효 작업시간)을 종합적으로 분석하여 골조공사 작업자 생산성을 분석한다. 이와 같이 본 연구는 개별 알고리즘의 성능에 초점을 맞추기 보다는 컴퓨터 비전 알고리즘을 활용하여 수집한 데이터를 실질적인 골조공사 작업 생산성 분석에 활용하고자 하였다. 본 연구에서 제안한 컴퓨터 비전 기반 생산성 분석 방법론은 더 다양한 사례를 바탕으로 활용성과 신뢰도를 높여야 할 것이다. 그리고 방법론을 통해 수집한 정보를 실질적인 생산성 분석과 개선을 위해 활용하는 연구도 함께 진행된다면, 건설현장 모니터링 및 생산성 분석의 효율과 효과 향상에 기여할 수 있을 것이다.
