The construction industry is one of the most hazardous industries with the highest number of accidents recorded globally. This thesis proposes a real-time hazard detection system for construction sites and a domain adaptation-based training framework for customizing the object detection model. The proposed system is composed of an object detection module, an object tracking module, and an image classification module. It operates in real-time using far-field surveillance videos and can perform three functions: hardhat-wearing detection, heavy-equipment operation detection, and signal-man arrangement detection simultaneously. Field application tests were performed to validate the effectiveness of the proposed system, and the results demonstrated that the system operated as intended. In addition, this thesis explores the application of unsupervised domain adaptation techniques to customize object detection models for construction site monitoring. Three domain adaptation approaches, namely self-training, reconstruction-based, and adversarial-based approaches, were employed and evaluated in this study. An unsupervised domain adaptation-based training framework enable fully-automatic customization of object detection models in construction site monitoring. Implementing this framework is expected to significantly reduce the time and labor required for manual customization, thereby enhancing the applicability of computer vision-based construction site monitoring technologies. The proposed system and training framework have great potential in construction safety management, and the results of this study provide a valuable reference for researchers and practitioners in the field.
건설현장은 전 세계적으로 가장 많은 사고가 발생하는 가장 위험한 산업 중 하나이다. 본 논문에서는 건설 현장을 위한 실시간 위험 감지 시스템과 객체 탐지 모델을 커스터마이징 하기 위한 도메인 적응 기반 학습 프레임워크를 제안하였다. 제안된 시스템은 객체 검출 모듈, 객체 추적 모듈, 이미지 분류 모듈로 구성되었다. 또한, 원거리 감시 영상을 이용해 실시간으로 작동하며, 안전모 착용 감지, 중장비 운행 감지, 신호수 배치 감지를 동시에 수행할 수 있다. 제안한 시스템의 유효성을 검증하기 위해 현장 적용 테스트를 수행하였으며, 그 결과 시스템이 의도한 대로 작동하는 것으로 나타났다. 또한, 본 논문은 건설 현장 모니터링을 위한 객체 탐지 모델의 최적화를 위해 비지도 도메인적응 기술 기반의 학습 프레임워크를 제안하였다. 제안된 세가지 도메인 적응 기술은 자기 학습, 재구성 기반, 적대적 학습 기반 도메인 적응 접근법으로 구성되며, 각 접근법의 건설 현장 적용 가능성을 실험을 통해 평가하였다. 제안된 프레임워크는 객체탐지 모델의 완전 자동화 최적화를 가능하게 하였으며, 수동 최적화에 소요되는 시간과 노동력을 획기적으로 감소시켜 컴퓨터 비전 기반의 건설 안전 모니터링 기술의 현장 적용성을 크게 향상시켰다. 제안된 시스템과 학습 프레임워크는 건설 안전 관리에 큰 잠재력을 가지고 있으며, 본 연구 결과는 해당 분야의 연구자 및 실무자에게 유용한 참고자료를 제공한다.