연약지반 GPR 빅데이터 기반 지하구조물 객체탐지를 위한 합성곱신경망 학습 및 증강 전략 분석

국문 초록 (Abstract)

연약지반 환경에서의 지표투과레이다(GPR) 데이터는 높은 신호 잡음과 불안정한 반사 특성으로 인해 지하 시설물 탐지가 어렵다. 이에 본 연구는 연약지반 GPR 데이터를 대상으로, 객체 탐지 성능에 영향을 미치는 요인을 모델 구조 관점과 입력 데이터 구성•증강 관점에서 단계적으로 분석하였다. 먼저 단일 평면 환경에서 YOLOv5m, Faster R-CNN, RetinaNet을 동일한 데이터 분할 및 입력 해상도 조건에서 비교하여 모델 구조에 따른 성능 특성을 평가하였다. 그 결과 YOLOv5m이 가장 높은 mAP 수치를 보였으며, 반면 Faster R-CNN과 RetinaNet은 Recall 측면에서 상대적으로 높은 경향을 나타냈다. 다음으로 다중 평면 입력 환경에서는 평면별 특징을 중간 계층에서 결합하는 Mid-fusion 기반 Faster R-CNN을 사용하여, 데이터 증강 전략이 일반화 성능에 미치는 영향을 비교하였다. 증강 전략은 (1) 미적용, (2) 신호 기반 증강, (3) 평면 간 정합성을 유지한 기하학적 증강과 신호 기반 증강의 결합의 세 조건으로 구성하였다. 특히 기하학적 증강은 ReplayCompose를 활용하여 한 평면에서 샘플링된 변환을 나머지 평면에 동일하게 재적용함으로써, 다중 평면 간 공간적 대응 관계를 유지하도록 설계하였다. 실험 결과, 신호 기반 증강에 기하학적 증강을 결합한 그룹이 가장 높은 성능을 기록하여, 미적용 대비 mAP@0.5:0.95 면에서 약 7.2pp의 성능 향상이 있었으며 다중 평면 기반 탐지에서 정합성을 보존한 기하학적 증강이 성능 향상에 유효함을 확인하였다. 또한 Grad-CAM 기반 정성적 분석을 통해 증강 적용 시 모델의 주목 영역이 객체 및 구조적 경계로 더 집중되는 경향을 관찰하였다. 본 연구 결과는 연약지반 GPR 환경에서 단일 평면 모델 구조의 특성 차이와 다중 평면 입력에서의 증강 설계 원칙이 탐지 성능에 미치는 영향을 함께 제시하며, 향후 GPR 기반 지하 시설물 자동 탐지 시스템의 학습 전략 수립에 참고 가능한 근거를 제공한다.

다국어 초록 (Multilingual Abstract)

Ground Penetrating Radar (GPR) data acquired in soft-ground environments make subsurface infrastructure detection challenging due to high signal noise and unstable reflection characteristics. Accordingly, this study systematically analyzes the factors influencing object detection performance on soft-ground GPR data from two perspectives: model architecture and input data configuration with augmentation strategies. First, under a single-plane setting, YOLOv5m, Faster R-CNN, and RetinaNet were compared under identical data splits and input resolution to evaluate architecture-dependent performance characteristics. The results indicate that YOLOv5m achieved the highest detection accuracy, whereas Faster R-CNN and RetinaNet exhibited relatively higher tendencies in terms of recall. Next, in a multi-plane input setting, a Mid-fusion Faster R-CNN that integrates plane-specific features at intermediate layers was employed to investigate the effect of data augmentation strategies on generalization performance. Three augmentation conditions were considered: (1) no augmentation, (2) signal-based augmentation, and (3) a combination of signal-based augmentation and geometric augmentation with inter-plane alignment. In particular, the geometric augmentation was implemented using ReplayCompose, where transformations sampled on one plane were consistently re-applied to the remaining planes to preserve spatial correspondence across planes. Experimental results demonstrate that the combined signal-based and geometric augmentation achieved the best performance, yielding an improvement of approximately 7.2 pp over the no-augmentation baseline, thereby confirming the effectiveness of alignment-preserving geometric augmentation for multi-plane GPR-based detection. In addition, Grad-CAM-based qualitative analysis revealed that applying augmentation tends to concentrate the model’s attention on target objects and structural boundaries. Overall, the findings highlight both the architecture-specific differences under a single-plane setting and the augmentation design principles for multi-plane inputs, providing evidence that can inform the development of training strategies for GPR-based automated subsurface infrastructure detection systems in soft-ground environments.