GPR 히트맵 이미지 데이터 기반 CNN을 이용한 철근 두께 예측에 관한 연구
A Study on the Prediction of Buried Rebar Thickness Using CNN Based on GPR Heatmap Image Data
0
조회
0
다운로드
5
인용
0
참고문헌
키워드
초록
본 논문에서는 시설물 내부 철근 두께를 예측하기 위해 GPR 데이터를 활용한 철근 두께 예측 기법에 관한 연구를 실시하였다. 국내의 규격 미달 철근의 사용 및 배근 시공과 같은 부실시공 사례에서 볼 수 있듯이, 구조물 정밀진단을 위해서 철근 두께에 대한 정보는 정밀 안전진단을 위해서 꼭 필요함을 알 수 있다. 이를 위해 본 연구에서는 시편을 제작하여 철근 직경을 단계적으로 증가시켜 GPR의 B-scan 데이터를 취득하였다. GPR 의 B-scan 데이터는 가시성이 떨어지기 때문에 이를 migration을 통해 히트맵 이미지 데이터로 변화시켜 데이터의 직관성을 높이고자 하였다. 본 연구는 보편적으로 이용되는 B-scan 데이터와 히트맵 데이터의 합성곱 신경망(CNN) 적용 시 결과를 비교하기 위해 B-scan 및 히트맵 데이터에서 각각 철근에 대한 영역을 추출하여 학습 및 검증 데이터를 구축하였으며, 구축된 데이터에 CNN을 적용하였다. 그 결과, 히트맵 데이터의 경우 B-scan 데이터와 비교하였을 때 더 좋은 결괏값을 얻을 수 있었다. 이를 통해 GPR 히트맵 데이터를 이용하였을 경우 B-scan 데이터를 이용하였을 때보다 더 높은 정확도로 철근 두께를 예측할 수 있음을 확인하였으며, 시설물 내부 철근 두께 예측의 가능성을 검증하였다.
Abstract
In this paper, a study was conducted on the method of using GPR data to predict rebar thickness inside a facility. As shown in the cases of poor construction, such as the use of rebars below the domestic standard and the construction of reinforcement, information on rebar thickness can be found to be essential for precision safety diagnosis of structures. For this purpose, the B-scan data of GPR was obtained by gradually increasing the diameter of rebars by making specimen. Because the B-scan data of GPR is less visible, the data was converted into the heatmap image data through migration to increase the intuition of the data. In order to compare the results of application of commonly used B-scan data and heatmap data to CNN, this study extracted areas for rebars from B-scan and heatmap data respectively to build training and validation data, and applied CNN to the deployed data. As a result, better results were obtained for the heatmap data when compared with the B-scan data. This confirms that if GPR heatmap data are used, rebar thickness can be predicted with higher accuracy than when B-scan data is used, and the possibility of predicting rebar thickness inside a facility is verified.
참고문헌 (12)
- Kazuya, I., "Object Detection in Ground-Penetrating Radar Images Using a Deep Convolutional Neural Network and Image Set Preparation by Migration", International Journal of Geophysics, 2018, pp.1~8 (2018)
- Morton, K., "Recognizing subsurface target responses in ground penetrating radar data using convolutional neural networks", SPIE, ~ (2015)
- 채지훈, "GPR 영상에서 딥러닝 기반 CNN을 이용한 배관 위치 추정 연구", 인터넷정보학회논문지, 20(4), pp.39~46 (2019), 한국인터넷정보학회[DOI]
- 고형용, "Faster R-CNN을 활용한 GPR 영상에서의 지하배관 위치추적 성능분석", 융합정보논문지, 9(5), pp.21~26 (2019), 중소기업융합학회[DOI]
- Venceslav, K., "Detection and Classification of Land Mines from Ground Penetrating Radar Data Using Faster R-CNN", 26th Telecommunications Forum (2018), IEEE
- Windsor, C., "The estimation of buried pipe diameters using ground penetrating radar", Journal of Insight, 47(7), pp.394~399 (2005)
- Shihab, S., "Radius Estimation for Cylindrical Objects Detected by Ground Penetrating Radar", Journal of Subsurface Sensing Technologies and Applications, 6(2), pp.151~166 (2005)
- 박성욱, "컨벌루션 신경망에서 활성 함수가 미치는영상 분류 성능 비교", 멀티미디어학회논문지, 21(10), pp.1142~1149 (2018), 한국멀티미디어학회[DOI]
- 배준, "소프트맥스를 이용한 딥러닝 음악장르 자동구분 투표 시스템", 한국정보통신학회논문지, 23(1), pp.27~32 (2019), 한국정보통신학회[DOI]
- Rhee, J. Y., "Deterioration Characteristics of Concrete Bridge Decks and Advances in Condition Assessment with Air-coupled GPR", Journal of the Korea Concrete Institute, 29(2), pp.737~738 (2017)
- 이현호, "GPR 탐사 데이터의 이미지 처리", 한국구조물진단유지관리공학회 논문집, 20(4), pp.104~110 (2016), 한국구조물진단유지관리공학회
- Ahn H. W, "Underground Buried GPR Exploration Study for Subway Construction", Master, pp.2009