산업재해 감지 합성데이터라는 말이 낯설게 들리신다면, 질문을 하나만 바꿔보시면 됩니다. 지게차가 통로에서 작업자를 들이받는 8초를, 어디서 구하시겠습니까. 사다리가 넘어가고 사람이 바닥에 떨어지는 순간을, 어느 현장에서 촬영하시겠습니까. 산업안전 AI를 만드는 팀이 가장 먼저 부딪히는 벽은 모델이 아니라 이 질문입니다.
고용노동부가 2026년 3월 31일 발표한 2025년 재해조사 대상 사망사고 발생 현황에 따르면 2025년 사고사망자는 605명(573건)으로 전년 589명(553건)보다 오히려 늘었습니다. 건설업에서만 286명(267건)이 발생했습니다. 중대재해처벌법 적용이 50인 미만 사업장까지 확대된 뒤 지능형 CCTV와 영상 기반 안전 관제 투자는 빠르게 늘었는데, 사고 숫자는 그만큼 줄지 않았습니다. 기술이 없어서가 아닙니다. 그 기술을 가르칠 데이터가 없기 때문입니다.
프롬데이터는 산업안전 감지 솔루션을 개발하는 기업에 사고 장면 영상 데이터를 생성해 공급하고 있습니다. 이 글은 그 과정에서 실제로 확인한 기준을 정리한 것입니다.
감지 모델은 알고리즘이 아니라 데이터에서 멈춥니다
객체 탐지와 자세 추정(Pose Estimation) 기술은 이미 충분히 성숙했습니다. 사람을 찾고, 지게차를 찾고, 관절 좌표를 뽑는 일은 공개 모델로도 상당한 수준까지 갑니다. 그런데 실제 공장에 붙여 놓으면 세 가지 방식으로 실패합니다.
- 오탐(False Positive) — 작업자가 쭈그려 앉아 배관을 점검하는 장면을 쓰러짐으로 읽습니다. 관제실은 하루 수십 건의 알림에 지쳐 결국 알림을 꺼버립니다.
- 미탐(False Negative) — 정작 사람이 넘어졌는데 알림이 오지 않습니다. 적재물에 가려진 각도, 역광, 야간 조도에서 모델이 본 적 없는 화면이기 때문입니다.
- 사후성 — 사고가 끝난 뒤에야 감지합니다. 안전 담당자가 원하는 것은 사고 기록이 아니라 사고 직전의 경보입니다.
세 가지 실패는 모두 같은 뿌리를 가집니다. 모델이 “사고가 일어나는 장면”을 한 번도 제대로 본 적이 없다는 것입니다. 정상 작업 영상은 CCTV 서버에 몇 년치가 쌓여 있지만, 사고 프레임은 그 안에 사실상 존재하지 않습니다. 이 극단적인 클래스 불균형을 그대로 둔 채 학습시키면, 모델은 “아무 일도 일어나지 않는다”고 예측하는 것이 가장 안전한 전략이라는 결론에 도달합니다.
데이터 구축 단계에서 이런 문제가 어떻게 발생하는지는 앞서 산업재해 감지 AI 솔루션 개발사가 놓치기 쉬운 학습 데이터 3가지 함정에서 다룬 바 있습니다. 이 글은 그다음 단계, 즉 없는 데이터를 어떻게 확보하느냐에 대한 이야기입니다.
산업재해 데이터를 수집으로 해결할 수 없는 이유
저희는 데이터를 모으고 가공하는 일을 업으로 하는 회사입니다. 그런데도 산업안전 도메인에서만은 수집이 답이 아니라는 결론에 도달했습니다. 이유는 세 가지입니다.
첫째, 희소성입니다. 사고는 정의상 드뭅니다. 한 사업장의 CCTV 1년치를 전수 검토해도 학습에 쓸 만한 중대재해 프레임은 0에 수렴합니다. 라벨링 인력을 아무리 투입해도 없는 장면을 만들어낼 수는 없습니다.
둘째, 폐쇄성입니다. 어쩌다 사고 영상이 존재하더라도 그것은 재해조사·산재 심사·형사 절차의 증거 자료입니다. 피해자와 유족의 초상권, 개인정보 보호, 기업의 평판 리스크가 겹칩니다. “학습용으로 쓰겠다”는 요청이 통과되는 경우는 거의 없습니다. 국가 차원의 AI 허브 이상행동 CCTV 영상 데이터셋처럼 공개된 자산이 있지만, 이는 방범·이상행동 도메인이지 산업 현장의 재해형태별 데이터가 아닙니다.
셋째, 편향입니다. 운 좋게 한 건을 확보해도 그것은 특정 공장, 특정 화각, 특정 조도의 단 한 장면입니다. 카메라 높이가 3.5m가 아니라 5m인 현장, 안전모 색이 다른 현장, 야간 작업이 많은 현장에서는 그대로 무너집니다.
여기에 결정적인 문제가 하나 더 있습니다. 감지 모델이 실제로 배워야 하는 구간은 사고가 터진 그 1초가 아니라, 사고로 이어지는 직전 5~8초라는 점입니다. 동료가 사다리를 잡아주다 손을 놓고 자리를 뜨는 장면, 작업자가 발판 범위를 벗어나 몸을 기울이는 장면입니다. 사고 순간만 잘라낸 데이터로는 사전 경보를 배울 수 없습니다.
산업재해 감지 합성데이터를 만드는 3가지 실무 기준
그래서 방향을 바꿨습니다. 없는 것을 찾아다니는 대신, 필요한 장면을 사양대로 만듭니다. 산업재해 감지 합성데이터는 예술적 결과물이 아니라 학습 사양을 만족하는 공산품이어야 한다는 것이 전제입니다.
아래 세 가지는 저희가 처음부터 알고 있었던 것이 아니라, 실제로 데이터를 만들어 납품하고 고객사의 피드백을 받으면서 확정된 기준입니다.
[시나리오 정의] ➔ [키프레임 생성] ➔ [구간 보간] ➔ [클립 결합] ➔ [CCTV 후처리] ➔ [학습 데이터셋]
기준 1 — 사고 이전·발생·이후를 한 세트로 묶습니다
처음에는 “사고 장면이 필요하다”는 요청을 사고의 순간을 만들어달라는 뜻으로 이해했습니다. 실제로 확인해 보니 아니었습니다. 감지 모델을 학습시키는 쪽에서 가장 아쉬워한 구간은 사고가 터지는 1초가 아니라, 아직 아무 일도 일어나지 않은 그 앞의 8초였습니다.
그래서 한 시나리오를 8초 × 3구간, 키프레임 4장의 구조로 고정했습니다. 정상 작업 → 위험 징후 → 사고 발생 → 사고 이후를 반드시 한 세트로 묶습니다. 이 구조는 고객사와 사양으로 합의해 그대로 유지하고 있습니다.
재해형태는 떨어짐(고소작업 추락), 부딪힘(지게차 충돌), 끼임(설비 협착), 넘어짐(바닥 전도)처럼 실제 재해조사 분류에 대응시켜 관리합니다. 시나리오는 JSON으로 구간별 타임라인을 초 단위까지 명시하며, 이 문서가 그대로 고객사와의 사양 합의서 역할을 합니다.
기준 2 — 바뀌면 안 되는 것과 바뀌어야 하는 것을 분리합니다
합성 영상 데이터셋의 품질을 결정하는 것은 개별 프레임의 완성도가 아니라 프레임 간 일관성입니다. 잘 나온 사진 한 장은 아무 의미가 없고, 100장이 같은 카메라에서 찍힌 것처럼 보여야 학습에 들어갑니다.
프레임마다 절대 바뀌면 안 되는 항목은 시나리오의 스타일 정의에 묶어둡니다. 벽 상단 약 3.5m에 고정된 부감 카메라, 30도 내려다보는 각도, 약한 배럴 왜곡이 있는 광각 렌즈, 채도가 낮고 센서 노이즈가 있는 720p 감시카메라 화질입니다. 인물은 한국인 40~50대 작업자, 복장은 한국 표준 안전장구(흰색 안전모, 황록색 반사 조끼, 목장갑)로 못 박습니다.
이 항목들이 왜 이렇게 구체적인지도 납품 과정에서 알게 된 부분입니다. 국내 현장을 대상으로 하는 솔루션에 서양식 안전장구나 서양인 작업자가 섞여 들어가면, 그 클립은 품질과 무관하게 통째로 폐기됩니다. 고객사가 제공한 현장 레퍼런스 영상을 첫 프레임의 기준으로 삼는 것도 같은 이유입니다.
반대로 프레임마다 바뀌는 것은 동작과 자세뿐입니다. “위험한 상황”이 아니라 “사다리 최상단 캡에 올라서서 발판 범위를 벗어나 옆으로 몸을 뻗고 있다”처럼 위험 요인을 물리적으로 기술합니다. 추상적인 형용사는 매번 다른 그림을 만들어내고, 그 순간 데이터셋의 일관성은 무너집니다.
기준 3 — 카메라와 타임스탬프는 생성에 맡기지 않습니다
키프레임이 확정되면 first/last frame 보간으로 각 구간을 생성합니다. 모든 구간 프롬프트에는 “고정형 CCTV, 팬·틸트·줌·컷 없음, 단일 테이크”가 자동으로 삽입됩니다. 영상미가 좋아도 화면이 조금이라도 흔들리면 그 클립은 학습 데이터로 쓸 수 없기 때문입니다. 초기에 이 문구를 빼고 생성했다가 구간 전체를 다시 만든 경험이 이 자동 삽입 규칙으로 남았습니다.
타임스탬프도 마찬가지입니다. 생성 모델에 글자를 그리게 하면 반드시 깨집니다. 그래서 생성 단계에서는 화면 안에 어떤 문자도 들어가지 않도록 명시적으로 배제하고, 결합한 24초 클립에 후처리로 정확한 타임스탬프와 카메라 ID를 합성합니다. 위 산출물 이미지의 좌상단 시각 표기가 그렇게 들어간 것입니다.
이렇게 학습시키면 무엇이 달라지는가
산업재해 감지 합성데이터로 학습한 모델과 정상 영상만으로 학습한 모델의 차이는 네 지점에서 나타납니다.
- 클래스 불균형 해소 — 사고 클래스를 필요한 만큼 생성합니다. 데이터가 모델을 제약하던 관계가 뒤집힙니다.
- 엣지 케이스(Edge-Case)의 통제 생성 — 야간, 역광, 적재물에 가린 각도, 안전모 미착용 변형을 시나리오 파라미터만 바꿔 확보합니다. 실제 현장에서는 재현 자체가 불가능하거나 위법한 조건들입니다.
- 라벨이 생성 시점에 확정 — 사고 발생 시각을 저희가 정해서 만들었으므로, 프레임 단위 정답(Ground Truth)이 별도 데이터 라벨링 공정 없이 확보됩니다. 어노테이션 비용이 줄어드는 것이 아니라 애초에 발생하지 않습니다.
- 사후 기록에서 사전 경보로 — 사고 직전 구간이 데이터에 포함되어 있으므로 모델이 전조 패턴을 학습합니다.
다만 합성데이터만으로 끝나지는 않습니다. 실제 현장 영상으로 검증(Validation)하지 않은 합성 데이터셋은 자기만족에 그칩니다. 대규모 자동화 데이터를 신뢰할 수 있게 만드는 검증 절차는 피지컬 AI 데이터 검증 파이프라인 글에서 자세히 다뤘습니다.
구축 역량 없이 생성으로 바로 갈 수는 없습니다
프롬데이터는 원래 사람이 모으고 사람이 검수하는 회사입니다. 20개 이상의 고객사와 31건 이상의 프로젝트를 자율주행, 의료, 스마트팩토리, 스포츠 영상 도메인에서 수행해 왔습니다. AI 학습 데이터 구축과 가공이 지금도 매출의 중심축입니다.
그런데 산업안전 도메인만은 이 방식이 통하지 않았습니다. 인력을 늘려도, 기간을 늘려도, 사고 장면은 모이지 않았습니다. 없는 것을 모으는 일에 자원을 넣는 대신 만드는 쪽으로 방향을 튼 결과가 지금의 산업재해 합성데이터 생성 체계이며, 관련 특허 4건을 출원했습니다.
여기서 한 가지는 분명히 말씀드리고 싶습니다. 사람의 손이 사라지는 것이 아니라, 오히려 사람이 할 일이 앞단으로 옮겨갑니다. 재해형태를 분류하고, 시나리오의 물리적 타당성을 판정하고, 생성된 세트에서 배경·인물·조명이 어긋난 것을 걸러내는 일은 여전히 사람이 합니다. 실제로 생성 단계보다 이 선별 단계에서 시간이 더 걸립니다.
구축 역량이 없는 조직이 생성으로 바로 뛰어들면, 보기에는 그럴듯하지만 학습에 쓸 수 없는 영상이 대량으로 쌓입니다. 어떤 프레임이 데이터로서 쓸모없는지를 판단하는 눈은 라벨링 현장에서 만들어집니다.
데이터 확보 예산을 정부 지원으로 마련하려는 기업이라면 데이터바우처 지원사업을 활용하는 경로도 있습니다.
결론
산업안전 AI의 병목은 알고리즘이 아니라 데이터이고, 산업재해 데이터는 희소성·폐쇄성·편향이라는 세 겹의 벽 때문에 수집으로는 해결되지 않습니다. 산업재해 감지 합성데이터는 이 벽을 우회하는 방법이 아니라, 애초에 다른 문을 여는 방법입니다.
정리하면 세 가지입니다. 사고 이전·발생·이후를 한 세트로 묶을 것, 바뀌면 안 되는 화각과 복장을 데이터셋 전체에 고정할 것, 카메라 안정성과 타임스탬프는 생성이 아니라 후처리로 보장할 것. 세 가지 모두 실제로 만들어 납품하는 과정에서 확정된 기준입니다.
지금 감지 모델의 정확도가 오르지 않고 있다면, 모델 구조를 바꾸기 전에 학습 데이터에 사고 장면이 몇 프레임이나 들어 있는지부터 확인해 보시기를 권해 드립니다. 그 숫자가 0에 가깝다면 문제는 모델에 있지 않습니다.
현장의 재해형태와 CCTV 화각 조건을 알려주시면, 해당 조건에 맞춘 샘플 세트를 먼저 만들어 검토용으로 전달해 드립니다. 가장 효율적인 데이터 확보 방법을 함께 찾겠습니다.