[논문]지반의 불균질성을 고려한 GPR 신호의 자동탐지모델 성능 비교

이상연; 송기일; 강경남; 류희환

doi:10.9711/ktaj.2022.24.4.341

지반의 불균질성을 고려한 GPR 신호의 자동탐지모델 성능 비교
Comparison of performance of automatic detection model of GPR signal considering the heterogeneous ground 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.24 no.4, 2022년, pp.341 - 353

이상연 (인하대학교 토목공학과) , 송기일 (인하대학교 토목공학과) , 강경남 (인하대학교 건설환경시스템연구소) , 류희환 (한국전력공사 전력연구원 구조내진연구실)

초록
AI-Helper

도심지에는 많은 지중 매설관이 설치되어 있으며, 이러한 지중 관로의 위치(깊이, 방향 등)은 굴착을 수행하기 전에 특정되어야 한다. 지중 매설관을 탐지하기 위해 다양한 지구물리학적인 방법을 사용할 수 있으나, 지반의 불균질성으로 인해 정확한 위치정보를 파악하는 것은 어렵다. 다양한 비파괴 탐사 방법 중 GPR (ground penetrating radar)는 고속으로 실험이 가능하며, 다른 탐사 방법에 비해 상대적으로 저렴한 탐사비용 등의 장점을 갖는다. 그러나 GPR의 탐사 데이터는 해석이 직관적이지 않아 상당한 전문적 지식이 요구된다. 최근 딥러닝을 이용한 탐사 데이터의 자동판독 기술에 대한 연구가 증가하고 있으나, 매설물의 위치를 정확히 알고 있는 탐사 데이터가 부족하여 학습모델 구축에 어려움이 있다. 이를 해결하기 위해 본 연구에서는 이러한 문제를 FDTD (finite difference time domain)수치해석을 통해 해결하고 자동탐지 학습 모델의 성능을 향상시키기 위한 기초연구를 수행하였다. 첫째, 단일유전율로 구성된 균질지반을 구성하고 해석을 수행하였다. 불균질 지반의 경우 프랙탈 기법을 이용하여 모델을 구성하고 해석을 수행하였다. 둘째, 합성곱 신경망을 이용하여 딥러닝 학습을 수행하였다. Model-A는 균질 지반 해석 데이터만 이용하여 학습을 수행하였으며, Model-B는 균질 및 불균질 지반 해석 데이터를 이용하여 학습을 수행하였다. 그 결과 Model-B가 Model-A보다 탐지성능이 우수한 것을 확인하였다. 이는 자동탐지 모델의 학습 시, 지반의 불균질성을 포함하여 학습을 수행하면 탐지 모델의 성능이 개선됨을 의미한다.

Abstract ▼ AI-Helper

Pipelines are buried in urban area, and the position (depth and orientation) of buried pipeline should be clearly identified before ground excavation. Although various geophysical methods can be used to detect the buried pipeline, it is not easy to identify the exact information of pipeline due to heterogeneous ground condition. Among various non-destructive geo-exploration methods, ground penetration radar (GPR) can explore the ground subsurface rapidly with relatively low cost compared to other exploration methods. However, the exploration data obtained from GPR requires considerable experiences because interpretation is not intuitive. Recently, researches on automated detection technology for GPR data using deep learning have been conducted. However, the lack of GPR data which is essential for training makes it difficult to build up the reliable detection model. To overcome this problem, we conducted a preliminary study to improve the performance of the detection model using finite difference time domain (FDTD)-based numerical analysis. Firstly, numerical analysis was performed with homogeneous soil media having single permittivity. In case of heterogeneous ground, numerical analysis was performed considering the ground heterogeneity using fractal technique. Secondly, deep learning was carried out using convolutional neural network. Detection Model-A is trained with data set obtained from homogeneous ground. And, detection Model-B is trained with data set obtained from homogeneous ground and heterogeneous ground. As a result, it is found that the detection Model-B which is trained including heterogeneous ground shows better performance than detection Model-A. It indicates the ground heterogeneity should be considered to increase the performance of automated detection model for GPR exploration.

주제어

표/그림 (13)

그림 Fig. 1. Single FDTD Yee cell (Warren and Giannopoulos, 2022)
표 Table 1. Input parameters about homogeneous soil
그림 Fig. 2. Flowchart for this research
표 Table 2. Input parameters about heterogeneous soil
그림 Fig. 3. FDTD analysis model and result
그림 Fig. 4. YOLO v4 structure (Bochkovskiy et al., 2020)
그림 Fig. 5. Labeled data and batch image of homogeneous model
그림 Fig. 6. Box and object loss about train and validation result (homogeneous)
그림 Fig. 7. Signal detection result using homogeneous soil training model
그림 Fig. 8. Box and object loss about train and validation result (homogeneous and heterogeneous)
그림 Fig. 9. Signal detection result using training model including heterogeneous soil
그림 Fig. 10. Signal detection results according to the training model in large water content range
그림 Fig. 11. PR curve and mAP@0.5

참고문헌 (18)

Al-Nuaimy, W., Huang, Y., Nakhkash, M., Fang, M.T.C., Nguyen, V.T., Eriksen, A. (2000), "Automatic detection of buried utilities and solid objects with GPR using neural networks and pattern recognition", Journal of applied Geophysics, Vol. 43, No. 2-4, pp. 157-165.
Benedetto, A., Pajewski, L. (2015), Civil Engineering Applications of Ground Penetrating Radar, Springer, London, pp. i-xi.
Bochkovskiy, A., Wang, C.Y., Liao, H.Y.M. (2020), "Yolov4: Optimal speed and accuracy of object detection", arXiv preprint arXiv:2004.10934, pp. 1-17.
Chae, J.H., Ko, H.Y., Lee, B.G., Kim, N.G. (2019), "A study on the pipe position estimation in GPR images using deep learning based convolutional neural network", Journal of Internet Computing and Services, Vol. 20, No. 4, pp. 39-46.
Fang, Y., Guo, X., Chen, K., Zhou, Z., Ye, Q. (2021), "Accurate and automated detection of surface knots on sawn timbers using YOLO-V5 model", BioResources, Vol. 16, No. 3, pp. 5390-5406.

상세보기
Giannakis, I. (2016), Realistic numerical modelling of ground penetrating radar for landmine detection, Ph.D. Thesis, University of Edinburgh, pp. 1-268.
Giannopoulos, A. (1998), The investigation of transmission-line matrix and finite-difference time-domain methods for the forward problem of ground probing radar, Ph.D. Thesis, University of York, pp. 1-258.
Giannopoulos, A. (2005), "Modelling ground penetrating radar by GprMax", Construction and Building Materials, Vol. 19, No. 10, pp. 755-762.

상세보기
Kim, H.M., Bae, H.R. (2021), "A study on GPR image classification by semi-supervised learning with CNN", The Journal of Bigdata, Vol. 6, No. 1, pp. 197-206.
Lee, D.Y. (2018), "Analysis of sewer pipe defect and ground subsidence risk by using CCTV and GPR monitering results", Journal of the Korean Geosynthetics Society, Vol. 17, No. 3, pp. 47-55.
Peplinski, N.R., Ulaby, F.T., Dobson, M.C. (1995), "Dielectric properties of soils in the 0.3-1.3-GHz range", IEEE Transactions on Geoscience and Remote Sensing, Vol. 33, No. 3, pp. 803-807.

상세보기
Pham, M.T., Lefevre, S. (2018), "Buried object detection from B-scan ground penetrating radar data using Faster-RCNN", Proceedings of the IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, pp. 6804-6807.
Redmon, J., Divvala, S., Girshick, R., Farhadi, A. (2016), "You only look once: Unified, real-time object detection", Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, pp. 779-788.
Taflove, A., Hagness, S.C., Piket-May, M. (2005), Computational Electrodynamics: The Finite-Difference Time-Domain Method, The Electrical Engineering Handbook, 3, Elsevier, Burlington, pp. 629-670.
Tian, Y., Yang, G., Wang, Z., Wang, H., Li, E., Liang, Z. (2019), "Apple detection during different growth stages in orchards using the improved YOLO-V3 model", Computers and Electronics in Agriculture, Vol. 157, pp. 417-426.

상세보기
Warren, C., Giannopoulos, A. gprMax user guide, https://docs.gprmax.com/en/latest/ (Apr 14, 2022)
Warren, C., Giannopoulos, A., Giannakis, I. (2016), "gprMax: Open source software to simulate electromagnetic wave propagation for Ground Penetrating Radar", Computer Physics Communications, Vol. 209, pp. 163-170.

상세보기
Yuan, C., Li, S., Cai, H., Kamat, V.R. (2018), "GPR signature detection and decomposition for mapping buried utilities with complex spatial configuration", Journal of Computing in Civil Engineering, Vol. 32, No. 4, pp. 1-15.

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