Automatic Road Subsurface Distress Recognition from Ground Penetrating Radar Images using Deep Learning-based Cross-verification

1. 연구 배경 및 문제 정의 (Problem)

• 도로 지하 손상 (RSD) 의 중요성: 도로 노면 아래의 구조적 결함 (공극, 층간 박리, 느슨한 구조 등) 은 유지보수로 수리하기 어렵고, 심각한 경우 도로 붕괴로 이어져 공공 안전에 위협이 됩니다.
• 기존 방법의 한계:
  • 지반투과레이더 (GPR): 비파괴 검사 기술로 널리 사용되지만, 생성된 3D 데이터 (A-scan, B-scan, C-scan, D-scan) 의 해석은 숙련된 전문가의 경험에 크게 의존합니다.
  • 노동 집약적: 1km 의 도로 데이터를 수동으로 분석하는 데 약 1 시간이 소요되어 대규모 장기 점검에는 비효율적입니다.
  • 기존 자동화 기법의 부족: 기존 딥러닝 기반 방법들은 데이터 양이 부족하거나, 단일 뷰 (주로 B-scan) 에만 의존하여 다양한 결함 유형을 정확히 식별하는 데 한계가 있었습니다. 특히 공극 (Void) 과 느슨한 구조 (Loose structure) 를 구분하거나 맨홀 (Manhole) 과 결함을 혼동하는 문제가 있었습니다.

2. 제안된 방법론 (Methodology)

이 연구는 GPR 이미지의 서로 다른 뷰 (View) 간 상호 보완적 능력을 활용하기 위해 딥러닝 기반 교차 검증 (Cross-verification) 전략을 제안했습니다.

가. 데이터셋 구축

• 규모: 중국 청두 (Chengdu) 와 광저우 (Guangzhou) 의 도시 도로 105 개 구간 (총 1,250km) 에서 수집된 대규모 현장 데이터.
• 샘플: 총 2,134 개의 엄격하게 검증된 샘플 (건강한 구간 553, 공극 539, 느슨한 구조 536, 맨홀 506).
• 특징: 다양한 지형, 토양 조건, 교통량을 포함하여 모델의 일반화 능력을 확보했습니다.

나. 모델 아키텍처 (YOLO 기반)

• Base Model: 객체 탐지 모델인 YOLO(You Only Look Once) 의 변형 (Anchor-free) 을 사용했습니다.
• 세 개의 독립적 모델: 3D GPR 데이터의 세 가지 단면도인 B-scan (종단면), C-scan (수평단면), D-scan (횡단면) 각각으로 세 개의 모델을 독립적으로 훈련시켰습니다.
  • Model-C (C-scan): 결함 유무 (건강 vs 비건강) 를 판별하는 데 가장 민감함.
  • Model-B (B-scan): 결함과 맨홀 (Manhole) 을 구분하는 데 효과적임.
  • Model-D (D-scan): 공극 (Void) 과 느슨한 구조 (Loose structure) 를 세부적으로 분류하는 데 유용함.

다. 교차 검증 전략 (Cross-verification Strategy)

세 모델의 결과를 순차적으로 결합하여 최종 결함을 식별하는 3 단계 프로세스를 도입했습니다:

1. Step 1 (선별): Model-C 를 사용하여 건강한 구간의 91.8% 를 선별하고, 비정상 구간을 추출합니다.
2. Step 2 (필터링): Step 1 의 결과 중 Model-B 를 활용하여 맨홀을 제거하고 실제 결함만 남깁니다.
3. Step 3 (분류): 남은 결함에 대해 Model-D 를 적용하여 공극과 느슨한 구조를 최종 분류합니다.

• 핵심 아이디어: 단일 뷰의 한계를 극복하고, 각 뷰가 가진 고유한 특징 (예: C-scan 의 결함 패턴, B-scan 의 맨홀 패턴) 을 활용하여 오검출을 줄이고 재현율 (Recall) 을 극대화합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 교차 검증 프레임워크: 단일 모델이 아닌, 서로 다른 GPR 뷰에 특화된 다중 모델의 시너지를 활용한 새로운 인식 전략을 제시했습니다.
2. 대규모 고품질 데이터셋: 다양한 지질 조건을 반영한 2,000 개 이상의 현장 검증 샘플을 포함한 대규모 데이터셋을 구축했습니다.
3. 실용적인 효율성 증대: 자동화 시스템 도입으로 인한 인력 절감 효과를 실증적으로 입증했습니다.

4. 실험 결과 (Results)

가. 테스트 데이터셋 성능 (105 개 구간)

• 재현율 (Recall): 교차 검증 전략을 적용한 최종 결과는 **98.6%**의 재현율을 달성했습니다. 이는 기존 연구들 (대부분 90% 미만) 보다 월등히 높은 수치입니다.
• 정확도 (Precision): 95.9% 를 기록했습니다.
• 세부 분류 성능: Step 3 이후 공극의 재현율은 84.1%, 느슨한 구조는 86.0% 로 크게 향상되었습니다.

나. 현장 실증 테스트 (15 개 도로, 69.4km)

• 완벽한 검출: 15 개 도로 구간에서 **재현율 100%**를 달성하여, 한 건의 결함도 놓치지 않았습니다.
• 오탐지 (False Positives): 자동 탐지된 202 개 중 127 개가 오탐지로 확인되었으나, 이는 시스템이 결함을 놓치지 않도록 민감도 (Recall) 를 최우선으로 설정한 설계 철학의 결과입니다.
• 인력 효율성:
  • 수동 분석 소요 시간: 약 1,128 분 (약 19 시간).
  • 자동 분석 후 전문가 검토 소요 시간: 약 101 분 (약 1.7 시간).
  • 결과: 검사에 소요되는 인력 노동량을 약 90% 절감했습니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: 대규모 도로 유지보수에서 발생할 수 있는 인적 오류와 시간 낭비를 획기적으로 줄일 수 있는 솔루션을 제공했습니다.
• 안전성 강화: 높은 재현율 (Recall) 을 통해 잠재적인 도로 붕괴 위험을 사전에 포착하여 공공 안전을 강화합니다.
• 유연성: 제안된 교차 검증 전략은 특정 객체 탐지 모델에 종속되지 않으므로, 향후 더 다양한 딥러닝 모델과 결합하여 확장 가능합니다.
• 비용 효율성: 자동화 시스템은 초기 투자 비용이 들지만, 장기적으로 유지보수 인건비를 대폭 절감하고, 오탐지가 많은 구간을 '고위험 구간'으로 간주하여 집중 점검이 필요한 지역을 선별하는 지표로도 활용 가능합니다.

이 논문은 GPR 데이터 분석의 자동화 수준을 한 단계 끌어올렸으며, 딥러닝 기술을 도로 인프라 관리에 효과적으로 적용한 성공적인 사례로 평가됩니다.