최근 화재조사 현장에서는 조사관의 경험과 직관에 의존한 주관적 해석으로 인해 발화 원인 규명이 불명확하거나 재현성이 떨어지는 한계가 지적되고 있다. 특히 전선의 용융흔(1차·2차 단락흔)과 열흔(3차 흔적)은 발화 원인을 규명하는 핵심 증거임에도 불구하고, 광학 현미경을 활용한 기존의 판독 방식은 객관성과 자동화 측면에서 한계를 보인다.

이에 본 연구는 SEM-EBSD 분석 데이터와 딥러닝을 결합한 정량적 판별 기술을 개발하고, 3D 포인트 클라우드 및 멀티모달 대규모 언어모델(LLM)을 활용하여 정량적·설명 가능한 발화지점 추론 프레임워크를 구축하는 것을 목표로 한다. 나아가 시나리오 기반의 모의 화재실험과 실제 화재현장 데이터를 활용하여 알고리즘의 정확성과 재현성을 체계적으로 검증하고, 모바일 환경 및 VR 기반의 교육·훈련 콘텐츠로 확장하여 현장 실무에 즉시 적용 가능한 기술로 발전시키고자 한다 또한, Knowledge Distillation 기반의 경량화 기법과 실시간 최적화 연구를 병행하여, 현장 조사관이 직접 활용할 수 있는 과학적·자동화된 화재조사 지원 시스템을 구축하는 것을 궁극적인 목표로 한다.

● 화재패턴기반 발화지점 추론 연구

- 화재현장의 실제 구조와 손상 양상을 정밀하게 반영하기 위해 3D 스캐닝 및 포인트 클라우드 기반 데이터 수집 체계를 구축한다. 이를 통해 벽·천장·바닥에 남은 화재흔적을 정량적으로 기록하고, 고해상도 화재패턴 데이터베이스(DB)를 확보한다.

- 확보된 데이터는 LVM(Large Vision Model)을 활용하여 플룸, V/U 패턴, 가스층 흔적, 그을음, 칼시네이션 등 다양한 화재패턴을 자동으로 추출·분류한다.

- 추출된 패턴 정보와 환경 요인 데이터를 구조화하여 LLM(Large Language Model)에 입력하고, LLM은 다중 패턴의 중첩과 물리적 제약 조건을 종합적으로 분석하여 발화지점 후보를 제시한다.

그림 1 발화지점추론개요

● 용융흔·열흔 판별 연구

-  전선의 용융흔(1차·2차 단락흔)과 열흔(3차 흔적)은 발화 원인을 규명하는 핵심 단서이지만, 기존 광학 현미경 판독 방식은 조사관의 경험과 주관적 해석에 크게 의존하고 있어 정확성과 일관성에 한계가 있다

- 본 연구에서는 SEM-EBSD 분석 데이터와 딥러닝 기반 이미지 판별 알고리즘을 결합하여, 용융흔과 열흔을 정량적으로 구분할 수 있는 자동화 판별 체계를 개발한다.

- Knowledge Distillation 기반 경량화 모델을 적용하여 정확도를 유지하면서도 실시간 판별이 가능하도록 최적화한다.