지능형 CCTV를 이용해 태풍이나 집중호우 등에 의한 침수상황을 실시간으로 자동 모니터링하고, 감지함으로써 인적·물적 피해를 최소화할 수 있는 골든타임 확보 기술이 선보여 이목을 집중시키고 있다.
이 기술은 CCTV가 설치된 모든 지역을 실시간 무인으로 감시하고, 긴급 상황을 신속히 감지, 위험정보를 전달할 수 있어 지역주민의 안전 확보와 불편 최소화에 기여할 것으로 기대된다.
‘합성곱신경망’ 활용 이미지 영상 인식 분류 최적화 성능 갖춰
8,700여개 학습데이터 구축 등 침수 감지 성능 87.5% 확인
기존 운용 CCTV 통신설비 그대로 이용 가능 ‘설치비’ 크게 줄여
최근 중국 허난성 정저우시에서는 기록적인 폭우로 인해 징광터널과 지하철이 침수돼 상당한 인명피해가 발생했다. 국내에서도 지난해 여름 부산지역에 내린 기습적인 폭우로 도심지역인 초량동 지하차도가 침수되면서 인명사고가 발생한 바 있다.
이처럼 최근 국내에서 발생한 홍수피해들은 하천수위 상승에 따른 외수침수 보다는 도시지역 내 저지대 내수침수로 인한 피해가 대부분이다.
도심에 산발적으로 위치한 침수우려지역의 피해를 저감하기 위해서는 우수처리 시설용량 개선, 확대와 같은 구조적 대책은 물론 재난관리 담당자의 빠른 침수상황 인지와 신속한 대처가 필수적이다.
이에 한국건설기술연구원에서는 태풍이나 집중호우 등의 수재해로 인해 국지적 다발성으로 발생되는 침수상황을 자동으로 모니터링하고, 감지하기 위해 CCTV 영상과 딥러닝 기술을 활용한 ‘침수감시 시스템’ 개발 연구가 이뤄지고 있다.
연구내용
이 연구에서는 실시간으로 수신되는 CCTV 영상을 분석, 정확도 90% 이상의 침수판별 성능과 저렴한 비용의 시스템 개발을 목표로 하고 있다.
연구에서는 사람의 신경망 원리와 구조를 모방해 만든 기계학습 알고리즘인 인공신경망(ANN)을 기초로 한 심층신경망(DNN)을 응용, 딥러닝 모델 구축에 자주 사용되는 알고리즘인 CNN(합성곱신경망)을 활용했다.
CNN은 이미지 분류와 얼굴 인식, 텍스트 인식 등에서 주로 사용되고 있는 알고리즘으로, 데이터 특징을 추출, 패턴을 파악하는 구조를 갖고 있어 이미지 또는 영상 인식과 분류에 최적화된 성능을 갖고 있다.
이 연구에서 침수감시 대상이 되는 공간은 사람이 거주하는 건물, 도로, 실외지역이다. 딥러닝 학습에 필요한 자료를 공개데이터인 European Flood Dataset과 사진공유 플랫폼인 Flickr, Youtube-8M 등으로부터 수집했다.
약 8만 2,000개의 이미지와 600개의 영상을 수집했고, 검수작업을 통해 도로공간 5,456개, 실외공간 2,656개, 실내공간 595개의 총 8,707개 데이터셋이 학습(80%)과 성능시험(20%)에 사용됐다.
특히, 이 연구에서는 침수판별(감지) 정확도를 담보하는 동시에 다채널 CCTV 영상(이미지)을 실시간으로 빠르게 처리하기 위해 분류모델인 Image Classification를 적용했다. 이어 5가지 침수판별 딥러닝 모델을 구축하고, 시험셋 데이터로부터 모델을 시험평가 했다.
연구성과
데이터구축 부문에서는 실내, 실외, 도로의 다양한 공간에서 촬영된 영상과 이미지 데이터를 조사·수집하고, 이로부터 학습·검증에 필요한 8,700여개의 학습데이터를 구축했다.
딥러닝모델 개발 부문에서는 다채널과 실시간 운용 환경을 고려해 선별한 5가지 CNN 모델로부터 딥러닝 모델을 개발하고, 검증을 통해 ResNet-50 모델에서 약 87.5%의 가장 높은 침수감지 성능을 확인했다.
시스템개발 부문에서는 가장 우수한 성능을 보인 ResNet-50 딥러닝 모델을 탑재, 이벤트정보와 영상수신·제어, 위치데이터 처리, 이벤트정보 표출·저장 구조를 갖는 CCTV 침수감지 시스템(IDS)을 선보였다.
이 시스템은 다양한 채널에서 수신되는 CCTV 영상을 딥러닝 모델로부터 분석하고, 침수발생 시 해당 CCTV의 정보와 모델 결과를 이용해 CCTV 영상·위치정보, 침수정보를 표출·저장하는 상용화 목적의 시스템이다.
특히, 침수판별 성능이 가장 우수한 것으로 확인된 ResNet-50 모델의 경우 1개 서버 당 최대 828대(채널)의 CCTV를 운용할 수 있어 경제성이 매우 높은 것으로 나타났다.
기대효과
이 기술은 기존에 설치, 운용 중인 CCTV와 통신설비를 그대로 이용할 수 있어 별도의 시설 설치비용이 필요 없다.
또한, 다양한 공간에서 촬영된 다수의 침수영상과 이미지를 학습에 사용함으로써 건물 내부를 비롯해 도로, 도심 등 다양한 공간에서 제약 없이 사용할 수 있다.
지금까지는 하천구간 내 주요 지점에 대한 감시에 치중해 도심 내 국지적인 장소에서 발생하는 침수에는 대응이 느린 단점이 있었다.
반면, 이 기술은 건물 지하주차장이나 지하도로, 터널과 같이 협소한 지역에도 감시가 가능하다.
인 / 터 / 뷰
도입 비용 낮아 경제성 높고 골든타임 확보 큰 기여
 |
| 김길호 수석연구원 |
한국건설기술연구원 김길호 수석연구원은 “이 연구는 강우 시 침수위험지역에 설치된 수십에서 수백 여 채널의 CCTV 영상을 딥러닝 분석을 통해 무인으로 감시하고, 침수상황 발생 시 담당자에게 신속하게 재난정보를 전달하는 지능형 CCTV 기술 분야의 연구”라고 소개했다.
이어 “딥러닝 모델 개발에는 양질의 훈련데이터가 필수적”이라며, “따라서 이 연구에서는 다양한 플랫폼에서 제공하는 약 8만 2천개의 공개데이터 이미지와 600개의 영상을 수집했고, 모델 개발과정에 약 8,700여개의 데이터가 사용됐다”고 밝혔다.
이 연구에서 사용한 딥러닝 모델은 이미지 분류와 얼굴 인식, 텍스트 인식 등에 성능이 좋은 CNN 알고리즘이 사용됐다.
김 박사는 “이 연구의 핵심은 저렴한 도입비용과 높은 침수판별 성능의 인공지능 모델 개발로, 다수의 CCTV 영상을 실시간으로 빠르게 처리하기 위해 CNN 이미지 분류모델을 사용했다”고 언급했다.
특히, 이 연구에서는 이미지 분류에 적합한 CNN 중 캐글(Kaggle) 플랫폼에서 검증된 5가지 딥러닝 아키텍처를 테스트했고, 현재까지 침수판별 정확도를 약 87.5%까지 향상시키는 성과를 도출했다.
지능형 CCTV 인증제도 기준이 90%인 점을 고려할 때 초기연구임에도 불구하고 높은 정확도로 볼 수 있다.
다객체 판별 모델 확장 등 수자원분야에 인공지능 기술 접목 최선
현재 김 박사팀은 개발 기술의 현장 활용을 위해 침수판별 딥러닝 모델을 고도화하고, 지자체 도입에 필요한 프로토타입 개발에 나서고 있다.
김 박사는 “침수감시시스템은 CCTV 영상처리, 영상분석, CCTV 영상 스트리밍과 지도 표현, 주요 이벤트 정보 알림 기능을 갖고 있다”며, “특히, 처리속도가 빠른 경량 딥러닝 모델을 사용함으로써 현장 적용 시 데스크탑 1대당 828개 채널의 CCTV를 운용할 수 있고, 1채널 당 약 2,000원의 도입 비용만이 소요된다”고 강조했다.
이어 “이 기술은 기존에 설치된 CCTV 장비를 다목적으로 활용할 수 있고, 도입비용이 낮아 경제성이 높다”며, “국지성 침수지역을 실시간으로 신속히 감지함으로써 긴급대응까지 골든타임을 확보하는 데 크게 기여할 것”이라고 전망했다.
특히, 대규모 지하공간은 물론 공공기관에서 관리하는 지하차도, 터널, 상습 침수교량 등에 적용이 가능한 기술적 확장성도 장점이다.
이처럼 다양한 장점을 갖는 이 기술은 국내 최초로 시도된 연구로 큰 의미를 담고 있다.
김 박사는 “지금까지는 하천구간의 감시에 국한됐지만, 향후 도심지와 같은 제내지로 재난 감시체계를 확장할 필요가 있다”며, “이 기술은 지자체에서 다수 운용 중인 CCTV 장비와 인공지능 기술을 이용해 위험지역을 감시하기 위한 것으로, 해외에서도 연구사례를 찾기 힘들고, 국내에서는 상용화 목적으로 최초로 시도하고 있는 연구”라고 밝혔다.
끝으로 김 박사는 “현재 경남 진주시에 시범적으로 프로토타입 운영을 계획하고 있으며, 학습데이터를 추가해 침수판별 정확도를 향상하는 연구를 동시에 진행하고 있다”며, “향후 위험지역에 위치한 사람, 차량을 탐색하는 다객체 판별 모델로 확장하고, 수자원분야에 인공지능 기술을 접목하는 데에 나설 예정”이라고 덧붙였다.
