[논문]비정형 데이터와 딥러닝을 활용한 내수침수 탐지기술 개발

이하늘; 김형수; 김수전; 김동현; 김종성

doi:10.3741/jkwra.2021.54.12.1233

비정형 데이터와 딥러닝을 활용한 내수침수 탐지기술 개발
Development of a method for urban flooding detection using unstructured data and deep learing 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.54 no.12, 2021년, pp.1233 - 1242

이하늘 (인하대학교 스마트시티공학과) , 김형수 (인하대학교 사회인프라공학과) , 김수전 (인하대학교 사회인프라공학과) , 김동현 (인하대학교 스마트시티공학과) , 김종성 (인하대학교 스마트시티공학과)

초록
AI-Helper

본 연구에서는 비정형 데이터인 사진자료를 이용하여 침수의 발생여부를 판단하는 모델을 개발하였다. 침수분류를 모델 개발을 위하여 CNN기반의 VGG16, VGG19을 이용하였다. 모델을 개발하기 위하여 침수사진과 침수가 발생하지 않은 사진을 웹크롤링 방법을 이용하여 사진을 수집하였다. 웹크롤링 방법을 이용하여 수집한 데이터는 노이즈 데이터가 포함되어 있기 때문에 1차적으로 본 연구와 상관없는 데이터는 소거하였으며, 2차적으로 모델 적용을 위하여 224 × 224로 사진 사이즈를 일괄 변경하였다. 또한 사진의 다양성을 위해서 사진의 각도를 변환하여 이미지 증식을 수행하였으며. 최종적으로 침수사진 2,500장과 침수가 발생하지 않은 사진 2,500장을 이용하여 학습을 수행하였다. 모델 평가결과 모델의 평균 분류성능은 97%로 나타났으며. 향후 본 연구결과를 통하여 개발된 모델을 CCTV관제센터 시스템에 탑재한다면 신속하게 침수피해에 대한 대처가 이루어 질 수 있을 것이라 판단된다.

Abstract ▼ AI-Helper

In this study, a model was developed to determine whether flooding occurred using image data, which is unstructured data. CNN-based VGG16 and VGG19 were used to develop the flood classification model. In order to develop a model, images of flooded and non-flooded images were collected using web crawling method. Since the data collected using the web crawling method contains noise data, data irrelevant to this study was primarily deleted, and secondly, the image size was changed to 224×224 for model application. In addition, image augmentation was performed by changing the angle of the image for diversity of image. Finally, learning was performed using 2,500 images of flooding and 2,500 images of non-flooding. As a result of model evaluation, the average classification performance of the model was found to be 97%. In the future, if the model developed through the results of this study is mounted on the CCTV control center system, it is judged that the respons against flood damage can be done quickly.

주제어

표/그림 (15)

그림 Fig. 1. Procedure to develop flood detection model
그림 Fig. 2. Basic process of web crawling
표 Table 1. Confusion matrix
표 Table 2. Equation of evaluation index
표 Table 3. Search keyword list
그림 Fig. 3. Data irrelevant to research
그림 Fig. 4. Flood image data of different sizes
그림 Fig. 5. Resize image data
그림 Fig. 6. Apply image augmentation
그림 Fig. 7. VGG16 architecture
그림 Fig. 8. Each model training result
표 Table 4. Common model training parameter
그림 Fig. 9. AUC calculation result for each model
표 Table 5. Each model confusion matrix
표 Table 6. Each model evaluation result

참고문헌 (30)

Baydargil, H.B., Serdaroglu, S., Park, J.S., Park, K.H., and Shin, H.S. (2018). "Flood detection and control using deep convolutional encoder-decoder architecture." 2018 International Conference on Information and Communication Technology Robotics (ICT-ROBOT), IEEE, pp. 1-3.
Bhadra, T., Chouhan, A., Chutia, D., Bhowmick, A., and Raju, P.L.N. (2020). "Flood detection using multispectral images and SAR data." International Conference on Machine Learning, Image Processing, Network Security and Data Sciences, Springer, Singapore, pp. 294-303.
Choi, J., Park, K., Choi, S., and Jun, H. (2018). "A forecasting and alarm system for reducing damage from inland inundation in coastal urban areas: A case study of Yeosu City." Journal of the Korean Society of Hazard Mitigation, Vol. 18, No. 7, pp. 475-484.

상세보기
Dias, D., and Dias, U. (2018). "Flood detection from social multimedia and satellite images using ensemble and transfer learning with CNN architectures." Proceedings of the MediaEval 2018 Workshop, CEUR, France, Vol. 2283, pp. 3-5.
Godoy, D. (2018) Understanding binary cross-entropy/log loss: A visual explanation, accessed 13 September 2021,
Hwang, S., Kim, K., Lee, G., and Lee, M. (2016). "A study on the development of automated damage estimation system using high resolution satellite imagery." Journal of Korean Society of Hazard Mitigation, Vol. 16, No. 2, pp. 161-172.

원문보기 상세보기
Jain, P., Schoen-Phelan, B., and Ross, R. (2020). "Automatic flood detection in SentineI-2 images using deep convolutional neural networks." Proceedings of the 35th Annual ACM Symposium on Applied Computing, ACM, NY, U.S., pp. 617-623.
Jang, Y., and Chung, D. (2019). "Technology trend for image analysis based on deep learning." Current Industrial and Technological Trends in Aerospace, Vol. 17, No. 1, pp. 113-122.
Jeon, H., Kim, J., Kim, K., and Hong, I. (2016). "Application of the LISFLOOD-FP model for flood stage prediction on the lower Mankyung River." Journal of Korea Water Resources Association, Vol. 49, No. 6, pp. 459-467.

원문보기 상세보기
Kang, J., and Kwak, S. (2014). "Loitering detection solution for CCTV security system." Journal of Korea Multimedia Society, Vol. 17, No. 1, pp. 15-25.

원문보기 상세보기
Kim, S., Lee, S., Kim, T.W., and Kim, D. (2019). "Estimation of flooded area using satellite imagery and DSM terrain data." Journal of the Korean Society of Hazard Mitigation, Vol. 19, No. 7, pp. 471-483.

상세보기
Le, X.H., Ho, H.V., Lee, G., and Jung, S. (2019). "Application of long short-term memory (LSTM) neural network for flood forecasting." Water, Vol. 11, No. 7, 1387.

상세보기
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). "Gradient-based learning applied to document recognition." Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278-2324.

상세보기
Lee, B.J. (2017). "Analysis on inundation characteristics for flood impact forecasting in Gangnam drainage basin." Atmosphere, Vol. 27, No. 2, pp. 189-197.

원문보기 상세보기
Lee, J., Kang, B., Lee, H., Chung, Y., and Park, D. (2011). "A suspected criminal face identification via SVDD and SRC in surveillance system." Journal of KIISE: Computing Practices and Letters, Vol. 17, No. 2, pp. 135-139.
Lee, S.H., Kang, D.H., and Kim, B.S. (2018). "A study on the method of calculating the threshold rainfall for rainfall impact forecasting." Journal of the Korean Society of Hazard Mitigation, Vol. 18, No. 7, pp. 93-102.

상세보기
Mason, D.C., Speck, R., Devereux, B., Schumann, G.J.P., Neal, J.C., and Bates, P.D. (2009). "Flood detection in urban areas using TerraSAR-X." IEEE Transactions on Geoscience and Remote Sensing, Vol. 48, No. 2, pp. 882-894.

상세보기
Oga, T., Harakawa, R., Minewaki, S., Umeki, Y., Matsuda, Y., and Iwahashi, M. (2020). "River state classification combining patch-based processing and CNN." Plos One, Vol. 15, No. 12, e0243073.

상세보기
Park, H.J. (2013). "A study on monitoring system for an abnormal behaviors by object's tracking." Journal of Digital Contents Society, Vol. 14, No. 4, pp. 589-596.

원문보기 상세보기
Park, J., Dao, D.A., Kim, S., and Kim, D. (2019). "Detection of flood areas using Sentinel-1 satellite imagery and evaluation of its applicability." Journal of the Korean Society of Hazard Mitigation, Vol. 19, No. 6, pp. 53-61.

상세보기
Park, S.H., and Kim, H.J. (2020). "Design of artificial intelligence water level prediction system for prediction of river flood." Journal of the Korea Institute of Information and Communication Engineering, Vol. 24, No. 2, pp. 198-203.

원문보기 상세보기
Ruder, S. (2016). "An overview of gradient descent optimization algorithms." arXiv preprint arXiv:1609.04747.
Shin, D.H., Baek, J.W., Park, R.C., and Chung, K. (2021). "Deep learning-based vehicle anomaly detection using road CCTV data." Journal of the Korea Convergence Society, Vol. 12, No. 2, pp. 1-6.

원문보기 상세보기
Shin, H.J., Chae, H.S., Hwang, E.H., and Park, J.Y. (2012). "A study of informationization technique for detecting flood inundation area using RS." Journal of the Korean Association of Geographic Information Studies, Vol. 15, No. 1, pp. 172-183.

원문보기 상세보기
Simonyan, K., and Zisserman, A. (2014). "Very deep convolutional networks for large-scale image recognition." arXiv preprint arXiv:1409.1556.
Singh, M.S.A.D.J., and Varnica, B. (2014). "Web crawler: Extracting the web data." International Journal of Computer Trends and Technology, Vol. 13, No. 3, pp. 132-137.
Song, Y.H., Song, Y.S., Park, M.J., and Lee, J.H. (2014). "Flood forecasting estimation methodology of standard rainfall for urban mid and small rivers considering upper-and down-stream water levels." Journal of the Korean Society of Hazard Mitigation, Vol. 14, No. 2, pp. 289-298.

원문보기 상세보기
Theera-Umpon, N., Auephanwiriyakul, S., Suteepohnwiroj, S., Pahasha, J., and Wantanajittikul, K. (2008). "River basin flood prediction using support vector machines." 2008 IEEE International Joint Conference on Neural Networks (IEEE World Congress on Computational Intelligence), IEEE, Hong Kong, China, pp. 3039-3043.
Tsakiri, K., Marsellos, A., and Kapetanakis, S. (2018). "Artificial neural network and multiple linear regression for flood prediction in Mohawk River." Water, Vol. 10, No. 9, 1158.

상세보기
Wu, C.L., and Chau, K.W. (2006). "A flood forecasting neural network model with genetic algorithm." International Journal of Environment and Pollution, Vol. 28, No. 3-4, pp. 261-273.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증