AI기반 CCTV 영상분석을 통한 하천범람 실시간 조기감지
재난안전데이터를 활용하여 AI기반 CCTV 영상분석을 통한 하천범람 실시간 조기감지를 통해 하천 범람으로 인한 인명 및 재산 피해 최소화 기여한 사례
등록일자
2024-07-10
Object Detection(물 감지) 영상에서 물 객체를 실시간 감지할 수 있는 YOLO* 기반 딥러닝 모델구축 * You Only Look Once의 약자로써, 이미지를 한 번 보는 것으로 object의 종류와 위치를 탐지하는 모델
< YOLO 모델 개요 >
1. 먼저 입력 이미지를 SxS 그리드 영역으로 나눠주며, 입력 이미지(1)가 네트워크를 통과하면 2개의 데이터(2,3)를 얻음 2. 각각의 grid cell은 Bounding box안쪽에 어떤 Object가 있을 것 같다고 확신(confidence score)할수록 박스를 굵게 그려짐 3. 각각의 grid cell은 C(conditional class probability)를 갖음 4. 굵은 경계 박스들만 남기고 얇은 경계박스를 지우고, 남은 후보 경계 박스들을 선별하며 (4) 이미지처럼 3개만 남게 되며, 경계박스의 색깔은 클래스를 의미
< 학습데이터 생성 > YOLO Mark 학습 도구를 활용하여 이미지 약 1000장 학습데이터 구축(1장당 물 객체 라벨링 평균 50개 생성)
< 모델학습 > GPU 서버를 활용하여 약 2일간 학습 수행
< 데모 서비스 > UI 기반 하천 범람 감지 모니터링 서비스 프로토타입 개발
Segmentation(물 영역 추출)
< 물 면적을 고려하여 범람상태 및 예측을 위해 Region growing* 알고리즘 구현 및 물 영역 추출 수행 > * 초기 시드 포인트의 인접 픽셀을 검사하고 인접 픽셀을 영역에 추가해야 하는지를 결정
< 알고리즘 구현 > Region growing 알고리즘 개발 및 테스트 완료
(평가 데이터 준비) 홍수범람 관련 사진 및 관련 없는 사진 준비 (평가지표) 물 존재 여부와 같이 두 가지 결과가 나오는 분류 방법의 정확성을 평가하는 지표 중 하나인 민감도와 특이도 이용
* True Positive(TP) : 실제 True인 정답을 True라고 판단 (정답) * False Positive(FP) : 실제 False인 정답을 True라고 판단 (오답) * False Negative(FN) : 실제 True인 정답을 False라고 판단 (오답) * True Negative(TN) : 실제 False인 정답을 False라고 판단 (정답)
민감도(Sensitivity) : 물 있는 사진을 있다고 판단한 경우 특이도(Specificity) : 물 없는 사진을 없다고 판단한 경우
(테스트 결과) 민감도 85%, 특이도 90%
