스트리트 뷰로 건물 안전 진단: 몇 달 걸리던 전수 조사를 몇 시간 만에

지진 같은 자연재해가 발생했을 때 도시 전체 건물의 안전도를 평가하는 작업은 가혹할 정도로 긴 시간을 요구합니다. 전문가들이 일일이 현장을 돌며 육안으로 점검하다 보면 도시 전체를 파악하는 데 수개월이 걸리기 일쑤입니다.

미국 플로리다 대학교의 Chaofeng Wang 인공지능 담당 조교수는 이 문제를 해결하기 위해 구글 스트리트 뷰와 딥러닝을 결합했습니다. 도시 건물들의 위험도를 자동으로 평가해 지자체의 사전 보강 작업과 재해 복구를 돕는 연구입니다.

기존에 수개월씩 걸리던 건물 안전성 평가 과정을 AI를 통해 단 몇 시간으로 단축했습니다.

스트리트 뷰와 슈퍼컴퓨터로 건물을 채점하다

이 AI 모델은 미국 연방재난관리청(FEMA)의 P-154 표준에 맞춰 건물의 안전 점수를 매깁니다. 이미지 속에서 벽체 자재와 구조 유형, 건축 연대 등을 식별해 재난에 얼마나 취약한지 파악하는 방식입니다.

연구팀은 세계은행의 회복력 있는 주거 글로벌 프로그램과 협력해 현장 이미지를 수집하고 라벨링 작업을 거쳤습니다. 방대한 이미지 추론 작업에는 700페타플롭스 성능을 갖춘 플로리다 대학교의 슈퍼컴퓨터 HiPerGator 내 NVIDIA DGX A100 시스템이 투입되었습니다.

분석된 결과는 지도 기반 웹 포털로 시각화되어, 행정 관료들이 건물 유형과 외벽 자재, 안전 점수를 한눈에 볼 수 있도록 제공됩니다.

현재 이 프로젝트는 멕시코 일부 지방 정부에서 시범 적용 중이며, 아시아, 아프리카, 남미의 여러 국가에서도 관심을 보이고 있습니다. 지금까지 해외 약 8개 도시에서 테스트를 진행했으며, FEMA P-154 기준 평가 점수에서 85% 이상의 정확도를 달성했습니다.

페인트 색상과 도심 밀도가 만드는 변수

실제 도시에 적용하는 과정에서 가장 큰 걸림돌은 지역마다 천차만별인 건축 양식입니다. 국가별로 문화적 특성과 도심 밀도가 다르다 보니, 데이터 다양성이 부족하면 AI가 오판을 내리기 쉽습니다.

예를 들어 벽면에 칠해진 특정 페인트 색상 때문에 콘크리트나 목재 등 실제 자재를 잘못 인식하는 문제가 발생합니다. Wang 교수는 더 광범위한 환경에서 활용하기 위해 고품질 주석 데이터를 지속적으로 수집해 일반화 성능을 높이고 있다고 밝혔습니다.

데이터 갱신 주기 역시 현실적인 제약입니다. 구글 스트리트 뷰는 대개 몇 년 주기로 업데이트되기 때문에 평상시 통계 파악과 사전 대비에는 유용하지만, 스트리트 뷰가 없거나 빠르게 변한 지역은 지자체가 직접 이미지를 촬영해 올려야 합니다.

연구팀은 현재 다른 서비스와 연동할 수 있는 API와 지자체용 애플리케이션을 개발하고 있습니다.

왜 중요한가

취약 건축물 점검은 막대한 비용과 전문 인력이 필요한 영역이었기에, 재정이 열악한 개발도상국이나 중소 도시는 사실상 손을 놓고 있던 경우가 많았습니다. 이미 구축된 대규모 스트리트 뷰 데이터를 방재 인프라로 재활용했다는 점에서 비용 대비 효과가 뛰어납니다.

지자체 입장에서는 지진이 발생하기 전 어떤 노후 건물에 보강 예산을 우선 배정해야 할지 과학적인 근거를 얻을 수 있습니다. 추후 API가 본격 보급된다면 도시 계획 부서뿐 아니라 재물보험 분야의 리스크 산정에도 직접적인 영향을 미칠 것으로 보입니다.

다만 외부 사진에만 의존하는 방식의 한계는 분명합니다. 건물 내부의 철근 부식이나 내력벽 손상, 기초 지반의 결함은 도로변 카메라에 잡히지 않습니다. 따라서 이 기술은 인간 엔지니어를 완전히 대체하기보다는, 긴급 현장 조사가 필요한 우선 구역을 추려내는 1차 스크리닝 도구로 활용할 때 가장 현실적인 가치를 낼 것으로 판단됩니다.