기존의 단일 센서를 이용한 도로 침수 시스템은 수위가 특정 수치에 도달할 때 경보를 주는 방식으로 도로침수 판단 및 초동대처가 어렵다. 따라서 본 논문에서는 CCTV를 이용한 실시간 도로 침수 시스템 개발을 위해 CNN 기반의 사전 학습모델 8개를 선정 및 구현, 학습 및 검증을 통해 성능을 비교하였다. 모델별로 batchsize 16, 120 epoch로 학습하였고, 실험 결과 딥러닝 학습모델들이 평균적으로 90%의 정확도를 보였다. 특히 정확도 측면에서는 ShuffleNet V1, SqueezeNet, ResNet-50 모델 순으로 성능이 우수하였다. 그러나 실시간 도로 침수 탐지와 예측을 위해서는 모델별 적정한 파리미터 수와 짧은 추론 시간이 요구되는 바, CCTV 한대당 10초에 1번씩 분석된다고 가정했을 때 ResNet-50 학습모델이 800대까지 수용할 수 있는 것으로 분석되었다.

Existing road flooding systems using a single sensor give an alarm when the water level reaches a certain value, making it difficult to determine road flooding and take first action. Therefore, in this paper, 8 models based on CNN were implemented to develop a real-time road flooding system using CCTV, and their performance was compared through learning and verification. Each learning model was trained with a batch size of 16 and 120 epochs, and as a result of the experiment, the deep learning models showed an average accuracy of 90%. In particular, in terms of accuracy, the ShuffleNet V1, SqueezeNet, and ResNet-50 models performed best in order. However, for real-time road flood detection and prediction, an appropriate number of parameters and short inference time are required for each model. Assuming that each CCTV is analyzed once every 10 seconds, it was analyzed that the ResNet-50 model could accommodate up to 800 CCTVs.