KR102485227B1

KR102485227B1 - 인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법

Info

Publication number: KR102485227B1
Application number: KR1020220050097A
Authority: KR
Inventors: 박종호
Original assignee: 주재넷(주)
Priority date: 2022-04-22
Filing date: 2022-04-22
Publication date: 2023-01-06

Abstract

본 발명은 홍수 재난 대응을 위한 인공지능(AI) 기술을 이용한 홍수 예측 시스템 및 홍수 예측 방법을 제공한다. 상기 홍수 예측 시스템은 하천에 설치된 수위표와 이 수위표를 감시하는 CCTV를 활용하여 홍수를 예측하는 인공지능 기반 홍수 예측 시스템으로서, 상기 CCTV의 영상을 수신하는 수신부, 상기 CCTV 영상에 기초하여 하천의 수위 데이터, 유속 데이터 및 유량 데이터를 수집하고 학습하는 AI 데이터 학습 딥러닝 모듈, 상기 CCTV 영상을 처리하는 AI 동영상 정보 처리 모듈, 상기 CCTV 영상에서 스틸 이미지를 포착하여 처리하는 AI 스틸 이미지 정보 처리 모듈 및 상기 AI 스틸 이미지 정보 처리 모듈의 처리 결과에 따라 홍수를 예측하는 AI 빅데이터 분석 모듈을 포함하고 있다.

Description

인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법{ARTIFICIAL INTELLIGENCE-BASED FLOOD FORECASTING SYSTEM AND FLOOD FORECASTING METHOD USING THE SAME}

본 발명은 인공지능(AI) 기술을 이용한 홍수 예측 시스템 및 홍수 예측 방법에 관한 것으로서, 보다 상세하게는, ① AI 데이터 학습 딥러닝, ② AI 동영상 정보 처리, ③ AI 스틸 이미지 정보 처리, ④ AI 빅데이터 분석을 통하여 홍수를 예측하는 홍수 예측 시스템 및 홍수 예측 방법에 관한 것이다.

홍수 예측 시스템의 종래의 기술은 다음과 같다.

먼저 강우에서 유출까지 전 과정을 살펴보면, 모든 유출량은 구름으로부터 내리는 강수량이 총량이 되며, 여기서 증발에 의해 소실되는 물의 양을 제하고, 지하로 침투하는 양 중에서 지하수의 형태로 저장되는 양을 제한 다음, 지하 흐름 및 지표로 유출되는 양과 도시에서 배출되는 하수량 등이 합쳐져서 기존 하천의 물의 총량에 더해져서 수위가 증가하고 이 증가된 수위가 제방 등 방재시설의 한계치수를 초과하게 될 경우 홍수 피해가 발생한다.

종래의 홍수 예측 시스템은 이와 같은 전 과정에서 의사결정에 필요한 다양한 디지털 정보를 수집하여 분석 및 종합 판단한 후, 대피 경보 발령, 수문 개폐 및 출입 차단 등을 실행하며, 강우량, 유속, 유량, 수위와 같은 4종의 빅데이터 수집과 이를 토대로 이루어지는 수위 예측이 가장 중요하였다.

하지만, 지금까지 개시된 자동 수위 계측 기술, 예를 들면, 특허 제10-0563010호(특허문헌 1)에 개시된 초음파 송신부, 초음파 수신부 및 제어부를 포함하는 초음파를 이용한 수위 계측 장치 및 수위 계측 방법은 각종 특이 지형이나 홍수기에 발생할 수 있는 계측 센서의 망실, 오작동 및 홍수기의 인적 운용의 위험성 등으로 인해 갈수기나 평수기 외에는 큰 효과를 발휘하지 못하였다.

그리고, 지금까지 개시된 자동 유량 계측 기술, 예를 들면, 특허 제10-1716208호(특허문헌 2)에 개시된 것과 같이, 도플러 유속계(ADV)에 의해 계측된 유속과 유수단면적을 곱하여 유량을 자동으로 계측하는 기술 또한 각종 특이 지형이나 홍수기에 발생할 수 있는 계측 센서의 망실, 오작동 및 홍수기의 인적 운용의 위험성 등으로 인해 갈수기나 평수기 외에는 큰 효과를 발휘하지 못하였다.

이를 극복하기 위한 방안으로서, 영상 기반의 수위 및 유량 계측 기술이 개발되었는데, 특허 제10-1978351호(특허문헌 3)에 개시된 것과 같은, CCTV 영상 기반의 실시간 자동 유량 계측 시스템 및 방법을 포함하여, 종래의 영상 기반의 수위 및 유량 계측 기술은 향상(enhancement), 복원(restoration), 이해(understanding), 압축(compression) 과 같은 전통적인 영상 전처리 기술만으로 구현한 결과, 평수기나 연구시에는 좋은 계측 성능을 발휘하여 왔으나, 짙은 안개, 조도가 낮은 야간, 폭우 및 기상 악화 등 홍수기에 발생하는 다양한 기상 조건에서는 계측 오류가 크게 발생하여 결과적으로 실제 홍수 통제소 및 각 지자체 관제 센터의 홍수 예측 시스템에 활용하기에는 심각한 문제가 있었다.

특허 제10-0563010호(공고일자: 2006년 3월 22일) 특허 제10-1716208호(공고일자: 2017년 3월 14일) 특허 제10-1978351호(공고일자: 2019년 5월 15일)

따라서, 본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 본 발명의 한 가지 목적은 ① AI 데이터 학습 딥러닝 기술, ② AI 동영상 정보 처리 기술, ③ AI 스틸 이미지 정보 처리 기술, ④ AI 빅데이터 분석 기술과 같은 인공지능 기술을 이용하여 높은 정확도로 수위, 유속, 유량의 3종 데이터를 계측하는 방법을 제공하는 데 있다.

또한, 본 발명의 다른 목적은 상기 취득한 3종 데이터와 기상청 또는 상류에 부설한 우량계로부터 수집한 강우량 계측 정보를 이용하여 인공지능 기반의 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법을 제공하는 데 있다.

본 발명의 일 실시형태에 따르면, 하천에 설치된 수위표와 이 수위표를 감시하는 CCTV를 활용하여 홍수를 예측하는 인공지능(AI) 기반 홍수 예측 시스템이 제공된다. 상기 인공지능 기반 홍수 예측 시스템은 상기 CCTV의 영상을 수신하는 수신부; 상기 CCTV 영상에 기초하여 하천의 수위 데이터, 유속 데이터 및 유량 데이터를 수집하고 학습하는 AI 데이터 학습 딥러닝 모듈; 상기 CCTV 영상을 처리하는 AI 동영상 정보 처리 모듈; 상기 CCTV 영상에서 스틸 이미지를 포착하여 처리하는 AI 스틸 이미지 정보 처리 모듈; 및 상기 AI 스틸 이미지 정보 처리 모듈의 처리 결과에 따라 홍수를 예측하는 AI 빅데이터 분석 모듈을 포함하고 있다.

상기 AI 데이터 학습 딥러닝 모듈은 수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스를 학습하고; 수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스를 학습하고; 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스를 딥러닝하고; 유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스를 학습하고; 유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스를 학습하고; 홍수 예측을 위해 수위 데이터를 예측하는 프로세스를 학습하도록 구성되어 있다.

상기 AI 동영상 정보 처리 모듈은 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스를 실행하도록 구성되어 있다.

상기 AI 스틸 이미지 정보 처리 모듈은 수위 이미지 정보를 처리하는 프로세스를 실행하고; 유속 데이터를 계측하는 프로세스를 실행하도록 구성되어 있다.

그리고, 상기 AI 빅데이터 분석 모듈은 홍수를 예측하는 프로세스를 실행하도록 구성되어 있다.

상기 구성에 의하면, 하천의 상황을 상시적으로 감시하면서 인간의 판단과 개입없이 홍수 발생을 신속하고 신뢰성있게 예측할 수 있다.

바람직하게는, 상기 인공지능 기반 홍수 예측 시스템이 홍수 예측 결과에 따라서 홍수 경보를 발령하는 홍수 경보 발령 시스템 및 홍수 예측 결과에 따라서 하천 출입로를 차단하는 AI 기반 출입 차단기를 더 포함하고 있다.

바람직하게는, 상기 인공지능 기반 홍수 예측 시스템에서, 상기 홍수 경보 발령 시스템이 상기 AI 기반 출입 차단기에 통합되어 있다.

이러한 구성에 의하면, 홍수 예측과 경보 발령/하천 출입로 차단이 거의 동시에 이루어질 수 있으므로, 홍수로 인한 물적/인적 피해를 최소화할 수 있다.

본 발명의 다른 실시형태에 따르면, 상기 인공지능 기반 홍수 예측 시스템을 이용하여 홍수를 예측하는 홍수 예측 방법이 제공된다. 상기 홍수 예측 방법은 수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스를 학습하는 단계; 수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스를 학습하는 단계; 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스를 딥러닝하는 단계; 유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스를 학습하는 단계; 유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스를 학습하는 단계; 홍수 예측을 위해 수위 데이터를 예측하는 프로세스를 학습하는 단계; 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스를 실행하는 단계; 수위 이미지 정보를 처리하는 프로세스를 실행하는 단계; 유속 데이터를 계측하는 프로세스를 실행하는 단계; 그리고 홍수를 예측하는 프로세스를 실행하는 단계를 포함하고 있다.

이상과 같은 AI 기반의 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법은 인간의 판단과 개입이 필수적인 압축 데이터 기반의 의사결정 시스템의 문제점인 데이터 요약으로 인한 오판의 가능성을 최소화하여 원본 빅데이터에 포함된 의미, 관계, 패턴들을 전체적으로 고려하는 AI에 의한 홍수 예측 및 경보 발령 시스템에 적용할 수 있으며, 이와 아울러 상기 AI 기반의 홍수 예측 시스템과 연동하는 AI 기반 출입 차단기를 하천 출입로에 설치함으로써 효과적으로 시민의 안전을 보장할 수 있다.

다시 말해서, 본 발명에 의하면, 하천의 상황을 상시적으로 감시하면서 인간의 판단과 개입없이 홍수 발생을 신속하고 신뢰성있게 예측할 수 있는 것은 물론이고, 예측 결과에 따라 홍수 경보 발령 및 하천 출입로 차단과 같은 신속한 대응이 가능하므로, 홍수로 인한 물적/인적 피해를 최소화할 수 있다.

본 발명의 이해를 돕기 위해서 제공되어 있으며, 본 명세서의 일부를 구성하는 첨부 도면은 본 발명의 여러 실시형태를 예시하며, 아래의 설명과 함께 본 발명의 원리를 설명하는 데 기여한다.
도 1은 본 발명의 일 실시형태에 따른, 인공지능(AI) 기반 홍수 예측 시스템(100)의 구성을 개략적으로 나타내는 개략도이고;
도 2는 본 발명의 다른 실시형태에 따른, 인공지능(AI) 기술을 이용한 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스(200)를 학습하는 단계들을 나타내는 흐름도이고;
도 3은, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스(300)를 학습하는 단계들을 나타내는 흐름도이고;
도 4는, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스(400)를 딥러닝하는 단계들을 나타내는 흐름도이고;
도 5는, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스(500)를 학습하는 단계들을 나타내는 흐름도이고;
도 6은, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스(600)를 학습하는 단계들을 나타내는 흐름도이고;
도 7은, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 홍수 예측을 위한 수위 데이터를 예측하는 프로세스(700)를 학습하는 단계들을 나타내는 흐름도이고;
도 8은, 상기 홍수 예측 방법에 있어서, AI 동영상 정보 처리 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스(800)를 나타내는 흐름도이고;
도 9는, 상기 홍수 예측 방법에 있어서, AI 스틸 이미지 정보 처리 기술을 이용하여 수위 이미지 정보를 처리하는 프로세스(900)를 나타내는 흐름도이고;
도 10은, 상기 홍수 예측 방법에 있어서, AI 스틸 이미지 정보 처리 기술을 이용하여 유속 데이터를 계측하는 프로세스(1000)를 나타내는 흐름도이고; 그리고
도 11은, 상기 홍수 예측 방법에 있어서, AI 빅데이터 분석 기술을 이용하여 홍수를 예측하는 프로세스(1100)를 나타내는 흐름도이다.

아래에서는, 첨부된 도면을 참고하여 본 발명을 보다 상세하게 설명한다.

도 1을 참고하면, 본 발명의 일 실시형태에 따른, 인공지능(AI) 기반 홍수 예측 시스템(100)의 구성이 개략적으로 나타나 있다. 상기 인공지능 기반 홍수 예측 시스템(100)은 AI 데이터 학습 딥러닝 기술, AI 동영상 정보 처리 기술, AI 스틸 이미지 정보 처리 기술 및 AI 빅데이터 분석 기술을 이용하여, 하천에 설치된 수위표와 이 수위표를 감시하는 CCTV의 영상을 활용하여 홍수를 예측하도록 구성되어 있다. 상기 인공지능 기반 홍수 예측 시스템(100)은 CCTV 영상을 수신하는 수신부(도시되어 있지 않음), 상기 CCTV 영상에 기초하여 하천의 수위 데이터, 유속 데이터 및 유량 데이터를 수집하고 학습하는 AI 데이터 학습 딥러닝 모듈(110), 상기 CCTV 영상을 처리하는 AI 동영상 정보 처리 모듈(120), 상기 CCTV 영상에서 스틸 이미지를 포착하여 처리하는 AI 스틸 이미지 정보 처리 모듈(130), 그리고 상기 AI 스틸 이미지 정보 처리 모듈(130)의 처리 결과에 따라 홍수를 예측하는 AI 빅데이터 분석 모듈(140)을 포함하고 있다.

상기 AI 데이터 학습 딥러닝 모듈(110)은, 아래에 상세하게 설명되어 있는, 수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스(200)를 학습하고; 수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스(300)를 학습하고; 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스(400)를 딥러닝하고; 유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스(500)를 학습하고; 유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스(600)를 학습하고; 홍수 예측을 위해 수위 데이터를 예측하는 프로세스(700)를 학습하도록 구성되어 있다.

상기 AI 동영상 정보 처리 모듈(120)은, 아래에 상세하게 설명되어 있는, 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스(800)를 실행하도록 구성되어 있다.

상기 AI 스틸 이미지 정보 처리 모듈(130)은, 아래에 상세하게 설명되어 있는, 수위 이미지 정보를 처리하는 프로세스(900)를 실행하고; 유속 데이터를 계측하는 프로세스(100)를 실행하도록 구성되어 있다.

그리고, 상기 AI 빅데이터 분석 모듈(140)은, 아래에 상세하게 설명되어 있는, 홍수를 예측하는 프로세스(1100)를 실행하도록 구성되어 있다.

상기 인공지능 기반 홍수 예측 시스템(100)은 홍수 예측 결과에 따라서 홍수 경보를 발령하는 홍수 경보 발령 시스템(150)을 더 포함할 수 있다. 이러한 구성에 의하면, 홍수 예측과 경보 발령이 거의 동시에 이루어질 수 있으므로, 홍수에 대처할 수 있는 시간을 충분히 확보하여 홍수로 인한 피해를 최소화할 수 있다. 홍수 경보 발령 시스템(150)은 구체적인 하천 수위에 따라서 홍수 경보나 홍수 주의보 등을 알리도록 구성되어 있다. 홍수 경보 발령 시스템(150)이 홍수 경보나 홍수 주의보 등을 알리는 방식은, 하천 수위에 따라 청각적으로 경보음을 달리하여 발생시키거나 구체적인 음성으로 알리는 방식, 또는 시각적으로, 예를 들면, LED 표시등을 이용하여 문자로 알리는 방식, 또는 이 두 가지 방식을 동시에 사용하는 방식이 가능하다.

상기 인공지능 기반 홍수 예측 시스템(100)은 홍수 예측 결과에 따라서 하천 출입로를 차단하는 AI 기반 출입 차단기(160)를 더 포함할 수 있다. 이러한 구성에 의하면, 홍수 예측과 하천 출입로 차단이 거의 동시에 이루어질 수 있으므로, 홍수로 인한 인명 피해를 원천적으로 방지할 수 있다.

바람직하게는, 상기 홍수 경보 발령 시스템(150)이 상기 AI 기반 출입 차단기(160)에 통합되도록 구성될 수 있다. 이러한 구성에 의하면, 홍수 예측과 경보 발령 및 하천 출입로 차단이 거의 동시에 이루어질 수 있으므로, 홍수로 인한 물적/인적 피해를 최소화할 수 있을 뿐만 아니라, 구성의 간소화도 달성할 수 있다. 구체적으로는, AI 기반 출입 차단기(160)의 차단봉에 경보 알림 문자를 표시할 수 있는 LED 표시등을 설치하거나, AI 기반 출입 차단기(160)의 본체부의 일부에 경보 발령용 스피커를 부착하거나, 상기 두 가지 모두를 채용하는 것도 고려할 수 있다.

아래에서는, 도 2 내지 도 11을 참고하여, 본 발명의 인공지능 기반 홍수 예측 시스템 및 홍수 예측 방법에 있어서, ① AI 데이터 학습 딥러닝, ② AI 동영상 정보 처리, ③ AI 스틸 이미지 정보 처리 및 ④ AI 빅데이터 분석에 대해서 보다 상세하게 설명한다.

① AI 데이터 학습 딥러닝

도 2는 본 발명의 다른 실시형태에 따른, 인공지능(AI) 기술을 이용한 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스(200)를 학습하는 단계들을 나타내는 흐름도이다.

하나의 실시예에서, 상기 영상 전처리 프로세스(200)는, 다양한 종류의 수위표에 대한 스틸 이미지(예를 들면, CCTV 스냅샷 이미지)를 구해서 이를 공통 해상도 및 사이즈로 규격화하여 클래스 유형별 서브 폴더에 분류해서 저장하는 단계(S201)와, 클래스 유형별 서브 폴더의 이름을 해시키(hash key)로 하고 각각에 고유한 인덱스를 부여하여 해시 딕셔너리(dictionary)를 만드는 단계(S202)와, 이를 랜덤하게 부모 폴더로부터 서브 폴더를 재귀적으로(recursive) 탐색하면서 이미지 배열에 이미지 객체를 추가(append)하면서 동시에 라벨 배열에 라벨 객체를 추가하는 단계(S203)와, 전체 이미지 및 라벨 배열에서 학습용과 테스트용을 랜덤하게 분리(split) 하는 단계(S204)와 이미지의 픽셀(Pixel) 값을 0~1 사이의 범위로 조정하는 단계(S205)와, 라벨을 원-핫 인코딩(One-Hot Encoding) 방식으로 문자를 숫자 인덱스로 바꾸는 단계(S206)와, 학습률(Learning Rate)과 에포크(Epochs), 배치 갯수(Number Of Batch) 및 총 클래스(Class) 수 등 하이퍼-파라미터(Hyper-parameters)를 설정하는 단계(S207)와, 학습용 데이터 세트와 테스트용 데이터 세트를 구성하는 단계(S208)와, 시퀀셜 API(Sequential API)를 사용하여 모델을 구성한 후 이를 생성하는 단계(S209)와, 생성된 모델을 컴파일하는 단계(S210)와, 컴파일한 모델을 요약(summary)하는 단계(S211)와, 설정된 에포크(Epoch) 만큼 학습을 수행하는 단계(S212)와, 학습 결과를 평가하는 단계(S213)를 포함하고 있다.

- 아울러, 평가 결과는 플롯(plot) 등의 시각적 그래프로 확인할 수 있으며, 훈련용 데이터 세트와 테스트용 데이터 세트가 아닌 완전히 새로운 CCTV 수위표 이미지로 예측하여 정상 판정 여부를 시각적으로 판단할 수 있는 단계(S214)를 포함할 수 있으며,

- 만약 특정 CCTV에서 전송되는 이미지의 수위표 유형이 결정된 데이터로서 100% 확실성을 가지고 수위 예측 AI 엔진에 파라미터로서 제공된다면, 수위표의 유형이 어떤 유형인지 자동으로 파악하는 상기 훈련에 의한 가중치(Weight)를 사용하지 않고 제공된 수위표 유형 파라미터를 사용하여, 수위 예측 AI 엔진에서 활용할 수 있다.

도 3은, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스(300)를 학습하는 단계들을 나타내는 흐름도이다.

하나의 실시예에서, 상기 수면 위치를 정확하게 추적하는 프로세스(300)는, 각종 다양한 기상 조건과 조명, 수면파형 조건을 포함한 CCTV 영상으로부터 추출된 수위표를 포함한 스틸 이미지(예를 들면, CCTV 스냅샷 이미지)를 수집하는 단계(S301)와, 수집된 이미지 내의 수면 위치를 사람이 판별하여 마스크 마킹(Mask marking)하는 단계(S302)와, 마킹한 이미지의 경로를 학습용 텍스트 파일(txt file)과 유효성 검증 텍스트 파일로 랜덤하게 분리하는 단계(S303)와, 상기 텍스트 파일과 클래스 수 및 객체(Object)의 명칭, 그리고 가중치 결과를 저장할 폴더를 지정한 설정 파일을 구성하는 단계(S304)와, 고속 수면 탐색 학습을 위해 클러스터(Cluster)의 갯수를 지정한 후, 앵커연산(Calculate Anchors)을 통해 다양한 크기의 객체 앵커(Object Anchors)를 도출하는 단계(S305)와, 도출된 앵커(Anchors) 및 배치 갯수, 서브 디비전(Sub Division), 스텝수, 필터 갯수, 클래스 갯수 등의 정보를 구성파일에 반영하여 설정하는 단계(S306)와, 설정된 구성 파일들과 기본 가중치(Weight) 파일을 파라미터로 하여 AI 엔진을 통해 딥러닝을 수행하는 단계(S307)와, 학습 결과를 평가하는 단계(S308)를 포함하고 있다.

상기 수면 위치를 정확하게 추적하는 프로세스(300)를 수행하는 과정에서 평균 손실(Average Loss)이 잘 줄어들지 않는 것은 부족한 데이터 세트 갯수와 적절한 마스크 마킹(Mask marking) 작업이 이루어지지 않은 것과, 저성능의 GPU를 장착한 AI 서버의 사용으로 인한 것으로, 이들 문제를 해결하면 평균 손실이 줄어들고 높은 mAP(mean Average Precision)를 달성할 수 있다.

도 4는, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스(400)를 딥러닝하는 단계들을 나타내는 흐름도이다.

하나의 실시예에서, 상기 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스(400)는, 각종 다양한 기상조건과 조명, 수면파형 조건을 포함한 CCTV 영상으로부터 추출된 수위표를 포함한 스틸 이미지(예를 들면, CCTV 스냅샷 이미지)를 수집하는 단계(S401)와, 수집된 이미지 내의 미터(m) 또는 센티미터(cm) 숫자 위치를 사람이 판별하여 마스크 마킹하는 단계(S402)와, 마킹한 이미지의 경로를 학습용 텍스트 파일과 유효성 검증 텍스트 파일로 랜덤하게 분리하는 단계(S403)와, 상기 텍스트 파일과 클래스 수 및 객체(Object)의 명칭, 그리고 가중치 결과를 저장할 폴더를 지정한 설정 파일을 구성하는 단계(S404)와, 고속으로 미터(m) 또는 센티미터(cm) 숫자 탐색 학습을 위해 클러스터(Cluster)의 갯수를 지정한 후, 앵커연산(Calculate Anchors)을 통해 다양한 크기의 객체 앵커(Object Anchors)를 도출하는 단계(S405)와, 도출된 앵커(Anchors) 및 마킹한 미터(m) 또는 센티미터(cm)의 클래스 갯수와 상관관계를 가지는 배치 갯수, 서브 디비전(Sub Division), 스텝수, 필터 갯수 및 마킹한 미터(m) 또는 센티미터(cm)의 갯수와 일치하는 클래스 갯수 등의 정보를 구성파일에 반영하여 설정하는 단계(S406)와, 설정된 구성 파일들과 기본 가중치 파일을 파라미터로 하여 AI 엔진을 통해 딥러닝을 수행하는 단계(S407)와, 학습 결과를 평가하는 단계(S408)를 포함하고 있다.

상기 마스크 마킹하는 단계(S402)에서, 수집된 이미지 내의 미터(m) 숫자 위치를 사람이 판별하여 마스크 마킹하는 경우에는, 미터(m)의 숫자를 미터 눈금과 포함하여 마스크 마킹함으로써 일반 눈금과 cm 숫자와 구별되는 고유한 영역으로 마스크 마킹하고, 한 이미지 내에 존재하는 모든 미터(m) 숫자 영역을 누락없이 마킹하고, 최대한 많은 미터(m) 숫자 영역을 마킹하여 딥러닝을 수행함으로써 미터(m)에 대해 높은 mAP의 인식율을 달성할 수 있다.

상기 마스크 마킹하는 단계(S402)에서, 수집된 이미지 내의 센티미터(cm) 숫자 위치를 사람이 판별하여 마스크 마킹하는 경우에는, 미터(m)의 숫자와 미터 눈금 및 일반 눈금을 제외하고 cm를 특정하는 숫자만으로 구별되는 고유한 영역으로 마스크 마킹하고, 한 이미지 내에 존재하는 모든 센티미터(cm) 숫자 영역을 누락없이 마킹하고, 최대한 많은 센터미터(cm) 숫자 영역을 마킹하여 딥러닝을 수행함으로써 센티미터(cm)에 대해 높은 mAP의 인식율을 달성할 수 있다.

도 5는, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스(500)를 학습하는 단계들을 나타내는 흐름도이다.

하나의 실시예에서, 상기 관심 영역의 수위표 폭을 인식하는 프로세스(500)는, 전자파 표면 유속계 등을 사용하여 계측된 유속값을 참값으로 하여 각종 다양한 기상조건과 조명, 수면파형 조건을 포함한 CCTV 영상으로부터 추출된 수위표를 포함한 스틸 이미지(예를 들면, CCTV 스냅샷 이미지)를 수집하는 단계(S501)와, 수집된 이미지 내의 수위표 위치를 사람이 판별하여 마스크 마킹하는 단계(S502)와, 마킹한 이미지의 경로를 학습용 텍스트 파일과 유효성 검증 텍스트 파일로 랜덤하게 분리하는 단계(S503)와, 상기 텍스트 파일과 클래스 수 및 객체(Object)의 명칭, 그리고 가중치 결과를 저장할 폴더를 지정한 설정 파일을 구성하는 단계(S504)와, 고속으로 수위표의 탐색 학습을 위해 클러스터(Cluster)의 갯수를 지정한 후, 앵커연산(Calculate Anchors)을 통해 다양한 크기의 객체 앵커(Object Anchors)를 도출하는 단계(S505)와, 도출된 앵커(Anchors) 및 마킹한 수위표의 클래스 갯수와 상관관계를 가지는 배치 갯수, 서브 디비전(Sub Division), 스텝수, 필터 갯수 및 마킹한 수위표의 갯수와 일치하는 클래스 갯수 등의 정보를 구성파일에 반영하여 설정하는 단계(S506)와, 설정된 구성 파일들과 기본 가중치 파일을 파라미터로 하여 AI 엔진을 통해 딥러닝을 수행하는 단계(S507)와, 학습 결과를 평가하는 단계(S508)로 이루어진다.

이때 수위표는 30cm, 50cm, 100cm 등의 표준 수위표를 사용하는 것이 바람직하다.

만약, 해당 수위표가 설치되지 않았거나, 추후 설치되기 어려운 위치에서는 70cm, 100cm 등의 표준 맨홀(Manhole)을 수위표로 활용하여 학습하는 것이 바람직하다.

만약, 표준 크기의 수위표나, 맨홀 또는 기타 구조물이 없는 경우는 주변 구조물을 실측하여 활용하는 것이 바람직하나, 이 경우 인공지능에 의한 계측은 실측한 위치만 가능하다.

표준 크기의 구조물은 그 종류와 크기를 데이터베이스(DB)화하여 기준 수위표로 활용하는 것이 바람직하다.

도 6은, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스(600)를 학습하는 단계들을 나타내는 흐름도이다.

하나의 실시예에서, 유량을 정확하게 측정하는 프로세스(600)는 유량 데이터 계측을 위해 가급적 물이 거의 없는 갈수기에 촬영한 스틸 이미지에서 하천 횡단면을 10구간으로 분할하는 단계(601)(딥러닝 서버 성능에 따라 더 세분화 가능)와, 존재할 수 있는 다양한 하천 단면을 A/B/C/D... 등으로 구분하여 라벨링하는 단계(602)와, 시계열로 측정된 수위 및 유속별 단면 유형을 실제 측정한 유량을 참값으로 비교하여 딥러닝하는 단계(603)와, 85% 이상의 mAP 도출시까지 딥러닝을 수행하여 단면 유형을 판정하는 단계(604)와, 가중치 파일을 생성하는 단계(605)를 포함하고 있다.

도 7은, 상기 홍수 예측 방법에 있어서, AI 데이터 학습 딥러닝 기술을 이용하여, 홍수 예측을 위한 수위 데이터를 예측하는 프로세스(700)를 학습하는 단계들을 나타내는 흐름도이다.

하나의 실시예에서, 홍수 예측을 위한 빅데이터 분석 기술은 먼저 현재 시점부터 1분, 10분, 30분, 60분 이후의 미래 시점에서 홍수 발생 가능성을 예측하는 딥러닝을 수행하는 단계로서, 특정 시간 간격의 수위 데이터 파일을 준비하는 단계(S701)와, 수위 데이터 파일을 읽어들이는 단계(S702)와, 읽어들인 데이터를 훈련용 데이터와 테스트용 데이터를 분리하는 단계(S703)와, 이를 훈련용 텐서(tensor)와 테스트용 텐서로 만드는 단계(S704)와, 생성된 훈련용 텐서와 테스트용 텐서의 형상(shape)을 일치시키는 단계(S705)와, 학습률(Learning Rate)과 에포크(Epochs), 층의 갯수(Number Of Layer) 및 입력 사이즈(Input Size), 히든 사이즈(Hidden Size) 등 하이퍼-파라미터를 설정하는 단계(S706)와, 이들 하이퍼-파라미터를 이용하여 LSTM 네트워크를 구성하는 단계(S707)와, 설정된 에포크(Epoch)만큼 학습을 수행하는 단계(S708)와, 학습 결과를 평가하는 단계(S709)를 포함하고 있다.

② AI 동영상 정보 처리

이상과 같은 딥러닝에 의해 생성된 가중치는 실제 실시간 홍수 관측시에 AI 동영상 정보 처리 기술을 이용하여 다음과 같은 단계에 따라 활용된다.

도 8은, 상기 홍수 예측 방법에 있어서, AI 동영상 정보 처리 기술을 이용하여, 수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스(800)를 나타내는 흐름도이다.

하나의 실시예에서, 상기 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스(800)는, CCTV 카메라의 이동 위치를 설정하고, 이동 위치에 따른 카메라의 자세(좌우 이동, 상하 이동, 확대, 초점맞춤), 관심 영역 초기 설정을 설정하고 저장하는 초기 설정 단계(S801)와, 전체 영상에서 관심 영역이 AI 스틸 이미지 처리 기술에서 해석 가능한 범위를 벗어나지 않도록 추적하는 단계(S802)와, 특정 시점에서 영상 내 프레임(frame)에서 스틸 이미지를 포착하는 단계(S803)와, 수위표 유형 정보가 있는지 판단하는 단계(S804)와, 수위표 유형 정보가 없을시 AI 모듈로 이미지를 전송하여 수위표의 유형이 어떤 유형인지 파악하는 단계(S805)와, AI 수위 이미지 처리 모듈로 포착한 이미지와 수위표 유형 정보를 전송하는 단계(S806)와, AI 수위 이미지 처리 모듈을 통해 도출된 수위 참조값들을 전달받는 단계(S807)와, 이를 이용해 산출한 수위값을 도출하는 단계(S808)와, 실제 영상에 산출 수위값을 합성(Merge)하여 최종적으로 연속 영상에 표출하는 단계(S809)로 이루어진다.

마찬가지로, 유속 영상 처리 기술에 있어서는, CCTV 카메라의 이동 위치를 설정하고, 이동 위치에 따른 카메라의 자세(좌우 이동, 상하 이동, 확대, 초점맞춤), 관심 영역 초기 설정을 설정하고 저장하는 초기 설정 단계와, 특정 시점에서 영상 내 프레임에서 스틸 이미지를 포착하는 단계와, 오프셋(offset) 시점에서 영상 내 프레임에서 스틸 이미지를 포착하는 단계와, AI 유속 이미지 처리 모듈로 포착한 스틸 이미지를 전송하는 단계와, AI 유속 이미지 처리 모듈을 통해 도출된 유속 참조값들을 전달받는 단계와, 이를 이용해 실제 영상과 유속정보를 동일 이미지로 합성하여 새로운 영상으로 변환하는 단계를 거쳐 최종적으로 합성 이미지를 영상 내에 삽입하여 연속 표출하는 단계로 이루어진다.

마찬가지로, 유량 영상 처리 기술에 있어서는, CCTV 카메라의 이동 위치를 설정하고, 이동 위치에 따른 카메라의 자세(좌우 이동, 상하 이동, 확대, 초점맞춤), 관심 영역 초기 설정을 설정하고 저장하는 초기 설정 단계와, 특정 시점에서 영상 내 프레임에서 스틸 이미지를 포착하는 단계와, 해당 위치의 하천 유형 파악을 위한 딥러닝을 통해 판정된 단면 유형을 불러오는 단계와, 최고 수위시 하천 횡단거리를 전달받는 단계와, 현재 수위를 전달받는 단계와, 현재 수위시 하천 횡단거리를 계산하는 단계와, 단면 유형에 현재 수위 이하의 단면적을 계산하는 단계와, 이를 이용해 현재 유속과 단면적을 곱하여 유량을 산출하는 단계와, 실제 영상과 산출된 유량 정보를 동일 이미지로 합성하여 새로운 영상으로 변환하는 단계를 거쳐 최종적으로 합성 이미지를 영상 내에 삽입하여 연속 표출하는 단계로 이루어진다.

합성 이미지는 수위와 유속과 유량을 다 같이 합성하여 표시하는 것이 바람직하다.

③ AI 스틸 이미지 정보 처리

AI 스틸 이미지 정보 처리 기술은 상기 수위, 유속의 2종 데이터에 대한 AI 동영상 정보 처리 기술에 의해 포착된 스틸 이미지를 받아 수위, 유속을 판정하기 위한 다음과 같은 프로세스로 이루어진다.

도 9는, 상기 홍수 예측 방법에 있어서, AI 스틸 이미지 정보 처리 기술을 이용하여 수위 이미지 정보를 처리하는 프로세스(900)를 나타내는 흐름도이다.

먼저, 상기 수위 이미지 정보를 처리하는 프로세스(900)는 고성능 AI GPU 서버에서 미리 트레이닝한 가중치로 수위 계측 모델을 준비하여 입력을 대기중인 단계(S901)와, 수위 영상 처리의 AI 기반 수위 계측 과정에서 캡쳐한 스틸 이미지를 수위 계측을 위해 고성능 AI GPU 서버에 업로드하는 단계(S902)와, 이를 전송받아 먼저 각종 다양한 기상조건과 CCTV 조명, 수면파형 조건에서도 수면 위치를 정확하게 추적하는 단계(S903)와, 관심 영역의 수위표 내의 각종 숫자를 인식하는 단계(S904)와 이를 종합하여 참조값 등을 도출하는 단계(S905)와, 스틸 이미지를 서버에 업로드한 클라이언트에 JSON 등으로 데이터 세트로 정확히 회신하는 단계(S906)와, 회신받은 JSON 등의 데이터 세트를 파싱(parsing)하여, 다시 클라이언트 프로그램 내의 영상 정보 표시 모듈에 전달하는 단계(S907)와, 전달받은 수위 픽셀(pixel) 및 기타 참조 변수 값으로 영상 내의 특정 프레임의 이미지를 선정하는 단계(S908)와, 그 프레임 내의 특정 위치에 수위 위치를 수평선으로 표시하는 단계(S909)와, 수위 미터(m) 수치값을 화면상 특정 위치에 표시하는 단계(S910)를 거쳐 정확한 수위를 시각적으로 즉시 판별할 수 있도록 어플리케이션을 통해 표시하는 단계(S911)들로 이루어진다.

상기 AI 수위 이미지 처리 모듈에서 참조값들은 수면위치, 미터, 센티미터 및 각각의 바운딩 박스 정보(x, y, Width, Height), 각 숫자와 눈금간의 간격 값들로 이루어지며, 이를 이용해 정확한 수위값을 도출하는 방법은 다음과 같이 이루어진다.

먼저, 수면의 위치와 미터 숫자들의 위치와 센티미터 숫자의 위치들을 검출하는 AI 모듈을 호출한 다음 그 결과 추출된 각각의 바운딩 박스 정보를 순서대로 배열로 저장하는 단계와, 다음 수면 객체의 바운딩 박스 정보를 추출하는 단계와, 추출한 수면 바운딩 박스로부터 y 좌표를 획득하는 단계와, 미터 숫자들의 바운딩 박스 중에서 수면 아래의 바운딩 박스는 버리고 수면 위의 바운딩 박스만 유효한 것으로 판단하는 단계와, 유효한 미터 바운딩 박스 중에 수면과 y 좌표값이 가장 가까운 바운딩 박스를 선택하는 단계와, 그 바운딩 박스의 미터를 현재 수위의 미터값으로 설정하는 단계와, 센티미터 숫자들 중에 9의 바운딩 박스 위치들을 검출하는 단계와, 9 숫자의 바운딩 박스들의 y 값들 중에 상기 단계로 결정된 수면 바운딩 박스의 y 값보다 작으면서 다른 9 숫자의 바운딩 박스들의 y 값보다 큰 바운딩 박스를 선정하는 단계로 이루어진다.

이때 x, y 값은 바운딩 박스의 중점 좌표이며, 화면 기준으로 좌측 상단이 (0, 0)이며 우측 하단으로 갈수록 커지는 좌표계를 기준으로 설명한 것이며, 만약 좌표계가 반대로 되어 있는 경우는 작다는 표현은 크다는 것으로 이해하여야 한다.

9 숫자의 바운딩 박스들이 검출된 경우, 검출된 9 숫자 바운딩 박스의 높이 픽셀 값을 실제 cm높이로 나눈 다음 10을 곱하여 화면상에서 10cm의 픽셀 값을 산출하는 단계와, 상기 과정을 거쳐 도출된 수면 바운딩 박스의 Y 값과 숫자 바운딩 박스의 Y 값과의 차를 구하여 Gap에 해당하는 px 수치를 도출하는 단계와, pxGap을 10cm의 픽셀 값으로 나눈 다음 10을 곱하여 실제 수면에서 검출된 9 숫자의 중점까지의 cm 값(cmDivided10Cm)을 산출하는 단계와, 마지막으로 아래의 식(1)과 같이 계산하여 소숫점 단위의 cm 수위(dblCmLevel)를 산출하는 단계로 이루어진다.

dblCmLevel = 100 * meter + cm9pos - cmDivided10Cm ...(1)

상기 식(1)에서, meter 숫자는 수위 수위표의 유형에 따라 인공지능이 인식한 meter 숫자에서 -1을 하여야 하는 수위표가 있고, 그대로 사용하여야 하는 수위표가 있으므로, 수위표의 유형에 따라 자동으로 meter 숫자를 차감 또는 그대로 적용하는 것이 바람직하다. 가령, 1 meter 눈금 바로 밑에 0 이라고 표시된 수위표의 경우 인공지능이 0m로 인식하므로 0을 그대로 meter 숫자로 인식하여야 위의 식(1)에 의해 cm 수위를 산출할 수 있고, 1 meter 눈금 바로 밑에 1이라고 표시된 수위표의 경우, 인공지능이 1m로 인식하므로 이 경우 -1을 한 값을 meter 값으로 인식하여 위의 식(1)에 의해 cm 수위를 산출할 수 있다.

또한, cm9pos는 수위표의 미터 눈금으로부터 9 숫자의 바운딩 박스 y 값의 차에 해당하는 cm 값으로서, 수위표의 유형에 따라 9 숫자 상단의 meter 눈금으로부터 떨어진 9 숫자의 중점 cm 값이 다를 수 있으므로 이 값을 실측하여 적용하는 것이 바람직하다.

또한, 선정된 9 숫자들의 바운딩 박스의 y 값이 0보다 작은 경우는 9가 검출되지 않은 경우이므로 그 다음에는 8 숫자들의 바운딩 박스를 탐색하고, 8 숫자들이 검출되지 않은 경우 똑같이 7부터 0까지 숫자들을 순차적으로 탐색하여 위와 같은 단계를 거쳐 수위를 산출하여야 한다.

도 10은, 상기 홍수 예측 방법에 있어서, AI 스틸 이미지 정보 처리 기술을 이용하여 유속 데이터를 계측하는 프로세스(1000)를 나타내는 흐름도이다.

하나의 실시예에서, 상기 유속 데이터를 계측하는 프로세스(1000)는, 먼저 하천 내에 수위표가 같은 영상 내에서 포함된 상태로 적어도 30fps이상의 속도로 스트리밍 전송되는 영상에서 추출한 연속된 2장의 스틸 이미지(통신이 열악한 환경에서는, 최소 0.05 초 이하의 시간 간격을 가지는 2장의 연속 스틸 이미지)를 바탕으로 미리 설정된 탐색창(Interrogation Window)의 바운딩 박스내에서 고속 푸리에 변환(FFT) 기술을 사용하여 얻어지는 정규화된 2D 상관 신호(correlation signal)로부터 피크(Peak) 위치와 크기 및 방향 값으로 특정되는 속도장(velocity field)을 나타내는 복수의 벡터 바운딩 박스 값(x, y, u, v, mask)을 산출하는 단계(S1001)와, 복수의 벡터 바운딩 박스 정보들 중 수평 변위에 해당하는 u 값(단위는 pixel)들에서 이상치(Outlier)의 범위를 산출하는 단계(S1002)와, 딥러닝에 의해 탐색된 표준 수위표 폭의 스틸 이미지상 픽셀(pixel) 값을 산출하는 단계(S1003)와, 이상치(Outlier)를 제거한 u 값들만을 적용하여 아래 식(2)에 따라 최종적인 평균 유속을 계측하는 단계(S1004)로 이루어진다.

...(2)

상기 식(2)에서,

v = 평균유속(m/s)

Ui = 두 연속 스틸 이미지간의 피크의 수평변위 (px)

Wp = 수위표 폭(px)

Wc = 수위표 폭(cm)

dt = 두 연속 스틸 이미지간의 시간 간격(sec)

i = 바운딩 박스의 인덱스로서 이상치( Outlier )는 제외

④ AI 빅데이터 분석

도 11은, 상기 홍수 예측 방법에 있어서, AI 빅데이터 분석 기술을 이용하여 홍수를 예측하는 프로세스(1100)를 나타내는 흐름도이다.

하나의 실시예에서, 상기 홍수를 예측하는 프로세스(1100)는, 먼저 상기 수위 계측 기술에 의해 계측된 수위를 저장하는 단계(S1101)와, 저장된 수위의 시작점부터 홍수 예측을 하고 싶은 시점(통상 현재)까지의 수위 데이터를 추출하여 AI 빅데이터 분석 모듈에 전송하는 단계(S1102)와, AI 빅데이터 분석 모듈에서 이를 입력 데이터로 활용하여 홍수 예측을 하고 싶은 시점(통상 현재) 이후부터 각각 1분, 10분, 30분, 60분 이후의 미래 수위를 예측하는 단계(S1103)와, 예측 수위가 홍수 주의보 수위 이상인 경우 홍수 주의보를 발령하는 단계(S1104)와, 예측 수위가 홍수 경보 수위 이상인 경우 홍수 경보를 발령하는 단계(S1105)와, 예측 수위가 홍수 경보 수위 미만인 경우 홍수 경보를 해제하는 단계(S1106)와, 예측 수위가 홍수 주의보 수위 미만인 경우 홍수 주의보를 해제하는 단계(S1107)로 이루어진다.

또한, 홍수 예측 또는 계측 수위가 홍수 경보 이상인 경우, 하천에 대한 출입차단기를 작동시켜 차단 동작을 실행시키는 것이 바람직하다.

또한, 홍수 예측 또는 계측 수위가 홍수 경보 이상이었다가 홍수 경보 미만으로 떨어진 경우, 하천에 대한 출입 차단기를 작동시켜 개방 동작을 실행시키는 것이 바람직하다.

상기한 바와 같이, 본 발명의 바람직한 실시예를 첨부된 도면을 참조하여 설명하였지만, 해당 기술 분야의 당업자는 하기의 청구범위에 기재된 본 발명의 기술사상 및 범위로부터 벗어나지 않는 범위 내에서, 본 발명을 다양하게 수정하거나 변경할 수 있다는 것을 알 수 있을 것이다.

이상과 같은 AI 기반의 홍수 예측 시스템은 인간의 판단과 개입이 필수적인 압축 데이터 기반의 의사결정 시스템의 문제점인 데이터 요약으로 인한 오판의 가능성을 최소화하여 원본 빅데이터에 포함된 의미, 관계, 패턴들을 전체적으로 고려하는 AI에 의한 홍수 예측 및 경보 발령 시스템에 적용할 수 있으며, 이와 아울러 상기 AI 기반의 홍수 예측 시스템과 연동하는 AI 기반 출입 차단기를 하천 출입로에 설치함으로써 효과적으로 시민의 안전을 보장할 수 있다.

다시 말해서, 본 발명에 의하면, 하천의 상황을 상시적으로 감시하면서 인간의 판단과 개입없이 홍수 발생을 신속하고 신뢰성있게 예측할 수 있음은 물론이고, 예측 결과에 따라 홍수 경보 발령 및 하천 출입로 차단과 같은 신속한 대응이 가능하다.

100 인공지능(AI) 기반 홍수 예측 시스템
110 AI 데이터 학습 딥러닝 모듈
120 AI 동영상 정보 처리 모듈
130 AI 스틸 이미지 정보 처리 모듈
140 AI 빅데이터 분석 모듈
150 홍수 경보 발령 시스템
160 AI 기반 출입 차단기

Claims

하천에 설치된 수위표와 이 수위표를 감시하는 CCTV를 활용하여 홍수를 예측하는 인공지능(AI) 기반 홍수 예측 시스템으로서,
상기 CCTV의 영상을 수신하는 수신부;
상기 CCTV 영상에 기초하여 하천의 수위 데이터, 유속 데이터 및 유량 데이터를 수집하고 학습하는 AI 데이터 학습 딥러닝 모듈;
상기 CCTV 영상을 처리하는 AI 동영상 정보 처리 모듈;
상기 CCTV 영상에서 스틸 이미지를 포착하여 처리하는 AI 스틸 이미지 정보 처리 모듈; 및
상기 AI 스틸 이미지 정보 처리 모듈의 처리 결과에 따라 홍수를 예측하는 AI 빅데이터 분석 모듈;
을 포함하고 있고,
상기 AI 데이터 학습 딥러닝 모듈은
수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스를 학습하고;
수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스를 학습하고;
수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스를 딥러닝하고;
유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스를 학습하고;
유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스를 학습하고;
홍수 예측을 위해 수위 데이터를 예측하는 프로세스를 학습하도록 구성되어 있고,
상기 AI 동영상 정보 처리 모듈은
수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스를 실행하도록 구성되어 있고;
상기 AI 스틸 이미지 정보 처리 모듈은
수위 이미지 정보를 처리하는 프로세스를 실행하고;
유속 데이터를 계측하는 프로세스를 실행하도록 구성되어 있고, 그리고
상기 AI 빅데이터 분석 모듈은
홍수를 예측하는 프로세스를 실행하도록 구성되어 있는
것을 특징으로 하는 인공지능 기반 홍수 예측 시스템.
제1항에 있어서,
홍수 예측 결과에 따라서 홍수 경보를 발령하는 홍수 경보 발령 시스템; 및
홍수 예측 결과에 따라서 하천 출입로를 차단하는 AI 기반 출입 차단기;
를 더 포함하는 것을 특징으로 하는 인공지능 기반 홍수 예측 시스템.
제2항에 있어서, 상기 홍수 경보 발령 시스템이 상기 AI 기반 출입 차단기에 통합되어 있는 것을 특징으로 하는 인공지능 기반 홍수 예측 시스템.
제1항 내지 제3항 중 어느 한 항에 따른 인공지능 기반 홍수 예측 시스템을 이용하여 홍수를 예측하는 홍수 예측 방법으로서,
수위 데이터 계측을 위해 상기 CCTV 영상에서 수위표의 유형이 어떤 유형인지 자동으로 파악하는 영상 전처리 프로세스를 학습하는 단계;
수위 데이터 계측을 위해 상기 CCTV 영상에서 수면 위치를 정확하게 추적하는 프로세스를 학습하는 단계;
수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하는 프로세스를 딥러닝하는 단계;
유속 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 폭을 인식하는 프로세스를 학습하는 단계;
유량 데이터 계측을 위해 다양한 하천 단면을 적용하여 단면 유형을 결정하는 프로세스를 학습하는 단계;
홍수 예측을 위해 수위 데이터를 예측하는 프로세스를 학습하는 단계;
수위 데이터 계측을 위해 상기 CCTV 영상에서 관심 영역의 수위표 내의 각종 숫자를 인식하여 표출하는 프로세스를 실행하는 단계;
수위 이미지 정보를 처리하는 프로세스를 실행하는 단계;
유속 데이터를 계측하는 프로세스를 실행하는 단계; 그리고
홍수를 예측하는 프로세스를 실행하는 단계;
를 포함하는 것을 특징으로 하는 홍수 예측 방법.