Due to the outflow of the population in run-down areas, empty houses and older buildings are increasing, which are vulnerable to fire and explosion disasters. Fire and explosion disasters lead to a series of secondary damages following other accidents, so disaster risk sources must be managed to prevent disasters. The air conditioner outdoor unit (AC unit) is selected as a representative fire and explosion risk factor and is located using a deep learning-based object detection model. However, object detection models cannot detect occluded AC devices. This research presents two guidelines for AC units in run-down areas. A training dataset for the object detection model was constructed by obtaining Google Street View panoramic images from urban regeneration areas and labeling explosive sources. Based on the experience, nine object detection models suitable for explosive source detection were chosen. The object detection candidates were trained and evaluated, and the optimal model was selected. A test dataset was built by shooting three urban regeneration areas with a 360-degree camera. Four types of AC units that the model cannot detect were assumed and verified. Guidelines are presented for obtaining air conditioner image data suitable for the model. Test data were built again following the guidelines, classified according to the presence or absence of obstacles, and tested. As a result, guidelines limiting the stacking of obstacles in front of AC units are provided. This study can be used as a reference when introducing a systematic disaster management platform.
쇠퇴지역에서 인구가 유출되면서, 화재폭발 재난에 취약한 공폐가와 노후 건축물이 늘어나는 추세이다. 화재·폭발 재난은 다른 재난에 이어 연쇄적인 2차 피해로 이어지므로 재난 위험요인을 관리하여 예방해야 한다. 대표적인 화재·폭발 위험요인으로 에어컨 실외기를 선정하고, 딥러닝 기반 객체 검출 모델을 이용하여 실외기를 탐지하여 위치를 파악한다. 그러나, 장애물에 가려진 가정용 에어컨 실외기 객체 검출 모델로 탐지할 수 없다. 본 연구는, 쇠퇴지역 내 에어컨 실외기에 관한 두 가지 지침을 제시한다. 도시재생지역의 Google Street View 파노라마 이미지를 얻고 위험요인을 라벨링하여 객체 검출 모델 학습 데이터셋을 구축하였다. 경험에 따라 위험 요인 탐지에 적합한 아홉 가지 객체 검출 모델을 선택하였다. 객체 검출 후보를 학습시킨 후 평가하여 최적의 모델을 선정하였다. 360도 카메라로 도시재생지역 세 곳을 촬영하여 테스트 데이터셋을 구축하였다. 모델이 탐지할 수 없는 실외기를 네 가지 유형으로 가정하고 검증하였다. 모델이 탐지할 수 있도록 촬영하는 방법을 담은 지침을 제시하고, 이에 맞게 다시 테스트 데이터를 구축하고 장애물 유무에 따라 분류하여 테스트하였다. 이 결과로 실외기 앞 장애물 적재 정도를 제한하는 권고를 담은 지침을 제시한다. 향후 체계적인 재난재해 관리 플랫폼을 도입할 때 참고할 자료로 활용할 수 있을 것이다.
