지하공동 탐지를 위한 시뮬레이션 생성 데이터 기반 깊은 신경망 학습 (Simulated Data Based Deep Neural Network Training for Underground Cavity Detection)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 46권 / 5호 / 923 ~ 927페이지
· 저자명 : 유영준, 김대희, 이명학, 이재구

초록

도심지 도로에 발생하는 지하공동은 최근 수년간 사람들의 안전을 위협하는 사회적 현안으로 대두된 바 있다.
이에 따라 도심지 지하공동의 존재를 선제적으로 파악하는 일의 중요성이 증대되고 있다. 지하공동을 탐지하기 위해 일반적으로 지표투과 레이다 시스템을 사용하는데, 이는 지하에 전자기파 펄스 신호를 방사시킨 후, 지하의 불연속면에서 산란되어 돌아온 신호를 수신하여 영상화하는 기법이다. 실제 환경에서 GPR 데이터를 수집하고 지하에 공동이 존재하는지 판단하기 위해서는 많은 인력과 시간이 필요하고 수집된 데이터의 개수가 부족한 한계가있다. 따라서 파형 영상 분석에 사용되는 인력을 최소화하고 소요되는 시간을 절약하기 위해 실제 데이터를 대신할 가상 데이터를 생성하여 활용하고자 한다. 본 논문에서는 시뮬레이션을 통해 생성된 파형 영상들을 활용해 깊은 신경망 모델인 VGGNet-16을 학습하여, 지하 토양에 공동이 존재하는지 판단하는 방법을 제안한다. 우리는 시뮬레이션을 통해서 공동이 존재하는 지하 토양의 파형 영상과 존재하지 않는 지하 토양의 파형 영상을 생성하여학습 데이터로 사용하였다. 실험 결과, 공동의 특징을 학습한 VGGNet-16은 공동 모델이 있는 지하 토양과 공동모델이 없는 지하 토양을 분류하는데 92.3%의 정확도를 보였다. 더불어 학습된 모델이 공동의 특징을 적절히 학습했는지 확인하기 위해, 모델이 분류 시 입력 영상에서 어떤 부분을 보고 판단하는지 Score-CAM으로 시각화하였다. 이를 토대로 공동이 존재할 시 나타나는 특징을 깊은 신경망 모델이 적절히 학습하였다고 판단하였다. 향후연구에서는 시뮬레이션으로 생성된 데이터와 실제 공동 데이터 간의 유사도를 검증하고 실제 공동 데이터를 통해서 학습된 모델의 성능을 검증해볼 필요성이 있다고 판단된다.

영어초록

Recently, underground cavities on urban roads have prompted safety concerns. To provide countermeasures, early detection and identification of cavities are essential. Ground-penetrating radar(GPR) is often used to detect cavity by transmitting electromagnetic pulses and receiving the backscattered radiation from subsurface discontinuities. Collecting data in real-world environment and determining whether cavity exists requires much manpower and time, and there is limitation due to the lack of numbers of cavity data. In this study, to minimize the manpower and save time, we simulate cavity data in place of real-world data. We propose a method of determining the existence of underground cavities by training deep neural network(DNN) model, VGGNet-16, with GPR images produced by simulation. Through simulation, GPR images with and without a cavity were created and used for training. Experimental result showed 92.3% test accuracy in classifying soils with and without cavity models. To ensure the trained model learned cavity features effectively, we use Score-CAM to visualize the model’s representation learning mechanism. Through visualization, we validated that the model learned features that indicate the existence of cavity. In future work, we will verify the similarity between simulated and real-world data and performance of the trained model using real-world data.

참고자료

· 없음