연속 GPR(B-scan) 데이터에서 공동(cavity) 가 포함된 단면을 자동 탐지하고, 선택된 단면으로부터 pixel-level segmentation mask 를 생성한 뒤, 단면 간 50cm 간격으로 인해 끊어져 보이는 cavity 구조를 SDT(Signed Distance Transform) 기반 보간으로 자연스럽게 연결하여 실제 지하 지형과 유사한 3D cavity volume을 복원·시각화하는 딥러닝 파이프라인
지표투과레이더(Ground Penetrating Radar, GPR)는 지하 공동(cavity), 공사 구멍, 매설물 등을 탐지할 수 있는 비파괴 검사 기술입니다.
하지만 수천 장에 이르는 GPR 단면을 전문가가 한 장씩 눈으로 판독하는 것은 시간이 많이 들고, 사람마다 결과가 달라질 수 있습니다.
또한 연속 단면 사이에는 약 50cm 간격의 공백이 존재해, 공동이 실제로 이어져 있음에도 2D 단면에서는 끊어진 형태로 보이는 문제가 있습니다.
이 프로젝트는 다음과 같은 흐름으로 문제를 해결합니다.
- 대량 GPR 연속 단면(연속 MALA 데이터) 에 대해
AI Hub GPR 데이터로 학습된 YOLO 기반 분류·탐지 모델을 사용해
⇒ 공동(cavity)이 탐지된 단면만 자동으로 골라냄. - 골라낸 cavity 단면들을 모아 세그멘테이션용 데이터셋(data / data_mask) 을 만들고,
- U-Net 기반 segmentation 모델을 학습하여
⇒ 각 단면에서 cavity의 정확한 형태를 pixel 단위 mask로 예측. - 예측된 mask는 이후 3D GPR 볼륨/지반 붕괴 시뮬레이션의 입력으로 사용할 수 있도록 설계.
- 단면 간 50cm 간격으로 인해 끊어져 보이는 영역을 SDT(Signed Distance Transform) 기반 보간으로 자연스럽게 연결하여 실제 지하 공동과 유사한 연속 3D cavity structure 복원
- 최종적으로 복원된 cavity volume을 PyVista로 3D 시각화
-
연속 GPR 데이터 수집
- 예:
gpr_data/cavity_yz_MALA_000001.jpg~..._002000.jpg
- 예:
-
1단계 – 객체 탐지 / 분류 (YOLO, AI Hub 기반)
- AI Hub에서 제공하는 GPR dataset + 사전 학습된 YOLOv5 모델 사용
- 클래스:
cavity,box,patch등 - 결과:
runs/detect/exp*/labels/*.txt(YOLO 포맷 라벨)
-
cavity 단면 자동 필터링
filter_cavity_images.py- YOLO 결과를 읽고, cavity가 한 번이라도 검출된 이미지의 “원본” 만
classification_cavity_img/폴더로 복사
-
2단계 – 픽셀 단위 세그멘테이션 (U-Net)
- 학습용 데이터:
data/: GPR 원본 이미지data_mask/: 해당 이미지의 cavity 영역을 채운 mask (*_mask.jpg)
src/train.py로 U-Net 학습 (BCE + Dice Loss, 간단한 데이터 증강 포함)
- 학습용 데이터:
-
cavity 단면에 대한 일괄 mask 생성
src/batch_inference.py- 입력:
classification_cavity_img/* - 출력:
classification_cavity_mask/*_mask.png - 나중에 이 mask들을 slice 방향으로 쌓아서 3D cavity volume을 만들 수 있음.
-
SDT 기반 단면 보간 및 3D cavity 복원
- mask 단면 사이의 50cm 공백을 SDT로 연속 매핑
- slice 간 중간 단면을 생성하여 끊어져 보이던 cavity 구조를 부드럽게 연결
- 복원된 3D cavity volume을 PyVista로 시각화
 |
 |
 |
| Step 1. 원본 GPR 단면 | Step 2. cavity 탐지 | Step 3. GPR cavity 마스크 생성 |
 |
 |
 |
| Step 4. 계측 간격으로 mask 배치 | Step 5. SDT 보간으로 공백 연결 | Step 6. 최종 3D 공동 복원 |
📂 폴더 구조 (Project Structure)
gpr_to_cavity/
├── continuous_data/ # 연속 GPR 원본(MALA) 이미지 전체
│ ├── cavity_yz_MALA_000001.jpg
│ └── ...
│
├── data2/ # Segmentation 학습용 GPR 이미지
│ ├── cavity_yz_MALA_000228.jpg
│ └── ...
├── data2_mask/ # Segmentation 학습용 GT 마스크
│ ├── cavity_yz_MALA_000228_mask.jpg
│ └── ...
│
├── classification_cavity_img/ # YOLO로 cavity가 검출된 원본 단면만 모은 폴더
├── classification_cavity_mask/ # 위 단면들에 대한 U-Net 예측 mask
│
├── checkpoints/
│ └── unet_best.pth # 현재까지 가장 성능 좋은 U-Net 가중치
│
├── src/
│ ├── dataset.py # data / data_mask용 Dataset 클래스
│ ├── model.py # Lightweight U-Net 모델 정의
│ ├── train.py # U-Net 학습 스크립트 (BCE+Dice, 증강, Scheduler)
│ ├── batch_inference.py # classification_cavity_img 전체에 대해 mask 예측
│ └── filter_cavity_images.py # YOLO 결과에서 cavity 이미지만 추출하는 스크립트
│
├── ai_hub/
│ └── src/yolov5_master/ # (외부) AI Hub GPR 탐지 모델 코드 & weights
│ └── runs/detect/exp*/labels # YOLO detection 결과(txt)
│
├── visualization/ # 예측된 mask들을 3D cavity volume으로 시각화/변환하는 모듈
│ ├── build_cavity_volume.py # mask들을 쌓아 3D cavity voxel volume 생성
│ ├── view_cavity_volume.py # PyVista 기반 3D cavity 렌더링
│ ├── view_cavity_slices_spacing.py # slice 간격/보간 실험용 시각화
│ └── cavity_volume.npy # 생성된 3D voxel cavity 데이터
│
├── slice_interpolation/ # SDT 보간법을 사용하여 이미지 연결
│ ├── build_cavity_volume.py
│ ├── sdt_interpolation.py
│ └── visualize_interp.py
│
├── outputs/
│ └── prediction_img/ # batch inference로 생성된 예측 mask 이미지 저장 폴더
│
├── note/ # 실험 과정에서의 메모/기록 파일 모음
│
├── test/ # 테스트용 코드 및 샘플 이미지/스크립트
│
└── README.md
-
Multi-Frequency / Multi-Orientation 융합
- 단일 주파수·단일 방향 분석에서 벗어나, Dual/Multi-frequency 및 다른 방향(YX, ZX) GPR 단면을 함께 활용하여 더 정확한 3D 지하 구조 복원이 가능합니다.
-
SDT 보간 → Neural Implicit Field 기반 3D 복원
- 현재는 SDT(Signed Distance Transform) 보간을 사용하고 있으나, Neural SDF, NeRF 등 Neural Implicit Representation을 도입하면 더 자연스럽고 실제 지반과 유사한 3D cavity mesh 생성이 가능합니다.
-
GPR Raw Signal(Time-Series) 분석 활용
- Amplitude 이미지(B-scan)뿐 아니라 원시 GPR 파형(Time-Series)을 함께 분석하면 재질 구분, 깊이 기반 반사 특성 분석, 노이즈 저감 등 고도화된 지반 분석이 가능해집니다.
-
실시간 GPR Mapping 시스템으로 확장
- UGV/RC카 기반 플랫폼에 GPR을 탑재하여 실시간 탐사 → 자동 분석 → 3D cavity 생성 → 위험 구간 표시 까지 수행하는 end-to-end 시스템으로 확장할 수 있습니다.
-
FEA 기반 지반 붕괴 시뮬레이션 연동
- 복원된 3D cavity volume을 FEA(Finite Element Analysis) 기반
모델과 연동하여 지반 붕괴·침하 가능성을 정량적으로 예측할 수 있습니다.
- 복원된 3D cavity volume을 FEA(Finite Element Analysis) 기반
-
지반 붕괴(Sinkhole) 조기 경보 시스템
- 연속 GPR 단면을 자동 분석해 cavity 존재 여부를 3D 구조로 복원하여 도로 하부 붕괴 위험 구간을 사전에 탐지할 수 있습니다.
-
스마트시티 지하 인프라 관리 시스템
- GPR 탐사 데이터를 기반으로 지하 위험도 지도(Risk Map)를 생성하여 지자체·공공기관이 도로·지하 시설물의 유지보수를 효율적으로 수행할 수 있습니다.
-
건설·토목 시공 품질 검증
- 터널, 지하철, 공동구 등 지하 구조물 주변의 공극 상태를 3D로 복원해 시공 품질 점검과 안전성 평가에 활용할 수 있습니다.
-
GPR 연구·교육용 시각화 도구
- 복원된 3D cavity volume은 GPR 반사 특성·지반 구조 해석 교육에 직관적인 시각화 자료로 사용될 수 있습니다.
-
하수도·상수도관 노후화 기반 Sinkhole 위험 예측
- GPR을 통해 관 주변의 누수·침하·Void 발생 패턴을 분석하여 하수도관 노후화 → 누수 → 지반 침하 → Sinkhole 과정을 3D로 예측·시각화하는 시스템으로 확장 가능합니다.
- GPR 단면 판독 자동화로 비용·시간 절감
- SDT 기반 3D 복원으로 더 현실적이고 연속적인 지하 구조 모델 확보
- Neural Implicit Field 등 차세대 기법 적용 시 정밀도 향상
- cavity뿐 아니라 도시 관로 기반 Sinkhole 위험 예측까지 확장 가능
- 스마트시티·지하 안전 관리 기술의 핵심 컴포넌트로 활용될 수 있음
 |
 |
 |
| Step 1. 싱크홀 뉴스 모음 | Step 2. 싱크홀 위험도 지도 | Step 3. 싱크홀 위험 알림 |