표제지
목차
요약 4
01. 연구개요 13
1. 연구배경과 목적 14
2. 연구내용과 방법 18
02. 딥러닝 기반 영상 분석 기술 및 연구사례 20
1. 인공지능(AI) 기술 개요 21
2. 객체 탐지 및 분류 기술 23
3. YOLO 모델 개요 31
4. 딥러닝 기반 홍수 모니터링 기술 국내외 연구사례 40
03. 딥러닝 기반 도로침수심 분석 모델 개발 52
1. 도로침수심 분석 딥러닝 모델 구축 53
2. 도로침수심 분석 모델 학습 및 검증 64
04. 딥러닝 기반 도로침수심 분석 모델 활용 방안 70
1. 딥러닝 기반 모니터링 기술 활용 사례 71
2. 딥러닝 기반 도로침수심 분석 시스템 구현 및 활용 방안 77
05. 결론 84
1. 기대효과 85
2. 제언 87
참고문헌 88
Abstract 91
판권기 94
[표 2-1] 기계학습과 심층학습의 특징 비교 22
[표 2-2] R-CNN 모델의 단계별 구현내용 27
[표 2-3] Fast R-CNN 모델의 구성요소 27
[표 2-4] YOLO 모델의 단계별 객체 탐지 학습과정 30
[표 2-5] YOLO 모델의 경계상자 회귀분석 구성과 설명 32
[표 2-6] 딥러닝 기술을 활용한 홍수 모니터링 분야 국내외 연구사례 및 비교 51
[표 3-1] 승용차용 타이어 규격별 크기 정보 57
[표 3-2] 버스용 타이어 규격 크기 정보 57
[표 3-3] 타이어 침수정도에 따른 침수레벨 구분 시 차량침수 위험도 58
[표 3-4] 침수레벨 기준별 침수심 및 위험도 검토 59
[그림 1-1] 2022년 8월 서울시 1시간 최대 강우량 14
[그림 1-2] 2022년 8월 서울시 인명피해 발생 지점 15
[그림 2-1] 단일 혹은 개별 객체의 분류-탐지-세그멘테이션 24
[그림 2-2] 객체 탐지 및 분류 기술의 발전 25
[그림 2-3] R-CNN 기반 이미지 객체 탐지 처리 과정 26
[그림 2-4] Fast R-CNN 기반 이미지 객체 탐지 처리 과정 27
[그림 2-5] Faster R-CNN 모델의 구성 28
[그림 2-6] YOLO 모델의 아키텍처 29
[그림 2-7] YOLO 모델을 이용한 객체 탐지 예시 29
[그림 2-8] SSD 모델과 YOLO 모델의 구조 비교 30
[그림 2-9] YOLO 모델의 잔차블록 지정 단계 예시 31
[그림 2-10] YOLO 모델의 경계상자 회귀분석 세부적 예시 32
[그림 2-11] YOLO 모델의 IOU 산정 및 그리드셀 선정 예시 33
[그림 2-12] YOLO series별 관계도 33
[그림 2-13] YOLOv3 성능비교 35
[그림 2-14] YOLOv7의 네트워크 증강 38
[그림 2-15] YOLO 버전별 성능비교(v5, v6, v7, v8) 38
[그림 2-16] YOLOv8의 네트워크 구조도 39
[그림 2-17] 도시침수 위험기준 추정 모델 구조 40
[그림 2-18] EfficientNet 구상도 41
[그림 2-19] VGG16 모식도 42
[그림 2-20] 침수레벨 추정 모델 구축 기술목표 구성도 43
[그림 2-21] Water segmentation을 수행하는 데 사용된 딥 컨볼루션 신경망 아키텍처 44
[그림 2-22] 감시 비디오에서 감지된 샘플 프레임 44
[그림 2-23] 침수레벨 추정 모델 구축 45
[그림 2-24] FCN을 기반으로 한 세그멘테이션 아키텍처 46
[그림 2-25] temporal smoothness을 사용한 세그멘테이션 개선 47
[그림 2-26] 침수깊이 추정 구조 48
[그림 2-27] 도로표지 감지 위한 Mask R-CNN 알고리즘 방식 구조 49
[그림 3-1] 도로침수심 분석 기술 개발 모식도 53
[그림 3-2] YOLO 모델을 활용한 자동차 탐지 및 추출 예시 54
[그림 3-3] 침수레벨 분석 모델 개발 절차 55
[그림 3-4] 타이어 수치 표기법 및 판매량 순위 56
[그림 3-5] 타어이 규격 기준 침수레벨 구분 및 높이(좌: 승용차, 우: 버스) 57
[그림 3-6] 침수레벨별 침수심 설정 결과 58
[그림 3-7] Roboflow를 활용한 라벨링 작업화면 및 침수라벨 부여 결과 예시 60
[그림 3-8] 이미지 데이터셋 증식 기법 적용 예시 61
[그림 3-9] 이미지 증식 기법 적용 후 생성된 이미지 데이터 예시 62
[그림 3-10] YOLOv8 모델 분류 및 성능 비교 63
[그림 3-11] 학습결과: Loss, Precision, Recall, mAP 65
[그림 3-12] 침수라벨별 예측 정확도 결과(Normalized Confusion Matrix) 66
[그림 3-13] 도로침수심 분석 모델의 예측 결과 비교 67
[그림 3-14] '22년 8월 8일 서울시 CCTV 영상을 활용한 검증 결과 68
[그림 3-15] '22년 8월 8일 서울시 강남지역 촬영 SNS 영상을 활용한 검증 결과 69
[그림 4-1] 한강교량 맞춤형 인공지능 CCTV 선별관제도 시스템 구성도 72
[그림 4-2] 스마트 소화전 운영체계도 73
[그림 4-3] 선별관제시스템 운영 화면 74
[그림 4-4] 실시간 교통량 측정 예시 75
[그림 4-5] 모토브 영상 분석 예시 75
[그림 4-6] 다리소프트 영상 분석 예시 76
[그림 4-7] 도로침수심 분석 모델 관심영역 설정(ROI, 그림 내 연두색 박스) 및 분석 예시 77
[그림 4-8] 침수심 분석 모델 관심영역 설정 및 단일 침수레벨 표출 예시 78
[그림 4-9] 딥러닝 기반 실시간 도로침수심 모델 시스템 구현(안) 78
[그림 4-10] 서울시 교통정보 시스템 돌발상황(도로침수) 표출 예시 83
[그림 5-1] 기대효과 86