Computer Vision 기반 도심지 침수 영역 면적 추정에 관한 연구
A Study on Estimation of Flood Area in Urban Areas Based on Computer Vision
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
기후변화의 가속화로 인해 국지성 집중호우와 폭우의 발생 빈도가 증가하며, 도심지의 홍수 및 침수 위험이 확대되고 있다. 그러나기존의 인력 조사 및 센서 기반 침수 모니터링 방식은 적용 범위가 제한적이고 운영⋅유지⋅관리 비용이 높으며, 실시간성이 부족하다는 한계가 있다. 본 연구에서는 이러한 한계를 극복하기 위해, 실시간 도시 침수 영역 탐지와 침수 면적의 정량적 추정을 동시에 수행할 수 있는 영상 기반 컴퓨터 비전 기법을 제안한다. 제안 기법은 YOLOv8 기반 딥러닝 모델을 활용하여 침수 영역과 기준 객체(도로 표지판, 신호등)를 동시에 검출하고, 기준 객체의 실제 크기와 영상 내 픽셀 정보를 결합하여 침수 면적을 m² 단위로 산출한다. 학습 데이터는 AI-Hub에서 수집된 자료를 조합하여 구축하였으며, 최종 모델은 mAP 0.548, F1-score 0.59의 성능을 달성하였다. 또한, 빈번한 침수 발생 지역을 대상으로 한 실증 실험에서위성이미지 기반 면적 추정값 대비 약 5.63%의 오차율을 보여, 제안 기법의 정확성과 실용성을 입증하였다.
Abstract
The acceleration of climate change has increased the frequency of localized heavy rainfall and torrential rain, raising the risk of flooding in urban areas. Existing flood monitoring methods based on manual surveys and sensors have limitations such as a restricted application range, high operation, maintenance, and management costs, and a lack of real-time capability. This study introduces a computer vision–based method capable of detecting urban flooded areas in real time and quantitatively estimating flooded areas. A YOLOv8-based deep learning model is used to simultaneously detect flooded areas, traffic signs, traffic lights, and the actual size of the reference objects combined with pixel information in the image is utilized to calculate the flooded area in square meters. The training dataset was constructed by combining data collected from AI-Hub, and the final model achieved a mAP of 0.548 and an f1-score of 0.59. In addition, a field experiment conducted in areas frequently affected by flood showed an error rate of approximately 5.63% compared to the area estimation based on satellite imagery, demonstrating high reliability.