Shape-Aware Topological Representation for Pipeline Hyperbola Detection in GPR Data

기술 요약: GPR 데이터 내 파이프라인 쌍곡선 검출을 위한 형상 인식 위상적 표현법

문제 정의
지표 투과 레이더(GPR)는 지하 구조물, 특히 파이프라인을 점검하기 위한 핵심적인 비파괴 검사(NDT) 기술이다. 그러나 전통적인 해석 방식은 노동 집약적이고 시간이 많이 소요되며, 노이즈와 환경적 변동성에 매우 취약하다. YOLO나 Faster R-CNN과 같은 딥러닝 모델이 자동화를 개선했음에도 불구하고, 다음과 같은 중대한 과제에 직면해 있다:

1. 데이터 희소성: 고품질의 주석(annotation)이 달린 실제 GPR 데이터셋은 물류적 제약과 지하 환경의 복잡성으로 인해 수집하기 어렵고 비용이 많이 든다.
2. 도메인 격차(Domain Gap): 합성 데이터로 학습된 모델은 구조적 불일치와 노이즈 차이(Sim2Real 격차)로 인해 실제 환경으로 일반화하는 데 어려움을 겪는다.
3. 특징 추출의 한계: 표준 합성곱 신경망(CNN)은 국부적인 질감(texture)을 포착하는 데는 뛰어나지만, 매몰된 원통형 물체의 특징인 쌍곡선 반사 패턴과 같은 전역적인 형상 구조를 인지하는 데는 한계가 있다.

방법론
저자들은 위상 데이터 분석(TDA)을 딥러닝과 결합하여 이러한 한계를 해결하는 TE-S2R (TDA-Enhanced Sim2Real) 프레임워크를 제안한다. 이 방법론은 두 가지 주요 단계로 구성된다:

1. 형상 인식 위상적 표현 (TDA 통합):

   • 위상적 특징을 추상적인 통계 벡터(예: persistence images)로 변환하는 대신, 저자들은 위상 정보를 이미지 도메인에 직접 인코딩한다.
   • 2D B-스캔 이미지에 **지속적 호몰로지(Persistent Homology)**를 적용하여, 파이프라인 쌍곡선의 폐쇄된 초승달 모양 패턴에 해당하는 $\beta_1$ 특징(루프)을 추출한다.
   • **수명 가중치 특징 맵(Lifetime-weighted feature map)**을 생성하며, 여기서 루프 구조의 강도는 위상적 '수명'(사멸 시간 - 탄생 시간)에 의해 조절된다. 중요한 구조적 요소를 나타내는 긴 수명을 가진 특징은 강도를 높이고, 노이즈일 가능성이 높은 짧은 수명의 특징은 억제한다.
   • 이 위상 맵은 원래의 그레이스케일 GPR B-스캔과 채널 차원에서 결가되어 다채널 입력값을 형성하며, 이를 통해 CNN이 국부적 질감과 전역적 기하학적 연속성을 동시에 학습할 수 있도록 공간적 일관성을 유지한다.

2. Sim2Real 학습 전략:

   • 합성 데이터 사전 학습: 다양한 토양 조건(프랙탈 생성을 통한 균질 및 불균질 토양)과 다양한 파이프 파라미터를 가진 gprMax(FDTD 방식) 기반의 합성 B-스캔 이미지 300장을 생성한다. 이 이미지들은 TDA 파이프라인을 거쳐 위상적으로 강화된 합성 데이터로 처리된다.
   • 실제 데이터 미세 조정(Fine-tuning): 모델은 합성 데이터로 사전 학습된 후, 한국의 세 곳(Site A, B, C)에서 수집된 제한된 실측 GPR 데이터를 통해 미세 조정된다.
   • 이 2단계 접근 방식은 위상적 특징의 구조적 안정성(raw pixel 값보다 도메인 특이적 노이즈에 덜 민감함)을 활용하여 도메인 분포 격차를 해소하는 것을 목표로 한다.

주요 기여

• 새로운 위상적 인코딩: 위상적 특징을 통계적 임베딩이 아닌 공간적 강도 맵으로서 CNN 입력 내에 직접 삽입하는 방법을 도입하였다. 이를 통해 네트워크는 구조적 변경 없이도 전역적 형상 정보에 접근할 수 있다.
• 시너지 프레임워크: TDA와 Sim2Real 전이 학습을 결합하여 구조 인식형 전이 메커니즘을 구축하였다. TDA는 raw pixel 강도보다 형상과 연결성을 강조함으로써 도메인 격차를 완화하고 Sim2Real 과정의 견고성을 높인다.
• 노이즈에 대한 강건성: 긴 수명을 가진 루프와 같은 위상 불변량(topological invariants)에 집중함으로써, 현장 GPR 데이터에 내재된 노이즈와 환경적 변동성에 대한 민감도를 줄인다.

실험 결과
본 연구는 YOLOv5 및 YOLOv11 아키텍처를 사용하여 6가지 모델 구성을 평가하였으며, 실제 데이터(Site A, B)에 대해 5-겹 교차 검증을 수행하고 독립된 사이트(Site C)에서 테스트를 진행하였다.

• 성능 지표: 제안된 TE-S2R 모델은 독립 테스트 세트의 모든 지표(Precision, Recall, mAP@0.5, mAP@0.5:0.95)에서 가장 높은 성능을 달고했다.
  • YOLOv5 테스트 세트에서 TE-S2R은 mAP@0.5 0.643을 달성하여, Base 모델(0.357)과 Sim-only 모델(0.031)을 크게 상회하였다.
  • YOLOv11에서도 유사한 경향이 관찰되었으며, TE-S2R은 0.806의 mAP@0.5를 달성하였다.
• 어블레이션 연구(Ablation Studies): 비교 실험을 통해 Sim2Real 전략과 TDA 증강이 각각 독립적으로 성능을 향상시킨다는 점을 확인하였다. 그러나 두 방식의 결합이 특히 훈련 사이트와 테스트 사이트 간의 도메인 변화를 처리할 때 가장 강력한 결과를 냈다.
• 통계적 유의성: Mann–Whitney U 검정을 통해 TE-S2R이 베이스라인 모델보다 우수하다는 점이 통계적으로 유의미함($p < 0.01$)을 확인하였다.

의의 및 주장
저자들은 본 연구가 GPR 분석을 위한 딥러닝 파이프라인 내에 호몰로지 정보를 형상 기술자(shape descriptor)로 직접 삽입한 첫 번째 연구라고 주장한다. 본 연구의 의의는 다음과 같다:

• 데이터 희소성 극복: 합성 데이터가 위상적 특징으로 증강될 때, 라벨링된 데이터가 부족한 실제 환경의 탐지 작업을 위한 효과적인 사전 학습 도구가 될 수 있음을 입증하였다.
• 기하학적 돌출성(Geometric Salience) 강화: 표준 CNN이 노이즈로 인해 놓치거나 오해하기 쉬운 특정 기하학적 구조(쌍곡선)의 탐지를 위상적 표현이 어떻게 개선하는지 증명하였다.
• 일반적 적용 가능성: 본 프레임워크는 구조적 정보가 노이즈에 의해 가려진 다른 격자 기반 이미징 모달리티로 확장 가능한 확장 가능한 솔루션으로 제시된다.

결론적으로, TDA와 Sim2Real의 통합은 상호 보완적이며, 도시 계획 및 인프라 관리에 폭넓은 시사점을 주는 지하 객체 탐지를 위한 신뢰할 수 있는 솔루션을 제공한다.