KR102420571B1

KR102420571B1 - 딥러닝 기반의 공동 예측 시스템 및 방법

Info

Publication number: KR102420571B1
Application number: KR1020220026611A
Authority: KR
Inventors: 강기영; 김한응; 김창헌; 김태건
Original assignee: 지케이엔지니어링(주)
Priority date: 2022-03-02
Filing date: 2022-03-02
Publication date: 2022-07-13

Abstract

공동 예측 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른 공동 예측 시스템은, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 시스템으로서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 데이터 변환부; 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 데이터 재구성부; 상기 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하고, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬하는 정렬부; 상기 지하공간의 깊이에 따라 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 신호 증폭 필터를 상기 데이터에 적용하는 데이터 증폭부; 상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용하는 노이즈 제거부; 및 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 공동 예측부를 포함한다.

Description

딥러닝 기반의 공동 예측 시스템 및 방법{SYSTEM AND METHOD FOR PREDICTING CAVITY BASED ON DEEP LEARNING}

본 발명은 인공지능 공동 분석 기술을 이용하여 지표면 하부의 공동을 자동으로 신속하게 찾아내는 기술로서, 특히 딥러닝 기법인 CNN(Convolutional Neural Network)과 GAN(Generative Adversarial Network)과의 앙상블 기법을 통해 공동을 예측하는 기술과 관련된다.

최근, 도시 노후화로 인해 도로 곳곳에서 지반 침하가 빈번하게 일어남에 따라 도로 함몰의 원인이 되는 공동을 찾기 위해 지표 투과 레이더(Ground Penetrating Radar, GPR)를 이용한 탐사가 시행되고 있다. 이러한 GPR 탐사를 통한 데이터의 분석은 장비의 특수성 및 전문성으로 인해 전문 분석가와 같은 전문인력이 반드시 필요하다. 그러나, 현실적으로 이러한 전문인력이 많이 부족한 실정이며, GPR 탐사로 얻어진 3D 데이터를 전문인력이 직접 보면서 공동을 찾아내게 되는 분석 방법의 특성상 전문인력의 높은 집중력과 인내력이 필수적이다. 이에 따라, 전문인력의 집중력이 흩어지거나 주관적 판단이 과도하게 개입될 경우 공동을 나타내는 신호를 놓치는 실수를 범할 우려가 있다.

또한, 종래의 GPR 탐사 방식의 경우, 견인식 또는 일체식 탐사차량을 이용하여 지반 하부의 탐사를 종료한 후 현장에서 측정된 데이터를 별도의 외장하드 등을 통해 컴퓨터 하드디스크로 옮기고 분석 전문가들이 분석 프로그램을 통해 공동 분석을 진행하고 공동 위치정보의 자료를 작성하는 등의 순차적인 절차를 거치게 된다. 그러나, 이러한 일련의 과정은 탐사 시작부터 분석 종료까지 통상 3일 이상의 시간이 소요되며, 탐사 사업의 전 기간을 고려할 경우 탐사거리 1,000km 기준으로 탐사 시작부터 분석 종료까지 약 150일 정도가 소요된다. 이와 같이, 종래의 GRP 탐사 방식에 따르면 공동 탐사에 있어 전문인력의 집중력이나 주관적인 판단에 의존할 수 밖에 없고 탐사 시작부터 분석 종료까지 긴 시간이 소요됨에 따라 급작스런 도로 함몰 사거나 지진 등의 재해에 긴급하게 대응할 수 없는 문제점이 있다.

한국등록특허공보 제10-2284541호(2021.07.27)

본 발명의 실시예들은 다채널 일체형 탐사차량으로부터 취득한 데이터를 전처리한 후 인공지능 공동 분석을 위한 모델에 입력하여 도시 내 공동을 실시간으로 찾아내는 수단을 제공하기 위한 것이다.

예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 시스템으로서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 데이터 변환부; 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 데이터 재구성부; 상기 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하고, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬하는 정렬부; 상기 지하공간의 깊이에 따라 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 신호 증폭 필터를 상기 데이터에 적용하는 데이터 증폭부; 상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용하는 노이즈 제거부; 및 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 공동 예측부를 포함하는, 공동 예측 시스템이 제공된다.

상기 데이터 변환부는, 넘파이 라이브러리(Numpy library)를 이용하여 RD3 형식의 상기 미가공 데이터를 NPY 형식의 상기 데이터로 변환할 수 있다.

상기 정렬부는, 상기 각 채널별 데이터의 최대값과 최소값의 평균치인 제1 정렬값을 계산하고, 상기 각 채널별 데이터의 최대값과 최소값의 중간값인 제2 정렬값을 계산하며, 상기 제1 정렬값과 상기 제2 정렬값의 평균치에 대응되는 픽셀 지점을 상기 지하공간에 대응되는 지표면으로 간주한 후 상기 픽셀 지점을 기준으로 상기 각 채널별 시간차를 보정할 수 있다.

상기 공동 예측 시스템은, 상기 데이터와 상기 딥러닝 모델의 학습에 사용된 학습 데이터 간의 데이터 구조 및 형식을 맞추기 위해 상기 데이터 내 픽셀간의 간격을 설정된 수치로 조정하는 보간부를 더 포함할 수 있다.

상기 딥러닝 모델은, C-GAN(Convolutional Generative Adversarial Network)일 수 있다.

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 방법으로서, 데이터 변환부에서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하는 단계; 상기 데이터 변환부에서, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 단계; 데이터 재구성부에서, 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 단계; 정렬부에서, 상기 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하는 단계; 상기 정렬부에서, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬하는 단계; 데이터 증폭부에서, 상기 지하공간의 깊이에 따라 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 신호 증폭 필터를 상기 데이터에 적용하는 단계; 노이즈 제거부에서, 상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용하는 단계; 및 공동 예측부에서, 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 단계를 포함하는, 공동 예측 방법이 제공된다.

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 시스템으로서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 데이터 변환부; 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 데이터 재구성부; 상기 지하공간의 깊이가 가장 얕은 제1 구간, 상기 제1 구간보다 깊이가 깊은 제2 구간, 및 상기 제2 구간보다 깊이가 깊은 제3 구간별로 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 함수(F)로 표현되는 신호 증폭 필터를 상기 데이터에 적용하는 데이터 증폭부; 및 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 공동 예측부를 포함하는, 공동 예측 시스템이 제공된다.

상기 신호 증폭 필터는, 상기 함수(F)에서 변곡이 시작되는 시작점과 상기 함수(F)에서 변곡이 끝나는 끝점 간의 폭인 변곡 범위, 상기 시작점과 상기 끝점 간의 중점인 변곡 중점, 상기 변곡 범위에서의 상기 함수(F)의 기울기, 및 상기 함수(F)의 y축 절편(bias)가 상기 함수(F)의 추가 변수로 설정될 수 있다.

상기 신호 증폭 필터의 함수(F)는, 아래의 수학식으로 표현될 수 있다.

[수학식]

(여기서, F는 상기 신호 증폭 필터의 함수, x는 상기 지하공간의 깊이에 따른 픽셀값, a는 상기 변곡 중점, b는 상기 변곡 범위, K는 상기 변곡 범위에서의 상기 함수(F)의 기울기, C는 상기 함수(F)의 y축 절편(bias), t는 시간을 각각 나타냄)

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 방법으로서, 데이터 변환부에서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하는 단계; 상기 데이터 변환부에서, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 단계; 데이터 재구성부에서, 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 단계; 데이터 증폭부에서, 상기 지하공간의 깊이가 가장 얕은 제1 구간, 상기 제1 구간보다 깊이가 깊은 제2 구간, 및 상기 제2 구간보다 깊이가 깊은 제3 구간별로 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 함수로 표현되는 신호 증폭 필터를 상기 데이터에 적용하는 단계; 및 공동 예측부에서, 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 단계를 포함하는, 공동 예측 방법이 제공된다.

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 시스템으로서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 데이터 변환부; 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 데이터 재구성부; 상기 데이터에 대해 상기 탐사차량의 주행방향을 기준으로 설정된 범위의 픽셀값들을 선별하고, 상기 설정된 범위의 정중앙에 대응되는 픽셀값(x)을 기준으로 하여 아래 수학식으로 표현되는 가우시안 함수의 연산값(G(x))을 획득한 후 상기 픽셀값(x)에서 상기 연산값(G(x))을 차감하여 상기 주행방향에 따른 노이즈를 제거하는 로컬 평균 차감부; 및 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 공동 예측부를 포함하는, 공동 예측 시스템이 제공된다.

[수학식]

(여기서, σ는 기 정의된 표준편차 값임)

상기 로컬 평균 차감부는, 상기 설정된 범위 또는 상기 설정된 범위에서 선별되는 픽셀값들의 개수, 상기 가우시안 함수의 커널(kernel) 사이즈 및 상기 표준편차 값들의 조합에 대한 서로 다른 경우의 수(number of case)를 설정된 횟수 이상 반복 수행함으로써 최적의 상기 설정된 범위 또는 상기 설정된 범위에서 선별되는 픽셀값들의 개수, 상기 가우시안 함수의 커널 사이즈 및 상기 표준편차 값을 각각 선택할 수 있다.

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 방법으로서, 데이터 변환부에서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하는 단계; 상기 데이터 변환부에서, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 단계; 데이터 재구성부에서, 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 단계; 로컬 평균 차감부에서, 상기 탐사차량의 주행방향을 기준으로 설정된 범위의 픽셀값들을 선별하는 단계; 상기 로컬 평균 차감부에서, 상기 데이터에 대해 상기 설정된 범위의 정중앙에 대응되는 픽셀값(x)을 기준으로 하여 아래 수학식으로 표현되는 가우시안 함수의 연산값(G(x))을 획득한 후 상기 픽셀값(x)에서 상기 연산값(G(x))을 차감하여 상기 주행방향에 따른 노이즈를 제거하는 단계; 및 공동 예측부에서, 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 단계를 포함하는, 공동 예측 방법이 제공된다.

[수학식]

(여기서, σ는 기 정의된 표준편차 값임)

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 시스템으로서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 데이터 변환부; 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 데이터 재구성부; 상기 3차원 행렬 형태에 대응되도록 서브-정육면체(sub-cube) 8개로 이루어진 가상의 정육면체(cube)를 생성하고, 상기 정육면체의 서로 다른 2개의 꼭지점들을 상호 잇는 직선의 방향 및 상기 꼭지점들 중 하나와 상기 정육면체의 중심점을 잇는 직선의 방향 중 적어도 둘 이상의 직선방향을 선택하며, 상기 데이터에 포함된 픽셀값의 부호를 기반으로 노이즈를 제거하는 노이즈 제거 필터를 상기 직선방향으로 적용하는 노이즈 제거부; 및 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 공동 예측부를 포함하는, 공동 예측 시스템이 제공된다.

상기 노이즈 제거 필터는, 제1 기준 픽셀값의 전후에 위치하는 설정된 개수의 연속된 픽셀값들의 부호와 상기 제1 기준 픽셀값의 부호가 상이한 경우 상기 제1 기준 픽셀값의 부호를 반대로 바꿔주는 제1 노이즈 제거 필터; 및 제2 기준 픽셀값의 전후에 위치하는 설정된 개수의 연속된 픽셀값들이 0으로 관측된 상태에서 상기 제2 기준 픽셀값이 0이 아닌 다른 값으로 관측되는 경우 상기 제2 기준 픽셀값을 0으로 바꿔주는 제2 노이즈 제거 필터를 포함할 수 있다.

상기 노이즈 제거부는, 상기 탐사차량의 폭을 나타내는 직선의 방향, 상기 지하공간의 깊이방향 및 상기 탐사차량의 주행방향 각각에 대응되는 직선방향으로 상기 제1 노이즈 제거 필터를 적용하고, 상기 정육면체의 각 꼭지점과 상기 정육면체의 중심점을 잇는 13개의 직선방향으로 상기 제2 노이즈 제거 필터를 적용할 수 있다.

상기 노이즈 제거부는, 상기 제1 기준 픽셀값의 전후에 위치하는 연속된 픽셀값들의 개수에 대한 기준 및 상기 제2 기준 픽셀값의 전후에 위치하는 연속된 픽셀값들의 개수에 대한 기준을 각각 달리하여 상기 제1 노이즈 제거 필터 및 상기 제2 노이즈 제거 필터를 적용할 수 있다.

상기 제1 노이즈 제거 필터 및 상기 제2 노이즈 제거 필터의 적용 횟수는, 서로 다르게 설정될 수 있다.

다른 예시적인 실시예에 따르면, 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 방법으로서, 데이터 변환부에서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하는 단계; 상기 데이터 변환부에서, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 단계; 데이터 재구성부에서, 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 단계; 노이즈 제거부에서, 상기 3차원 행렬 형태에 대응되도록 서브-정육면체(sub-cube) 8개로 이루어진 가상의 정육면체(cube)를 생성하는 단계; 상기 노이즈 제거부에서, 상기 정육면체의 서로 다른 2개의 꼭지점들을 상호 잇는 직선의 방향 및 상기 꼭지점들 중 하나와 상기 정육면체의 중심점을 잇는 직선의 방향 중 적어도 둘 이상의 직선방향을 선택하는 단계; 상기 노이즈 제거부에서, 상기 데이터에 포함된 픽셀값의 부호를 기반으로 노이즈를 제거하는 노이즈 제거 필터를 상기 직선방향으로 적용하는 단계; 및 공동 예측부에서, 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 단계를 포함하는, 공동 예측 방법이 제공된다.

본 발명의 일 실시예에 따른 공동 예측 시스템의 경우 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 보다 신속하고 정확하게 획득할 수 있다. 본 발명의 일 실시예에 따르면, 공동 탐사에 있어 전문인력의 집중력이나 주관적인 판단에 의존할 필요가 없으며 탐사 시작부터 분석 및 종료까지 원스탑 시스템을 통해 실시간으로 이루어지므로 급작스런 도로 함몰 사거나 지진 등의 재해에도 즉각적으로 대응할 수 있다.

도 1은 본 발명의 일 실시예에 따른 탐사차량의 예시를 나타낸 도면
도 2는 본 발명의 일 실시예에 따른 공동 예측 시스템의 상세 구성을 나타낸 블록도
도 3a은 본 발명의 일 실시예에 따른 RD3 형식의 파일을 NPY 형식의 파일로 변환하는 과정을 나타낸 예시
도 3b는 본 발명의 일 실시예에 따른 RD3 형식의 파일 및 NPY 형식의 파일을 나타낸 예시
도 4는 본 발명의 일 실시예에 따른 NPY 형식의 파일로 변환된 1차원 행렬 데이터가 3차원 행렬 데이터로 변환된 예시를 나타낸 도면
도 5a는 본 발명의 일 실시예에 따른 Ground alignment 과정을 설명하기 위한 데이터의 예시
도 5b는 본 발명의 일 실시예에 따른 Ground alignment 과정을 거치기 전과 후의 안테나의 각 채널의 이미지를 나타낸 예시
도 6은 본 발명의 일 실시예에 따른 배경 노이즈를 제거하기 전과 후의 이미지는 나타낸 예시
도 7a는 본 발명의 일 실시예에 따른 오차함수의 그래프를 나타낸 예시
도 7b는 도 7a에 도시된 오차함수를 개선한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시
도 7c는 본 발명의 일 실시예에 따른 a 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시
도 7d는 본 발명의 일 실시예에 따른 b 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시
도 7e는 본 발명의 일 실시예에 따른 K 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시
도 7f는 본 발명의 일 실시예에 따른 C 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시
도 7g는 본 발명의 일 실시예에 따른 신호 증폭 필터의 적용 전후를 나타낸 데이터의 이미지 예시
도 8은 본 발명의 일 실시예에 따른 범위 필터부에서 데이터의 픽셀값 범위를 제한하기 전과 후를 나타낸 이미지 예시
도 9는 본 발명의 일 실시예에 따른 로컬 평균 차감부에서 가로 방향 직선의 노이즈를 제거하기 전과 후의 데이터 이미지를 나타낸 예시
도 10a는 본 발명의 일 실시예에 따른 노이즈 제거 필터가 작동하기 위한 3 X 3 X 3 행렬의 큐브(cube) 모형의 예시
도 10b는 본 발명의 일 실시예에 따른 노이즈 제거 필터의 적용 전후를 나타낸 예시
도 11은 본 발명의 일 실시예에 따른 공동 예측부에서 예측된 공동 부분을 나타낸 예시
도 12는 본 발명의 일 실시예에 따른 딥러닝 모델의 데이터 처리 과정을 나타낸 예시
도 13은 본 발명의 일 실시예에 따라 전처리된 데이터를 시각적으로 나타내는 프론트 엔드 프로그램의 예시
도 14는 본 발명의 일 실시예에 따른 공동 예측 시스템과 종래의 공동 예측 시스템을 비교한 예시
도 15는 본 발명의 일 실시예에 따른 공동 탐사 방법을 설명하기 위함 흐름도
도 16은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도

이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.

도 1은 본 발명의 일 실시예에 따른 탐사차량(C)의 예시를 나타낸 도면이다. 본 발명의 일 실시예에 따른 탐사차량(C)은 후술할 공동 예측 시스템(100)에서 지하공간의 공동을 예측하는 데 사용되는 데이터를 수집하는 차량이다.

도 1에 도시된 바와 같이, 탐사차량(C)의 외측 바닥면에는 복수의 제 1 지표투과레이더부(1) 및 복수의 제2 지표투과레이더부(2)가 구비될 수 있다. 상기 제1 지표투과레이더부(1) 및 제2 지표투과레이더부(2)는 지하공간에 대응되는 지표면과 소정 간격 이격된 채로 탐사차량(C)의 외측 바닥면에 구비될 수 있다. 또한, 상기 제1 지표투과레이더부(1) 및 제2 지표투과레이더부(2)는 설정된 거리만큼 상호 이격되어 형성될 수 있다. 이때, 상기 제1 지표투과레이더부(1) 및 제2 지표투과레이더부(2)의 개수, 위치 등은 필요에 따라 달라질 수 있으며 특별히 한정되는 것은 아니다.

상기 제1 지표투과레이더부(1) 및 제2 지표투과레이더부(2)는 지중에 센서를 매립하는 방식이 아닌 지상에서 비파괴적으로 지하공간의 하부 상태를 평가하는 GPR 방식을 통해 공동을 탐지하도록 구성된다. 이를 위해, 상기 제1 지표투과레이더부(1) 및 제2 지표투과레이더부(2)는 복수의 채널을 갖는 안테나를 구비하며, 이러한 멀티채널 안테나를 통해 지하공간에 관한 미가공 데이터(raw data)를 수신할 수 있다. 일 예시로서, 상기 안테나는 25개의 채널로 구성되어 1회 탐사시 지하공간에 관한 25개의 종단면, 평면 및 횡단면에 대응되는 미가공 데이터를 획득할 수 있다.

이하에서는, 상기 탐사차량(C)의 멀티채널 안테나로부터 획득된 미가공 데이터를 이용하여 지하공간의 공동을 예측하는 공동 예측 시스템(100)의 상세 구성에 대해 자세히 살펴보기로 한다.

도 2는 본 발명의 일 실시예에 따른 공동 예측 시스템(100)의 상세 구성을 나타낸 블록도이다. 도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 공동 예측 시스템(100)은 데이터 변환부(102), 데이터 재구성부(104), 정렬부(106), 배경 노이즈 제거부(108), 보간부(110), 데이터 증폭부(112), 범위 필터부(114), 로컬 평균 차감부(116), 노이즈 제거부(118), 크로핑부(120), 공동 예측부(122) 및 후처리부(124)를 포함한다.

데이터 변환부(102)는 탐사차량(C)에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환한다.

상기 미가공 데이터는 예를 들어, RD3 형식(*.rd3)의 파일일 수 있다. 상기 RD3 형식의 파일은 지하공간에 관한 이진 형식(binary format)의 미가공 데이터일 수 있으며, RAD 파일과 매칭되어 있을 수 있다. 상기 RAD 파일은 상기 RD3 형식의 파일 내 각종 설정값 및 파라미터들과 관련된 헤더 파일(header file)일 수 있다. 상기 RD3 형식의 파일은 문자와 숫자의 조합으로 이루어질 수 있으며, 그 자체로는 의미있는 분석을 하기 어렵기 때문에 후술할 딥러닝 모델에서 처리 가능한 구조로 변환할 필요가 있다. 이에, 데이터 변환부(102)는 예를 들어, 상기 RD3 형식의 미가공 데이터를 NPY 형식(*.npy)의 데이터로 변환할 수 있다. 이때, 데이터 변환부(102)는 넘파이 라이브러리(Numpy library)를 이용하여 RD3 형식의 상기 미가공 데이터를 NPY 형식의 데이터로 변환할 수 있다.

도 3a은 본 발명의 일 실시예에 따른 RD3 형식의 파일을 NPY 형식의 파일로 변환하는 과정을 나타낸 예시이며, 도 3b는 본 발명의 일 실시예에 따른 RD3 형식의 파일 및 NPY 형식의 파일을 나타낸 예시이다.

도 3a의 (a) 및 도 3b의 (a)는 미가공 데이터인 RD3 형식의 파일을 나타내며, 도 3a의 (b) 및 도 3b의 (b)는 NPY 형식의 파일을 나타낸다. 이러한 데이터 변환 과정을 디코딩(decoding)이라 칭하며, 이와 같은 디코딩 단계를 거친 데이터는 숫자가 일렬로 나열된 형태의 1차원 행렬(1D-array) 데이터일 수 있다.

데이터 재구성부(104)는 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬(3D-array) 형태로 재구성한다. 상술한 1차원 행렬 데이터는 딥러닝에 용이하게 사용될 수 있도록 3차원 행렬 데이터로 변환할 필요가 있으며, 이러한 데이터의 변환 과정을 데이터의 재구성(reshape)이라 칭한다. 데이터 재구성부(104)는 예를 들어, 넘파이 라이브러리의 reshape 함수를 이용하여 1차원 행렬 데이터를 3차원 행렬 데이터로 재구성할 수 있다. 이때, 3차원 행렬 데이터는 아래와 같은 요소들의 배열로 이루어질 수 있으며, 예를 들어 도 4와 같이 표현될 수 있다.

[안테나의 채널(탐사차량의 폭)] X [지하공간의 깊이(심도)] X [안테나와 지하공간의 종단면과의 거리(탐사차량의 주행방향에 따른 거리)]

정렬부(106)는 안테나의 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하고, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬한다. 정렬부(106)가 각 채널별 시간차를 보정하는 과정을 Ground alignment라 칭하며, 정렬부(106)가 각 채널별 시작점을 정렬하는 과정을 Channel alignment라 칭한다.

i) Ground alignment

상술한 바와 같이, 공동 예측 시스템(100)은 GPR 방식으로 지하공간의 공동을 탐지하게 되며, 이때 안테나에서 송신된 전파가 공기를 지나 지표면에 도달하면 매질 변화에 따라 일부는 반사되고 일부는 지표면을 투과하게 된다. GPR 방식의 탐사는 이러한 반사파를 이용하여 기록된 데이터를 분석하는 방식이다. 여기서, 1개의 안테나에서 반사파를 기록하는 기존 방식은 채널이 1개이기 때문에 데이터의 정렬 과정이 필요하지 않으나, 본 발명과 같이 복수의 채널(예를 들어, 25개의 채널)을 갖는 안테나에서 수신되는 반사파는 정확히 동일한 시각에 수신되지 않으므로 지표면을 추적하여 정렬할 필요가 있다. 이에, 정렬부(106)는 안테나의 각 채널별 데이터의 최대값과 최소값을 이용하여 지표면을 추적하고, 추적된 상기 지표면을 기준으로 하여 각 채널별 시간차를 보정할 수 있다.

일 예시로서, 정렬부(106)는 상기 각 채널별 데이터의 최대값과 최소값의 평균치인 제1 정렬값을 계산하고, 상기 각 채널별 데이터의 최대값과 최소값의 중간값인 제2 정렬값을 계산하며, 상기 제1 정렬값과 상기 제2 정렬값의 평균치에 대응되는 픽셀 지점을 상기 지하공간에 대응되는 지표면으로 간주한 후 상기 픽셀 지점을 기준으로 상기 각 채널별 시간차를 보정할 수 있다.

도 5a는 본 발명의 일 실시예에 따른 Ground alignment 과정을 설명하기 위한 데이터의 예시이다.

도 5a에 도시된 바와 같이, 정렬부(106)는 예를 들어, 25개의 각 채널별 데이터의 최대값과 최소값의 평균치인 제1 정렬값을 계산하고, 25개의 각 채널별 데이터의 최대값과 최소값의 중간값인 제2 정렬값을 계산할 수 있다. 이후, 정렬부(106)는 상기 제1 정렬값과 상기 제2 정렬값의 평균치에 대응되는 픽셀 지점을 상기 지하공간에 대응되는 지표면의 시작점으로 판단하고, 이를 기준으로 상기 각 채널별 시간차를 보정할 수 있다. 예를 들어, 정렬부(106)는 20 pixel이 지표면의 시작점인 것으로 판단되는 경우 상기 20 pixel을 기준으로 각 채널별로 차이가 나는 높낮이를 조정(예를 들어, 2 channel의 경우 21 pixel → 20 pixel, 3 channel의 경우 22 pixel → 20 pixel…등)할 수 있다. 안테나의 25개 채널에서 데이터(전파)가 동시에 수신되어 기록되지 않기 때문에, 본 발명의 실시예들에서는 각 채널에서 수신된 데이터(전파) 중 지표면 부근에서 가장 강한 신호를 수신하는 반사파의 특성을 이용하여 25개 채널의 시간차를 보정할 수 있도록 하였다.

도 5b는 본 발명의 일 실시예에 따른 Ground alignment 과정을 거치기 전과 후의 안테나의 각 채널의 이미지를 나타낸 예시이다.

ii) Channel alignment

탐사차량(C)에 장착된 안테나의 각 채널들은 공동 탐사의 폭에 대한 이점을 갖기 위해 시간차를 두고 온(ON)될 수 있다. 예를 들어, 25개의 채널 중 0 채널 ~ 4 채널까지의 5개 채널, 19 채널 ~ 24 채널까지의 5개 채널이 5 채널 ~ 18 채널에 비해 상대적으로 늦게 켜질 수 있으며, 이러한 점을 고려하여 양끝의 5개 채널씩 총 10개 채널을 뒤로 미뤄주어야 한다. 이에, 정렬부(106)는 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬한다. 일 예시로서, 정렬부(106)는 안테나를 포함한 GPR 탐사장비의 설정값, 파라미터 및 탐사정보가 기록된 RAD 파일의 CH_Y_OFFSETS 정보를 읽어와 옵셋 차이에 따른 변위를 조정하여 각 채널간 시작점을 조정할 수 있다.

이와 같은 Ground alignment 및 Channel alignment 과정은 그 순서에 제한이 없으며, 상기 Ground alignment 및 Channel alignment 과정을 거치게 되면 각 채널별 데이터들 간의 오차를 최소화할 수 있다.

배경 노이즈 제거부(108)는 상기 Ground alignment 및 Channel alignment 과정을 거친 데이터 상에서 배경 노이즈(background noise)를 제거한다. 상기 Ground alignment 및 Channel alignment 과정을 거친 데이터의 지표면 부분은 탐지하고자 하는 공동 신호와 관계 없는 강한 신호가 발생하여 공동 신호를 탐지하는 데 방해가 될 수 있다. 또한, 몇몇 채널에서는 편향(bias)가 일어나게 된다. 이에, 본 발명의 실시예들에서는 배경 노이즈 제거부(108)가 데이터 내 지하공간의 깊이(심도)별로 해당 깊이의 픽셀값에서 해당 깊이에 위치하는 픽셀값들의 평균값을 차감하여 지표면 부분의 노이즈를 제거하고 편향값을 조절할 수 있도록 하였다.

도 6은 본 발명의 일 실시예에 따른 배경 노이즈를 제거하기 전과 후의 이미지는 나타낸 예시이다. 도 6에 도시된 바와 같이, 배경 노이즈 제거부(108)에서 앞서 설명한 방법을 수행함에 따라 지표면 부분의 배경 노이즈가 크게 줄어든 것을 확인할 수 있다.

보간부(110)는 앞선 전처리 과정을 거친 데이터와 후술할 딥러닝 모델의 학습에 사용된 학습 데이터 간의 데이터 구조 및 형식을 맞추기 위해 상기 데이터 내 픽셀간의 간격을 설정된 수치로 조정한다. 딥러닝 모델로 최적의 예측값을 얻기 위해서는 딥러닝 모델의 학습에 사용된 학습 데이터와 딥러닝 모델에 입력되는 데이터의 구조 및 형식이 같아야 한다. 예를 들어, 학습 데이터의 거리 간격(distance interval) 값이 0.075369 인 경우, 딥러닝 모델에 입력되는 데이터의 거리 간격 또한 이와 동일하여야 한다. 여기서, 거리 간격은 예를 들어, 기록되는 픽셀들 간의 간격이 0.075369(m)라는 의미이다. 보간부(110)는 RAD 파일로부터 각 데이터들의 거리 간격에 관한 정보를 읽어들이고, scipy 라이브러리와 interpolate 모듈을 이용하여 픽셀들 간의 간격을 설정된 수치(예를 들어, 상기 0.075369)로 조정할 수 있다.

데이터 증폭부(112)는 지하공간의 깊이를 고려하여 데이터를 증폭시킨다. 일반적으로, 안테나에서 송신된 전파는 서로 다른 매질의 경계면을 통과할 때마다 매질의 반사율에 따른 반사파가 발생하게 되며, 투과된 전파만 진행하게 된다. 또한, 지하공간의 깊이가 깊어질수록 투과된 전파의 세기가 약해지고, 반사파의 세기 또한 약해지게 된다. 이렇게 되면 데이터를 이미지화하여 분석하는 과정에서 일정 깊이 이하의 신호는 관측이 어려워지게 된다. 종래에는 이러한 문제점을 해결하기 위해 선형 함수(linear function)나 지수 함수(exponential function)를 이용하여 신호를 증폭시켰다. 그러나, 선형 함수를 적용하는 경우에는 깊이가 깊은 지점의 신호를 증폭시켜주는 장점이 있는 반면 깊이가 깊지 않은 지표면 부근의 신호까지 증폭시켜 많은 노이즈를 발생시키는 문제점이 있다. 또한, 지수 함수의 경우 일정 깊이 이상에서 신호가 너무 급격하게 증폭되어 깊이가 깊은 부분의 노이즈가 과도하게 심해지는 문제점이 있다. 이에, 본 발명의 실시예들에서는 깊이가 상대적으로 얕은 부분과 깊이가 상대적으로 깊은 부분의 데이터 증폭 정도를 달리하여 지하공간의 깊이에 맞는 최적의 데이터 증폭을 달성할 수 있도록 하였다.

구체적으로, 데이터 증폭부(112)는 지하공간의 깊이가 가장 얕은 제1 구간, 상기 제1 구간보다 깊이가 깊은 제2 구간, 및 상기 제2 구간보다 깊이가 깊은 제3 구간별로 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 함수(F)로 표현되는 신호 증폭 필터를 상기 데이터에 적용한다.

상기 신호 증폭 필터의 함수(F)는 시그모이드(sigmoid) 형태로 이루어질 수 있으며, 아래 수학식 1로 표현되는 오차 함수(error function)를 개선한 함수이다.

도 7a는 본 발명의 일 실시예에 따른 오차함수의 그래프를 나타낸 예시이다.

도 7a에 도시된 바와 같이, 오차함수는 시그모이드 형태로 이루어지며 수학식 1로 표현되는 적분식으로 정의된다. 이러한 오차함수를 지하공간의 깊이(심도)에 따른 데이터의 증폭에 그대로 적용할 경우, 일반적으로 공동이 발생되는 깊이와 공동의 폭 및 크기와 맞지 않아 공동을 정확히 탐지하는 데 어려움이 있을 수 있다. 이에, 본 발명에서는 상기 오차함수를 개선하여 새로운 형태의 함수(F)를 생성하고, 상기 함수(F)로 표현되는 신호 증폭 필터를 적용하여 데이터를 증폭시킬 수 있도록 하였다.

구체적으로, 신호 증폭 필터의 함수(F)는 수학식 1로 표현되는 오차함수를 기반으로 상기 함수(F)에서 변곡이 시작되는 시작점과 상기 함수(F)에서 변곡이 끝나는 끝점 간의 폭인 변곡 범위, 상기 시작점과 상기 끝점 간의 중점인 변곡 중점, 상기 변곡 범위에서의 상기 함수(F)의 기울기, 및 상기 함수(F)의 y축 절편(bias)이 추가 변수로 설정될 수 있다. 여기서, 변곡이 시작되는 시작점은 상기 제1 구간과 제2 구간의 경계 지점일 수 있으며, 변곡이 끝나는 끝점은 상기 제2 구간과 제3 구간의 경계 지점일 수 있다. 또한, 변곡 범위는 제2 구간의 폭이며, 변곡 중점은 제2 구간의 중점일 수 있다. 상기 함수(F)는 아래의 수학식 2와 같이 표현될 수 있다.

도 7b는 도 7a에 도시된 오차함수를 개선한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시이다. 이때, 신호 증폭 필터의 함수(F)의 변수들은 아래 기본값(default value)으로 설정될 수 있다.

a : default value = 140

b : default value = 70

K : default value = 1

C : default value = 1.5

이때, x축은 지하공간의 깊이에 따른 픽셀값으로서, 단위는 픽셀(pixel) 또는 cm일 수 있다. 또한, y축은 데이터의 증폭 정도에 관한 가중치이다. 한편, 상기 기본값들은 일 예시에 불과하며 지하공간의 특성에 따라 상기 기본값들을 다르게 설정할 수도 있다.

도 7c는 본 발명의 일 실시예에 따른 a 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시이다. 도 7c에 도시된 바와 같이, a 값이 달라짐에 따라 변곡이 시작되는 시작점 및 끝점, 변곡 중점 등이 달라지는 것을 확인할 수 있다.

도 7d는 본 발명의 일 실시예에 따른 b 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시이다. 도 7d에 도시된 바와 같이, b 값이 달라짐에 따라 변곡 범위에서의 상기 함수(F)의 기울기가 달라지는 것을 확인할 수 있다.

도 7e는 본 발명의 일 실시예에 따른 K 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시이다. 도 7e에 도시된 바와 같이, 상기 K 값에 따라 데이터의 증폭 수치가 K배로 변화하게 되는 것을 확인할 수 있다.

도 7f는 본 발명의 일 실시예에 따른 C 값을 조정하고 나머지 변수를 기본값으로 고정한 신호 증폭 필터의 함수(F)의 그래프를 나타낸 예시이다. 도 7f에 도시된 바와 같이, 데이터의 증폭 수치에 C 값만큼 더해져서 상기 데이터가 증폭되는 것을 확인할 수 있다.

도 7g는 본 발명의 일 실시예에 따른 신호 증폭 필터의 적용 전후를 나타낸 데이터의 이미지 예시이다. 도 7g에 도시된 바와 같이, 신호 증폭 필터가 적용되는 경우 그렇지 않은 경우와 비교하여 공동 근처의 데이터들이 나머지 깊이의 데이터들에 비해 상대적으로 두드러지게 증폭되어 공동 부분이 보다 잘 식별되는 것을 확인할 수 있다.

범위 필터부(114)는 데이터의 픽셀값 범위를 설정된 범위 이내로 제한한다. 일반적으로, GPR 탐사를 통해 얻어진 데이터의 픽셀값은 약 - 30,000 ~ + 30,000 정도의 범위를 갖는다. 그러나, 이러한 범위의 데이터를 이미지화 하는 경우 픽셀값의 범위가 너무 넓어, 반사파의 세기가 상대적으로 강하게 나오는 매질에 비해 공동 부분의 반사파의 세기는 미약해 공동 부분의 신호가 잘 보이지 않게 된다. 이와 같이, 픽셀값의 범위가 지나치게 넓을 경우 데이터를 이미지화 하더라도 사람의 눈으로 식별이 어려워진다. 보다 구체적으로, 데이터를 이미지화 하는 경우 이미지의 픽셀값이 0 ~ 255 의 256 단계로 표현되는데, 픽셀값의 범위가 - 30,000 ~ + 30,000 인 데이터를 256 단계의 픽셀값으로 환산하게 되면 한 단계의 명암을 나타내는 픽셀값의 범위가 약 234가 된다. 이 경우, 픽셀값이 234 이상 차이가 나야 명암의 구별이 가능하게 되므로, 사람의 눈으로 공동 부분을 식별하기 어려워진다. 이에, 본 발명의 실시예들에서는 공동 부분의 신호를 잘 찾아내기 위해 픽셀값의 범위를 설정된 범위 이내로 제한하도록 하였다. 범위 필터부(114)는 예를 들어, cv2 라이브러리의 THRESH_TRUNC 기반의 Range 필터를 적용하여 데이터의 픽셀값 범위를 설정된 범위 이내로 제한할 수 있다. 예를 들어, 임계값 이상의 너무 큰 픽셀값들은 상기 임계값으로 변환되며 임계값 미만의 픽셀값들은 원래의 값으로 그대로 유지될 수 있다. 구체적으로, 임계값이 3,000이라 가정하는 경우, 범위 필터부(114)는 - 30,000 ~ + 30,000 범위의 픽셀값들을 - 3,000 ~ + 3,000 범위로 변환할 수 있다. 이 경우, 약 23의 픽셀값 차이마다 명암 단계가 바뀌게 되므로 픽셀값의 변화 정도를 보다 예리하게 분석 가능해진다.

도 8은 본 발명의 일 실시예에 따른 범위 필터부(114)에서 데이터의 픽셀값 범위를 제한하기 전과 후를 나타낸 이미지 예시이다. 도 8에 도시된 바와 같이, 데이터의 픽셀값 범위를 설정된 범위 이내로 제한하는 경우 공동 부분의 신호가 보다 잘 식별되는 것을 확인할 수 있다.

로컬 평균 차감부(116)은 탐사차량(C)의 주행방향에 따른 노이즈를 제거한다. 일반적으로, 공동 부분의 신호의 파형은 쌍곡선(hyperbola) 형태를 띠는 경우가 많으나 종래 칼만필터를 이용하여 오차를 보정한 데이터에서는 가로 방향(즉, 탐사차량의 주행방향)의 직선으로 보여지는 신호(예를 들어, 파이프 신호, 지표면 신호 등)가 잘 제거되지 않아 공동 부분의 신호와 겹쳐 보이는 경우가 빈번하다. 이 경우, 공동 부분의 신호가 상기 가로 방향의 직선으로 보여지는 신호에 의해 가려지게 된다. 이에, 본 발명의 실시예들에서는 이러한 탐사차량(C)의 주행방향에 따른 노이즈를 제거하기 위해 가우시안 함수를 이용하였다.

일반적으로, 가우시안 필터의 마스크 행렬은 중앙부에서 큰 값을 가지고 가장자리로 갈수록 0에 가까운 값을 가지게 되는데, 가우시안 필터의 마스크를 이용하여 연산을 수행하게 되면 대상 픽셀의 근처에서 가중치를 크게 두고 대상 픽셀과 멀어질수록 가중치를 작게 두어 가중 평균을 구하는 경우와 같다. 일반적인 가우시안 필터나 평균값 필터의 경우 대상 픽셀의 픽셀값을 상기 대상 픽셀의 주변 픽셀값들의 평균값이나 가우시안 함수의 연산값으로 대체하는 방식이나, 이러한 일반적인 가우시안 필터나 평균값 필터를 그대로 적용할 경우 상술한 탐사차량(C)의 주행방향에 따른 노이즈 뿐 아니라 공동 부분의 신호까지 제거되는 문제점이 있다. 이에, 본 발명의 실시예들에서는 가우시안 필터를 그대로 적용하는 것이 아니라 대상 픽셀의 픽셀값에서 가우시안 함수의 연산값을 차감하는 방식으로 탐사차량(C)의 주행방향에 따른 노이즈만을 선택적으로 제거할 수 있도록 하였다.

도 9는 본 발명의 일 실시예에 따른 로컬 평균 차감부(116)에서 가로 방향 직선의 노이즈를 제거하기 전과 후의 데이터 이미지를 나타낸 예시이다.

도 9에 도시된 바와 같이, 로컬 평균 차감부(116)은 탐사차량(C)의 주행방향을 기준으로 설정된 범위의 픽셀값들을 선별(예를 들어, 상기 주행방향을 따라 특정 구간 내 2m 이내 픽셀값들을 선별)하고, 상기 설정된 범위의 정중앙에 대응되는 픽셀값(x)을 기준으로 하여 아래 수학식 3으로 표현되는 가우시안 함수의 연산값(G(x))을 획득한 후 상기 픽셀값(x)에서 상기 연산값(G(x))을 차감하여 상기 주행방향에 따른 노이즈를 제거할 수 있다.

(여기서, σ는 기 정의된 표준편차 값임)

즉, 로컬 평균 차감부(116)은 x - G(x) 의 연산을 수행하여 탐사차량(C)의 주행방향에 따른 노이즈를 제거할 수 있다. 이 경우, 공동 부분의 신호가 최대한 보존되며 가로 방향, 즉 탐사차량(C)의 주행방향에 따른 직선 신호(노이즈)만 선택적으로 제거될 수 있다. 도 10의 (a)는 상기 주행방향에 따른 노이즈가 제거되기 전의 데이터 이미지이며, 도 10의 (b)는 상기 주행방향에 따른 노이즈가 제거된 후의 데이터 이미지이다. 도 10에 도시된 바와 같이, 지표면 부근의 가로 방향의 노이즈, 파이프와 같은 가로 방향의 노이즈가 확인히 줄어든 것을 확인할 수 있다.

이러한 로컬 평균 차감부(116)에서 적용되는 필터는 예를 들어, 1차원 함수인 cv2 라이브러리의 cv2.getGaussianKernel(kernel, sigma)를 공동 분석가가 분석할 수 있도록 제곱한 값의 형식인 cv2.filter2D() 함수를 기반으로 제작될 수 있다.

또한, 로컬 평균 차감부(116)는 상기 설정된 범위 또는 상기 설정된 범위에서 선별되는 픽셀값들의 개수, 상기 가우시안 함수의 커널(kernel) 사이즈 및 상기 표준편차 값들의 조합에 대한 서로 다른 경우의 수(number of case)를 설정된 횟수 이상 반복 수행함으로써 최적의 상기 설정된 범위 또는 상기 설정된 범위에서 선별되는 픽셀값들의 개수, 상기 가우시안 함수의 커널 사이즈 및 상기 표준편차 값을 각각 선택할 수 있다. 로컬 평균 차감부(116)는 예를 들어, 파이썬(python)의 반복문을 통해 각 파라미터들 간의 모든 조합에 대한 경우의 수를 반복 수행함으로써 최적의 파라미터를 선택할 수 있다.

노이즈 제거부(118)는 상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용한다.

일반적으로, GPR 탐사를 위한 데이터는 GPR 탐사 장비 자체에 의한 노이즈, 반사파를 수신하여 기록하는 과정에서 발행되는 노이즈 등을 포함할 수 있으며, 이러한 노이즈는 소금&후추 노이즈(salt & pepper noise)라는 이름의 노이즈로 불린다. 종래에는 이러한 노이즈 제거를 위해 중간값 필터를 사용하였으나 이 경우 노이즈 뿐 아니라 공동 부분의 신호까지 뭉개지거나 흐려지는 문제점이 있다. 이에, 본 발명의 실시예들에서는 공동 부분의 신호에 영향이 가지 않는 범위에서 상술한 소금&후추 노이즈만을 선택적으로 제거할 수 있는 노이즈 제거 필터를 적용하였다.

상술한 바와 같이, GPR 장비로부터 획득된 1차원 형태 데이터를 3차원 형태 데이터로 재구성하는 경우, 데이터는 탐사차량의 주행방향(즉, 거리방향) X 탐사차량(C)의 폭을 나타내는 직선의 방향(즉, 안테나의 채널방향) X 지하공간의 깊이방향의 3차원 공간으로 구현될 수 있다. 이러한 3차원 공간은 가상의 3차원 정육면체 형태로 표현될 수 있으며, 노이즈 제거부(118)는 상기 가상의 정육면체를 기반으로 노이즈 제거 필터를 적용할 수 있다.

도 10a는 본 발명의 일 실시예에 따른 노이즈 제거 필터가 작동하기 위한 3 X 3 X 3 행렬의 큐브(cube) 모형의 예시이다.

도 10a에 도시된 바와 같이, 노이즈 제거부(118)는 상기 데이터의 3차원 행렬 형태에 대응되도록 서브-정육면체(sub-cube) 8개로 이루어진 가상의 정육면체(cube)를 생성할 수 있다. 이때, 상기 정육면체를 이루는 x축, y축, z축은 탐사차량의 주행방향(즉, 거리방향), 탐사차량(C)의 폭을 나타내는 직선의 방향(즉, 안테나의 채널방향), 지하공간의 깊이방향으로 각각 정의될 수 있다.

노이즈 제거부(118)는 상기 정육면체의 서로 다른 2개의 꼭지점들을 상호 잇는 직선의 방향 및 상기 꼭지점들 중 하나와 상기 정육면체의 중심점을 잇는 직선의 방향 중 적어도 둘 이상의 직선방향을 선택하며, 상기 데이터에 포함된 픽셀값의 부호를 기반으로 노이즈를 제거하는 노이즈 제거 필터를 상기 직선방향으로 적용할 수 있다.

이때, 노이즈 제거 필터는 제1 노이즈 제거 필터 및 제2 노이즈 제거 필터를 포함할 수 있다.

상기 제1 노이즈 제거 필터는 제1 기준 픽셀값의 전후에 위치하는 설정된 개수의 연속된 픽셀값들의 부호와 상기 제1 기준 픽셀값의 부호가 상이한 경우 상기 제1 기준 픽셀값의 부호를 반대로 바꿔줄 수 있다.

일 예시로서, 연속된 픽셀값들의 부호가 아래와 같은 경우, 제1 노이즈 제거 필터는 제1 기준 픽셀값의 부호를 반대로 바꿔줄 수 있다. 여기서, 설정된 개수는 3이라 가정한다.

<제1 노이즈 제거 필터 적용 전>

+ + + - + + +

<제1 노이즈 제거 필터 적용 후>

+ + + + + + +

또한, 상기 제2 노이즈 제거 필터는 제2 기준 픽셀값의 전후에 위치하는 설정된 개수의 연속된 픽셀값들이 0으로 관측된 상태에서 상기 제2 기준 픽셀값이 0이 아닌 다른 값으로 관측되는 경우 상기 제2 기준 픽셀값을 0으로 바꿔줄 수 있다.

일 예시로서, 연속된 픽셀값들의 부호가 아래와 같은 경우, 제2 노이즈 제거 필터는 제2 기준 픽셀값을 0으로 바꿔줄 수 있다. 여기서, 설정된 개수는 5라 가정한다.

<제2 노이즈 제거 필터 적용 전>

0 0 0 0 0 - 0 0 0 0 0

<제2 노이즈 제거 필터 적용 후>

0 0 0 0 0 0 0 0 0 0 0

이와 같은 제1 노이즈 제거 필터는 sign smoother 필터, 제2 노이즈 제거 필터는 zero smoother 필터로 칭할 수 있다.

이때, 노이즈 제거부(118)는 도 7g에 도시된 상기 탐사차량의 폭을 나타내는 직선의 방향, 상기 지하공간의 깊이방향 및 상기 탐사차량의 주행방향 각각에 대응되는 직선방향으로 상기 제1 노이즈 제거 필터를 적용하고, 상기 정육면체의 각 꼭지점과 상기 정육면체의 중심점을 잇는 13개의 직선방향으로 상기 제2 노이즈 제거 필터를 적용할 수 있다. 상기 탐사차량의 폭을 나타내는 직선의 방향, 상기 지하공간의 깊이방향 및 상기 탐사차량의 주행방향이 아닌 다른 방향에 대해 제1 노이즈 제거 필터를 적용할 경우 공동 부분의 신호까지 제거되는 경우가 발생되므로, 노이즈 제거부(118)는 상기 탐사차량의 폭을 나타내는 직선의 방향, 상기 지하공간의 깊이방향 및 상기 탐사차량의 주행방향에 대해서만 제1 노이즈 제거 필터를 적용할 수 있다. 이는 대각선과 곡선 형태로 존재하는 공동 부분의 신호 특성에 기인한 것이다.

또한, 노이즈 제거부(118)는 상기 제1 기준 픽셀값의 전후에 위치하는 연속된 픽셀값들의 개수에 대한 기준 및 상기 제2 기준 픽셀값의 전후에 위치하는 연속된 픽셀값들의 개수에 대한 기준을 각각 달리하여 상기 제1 노이즈 제거 필터 및 상기 제2 노이즈 제거 필터를 적용할 수 있다.

일 예시로서, 노이즈 제거부(118)는 상기 선택된 직선방향에 대해 3 픽셀을 기준으로 상기 제1 노이즈 제거 필터를 한번, 7 픽셀을 기준으로 상기 제2 노이즈 제거 필터를 한번, 5 픽셀을 기준으로 상기 제2 노이즈 제거 필터를 한번, 이렇게 총 3번 노이즈 제거 필터를 적용할 수 있다. 이 경우, 공동 부분에 대한 신호는 유지한 채 소금&후추 노이즈만이 선택적으로 제거될 수 있다.

도 10b는 본 발명의 일 실시예에 따른 노이즈 제거 필터의 적용 전후를 나타낸 예시이다.

도 10b에 도시된 바와 같이, 노이즈 제거부(118)의 노이즈 제거 필터가 적용된 경우 적용 전과 비교하여 소금&후추 노이즈가 확연히 줄어든 것을 확인할 수 있다.

크로핑부(120)는 앞서 설명한 전처리 과정이 모두 적용된 데이터를 딥러닝 모델에 입력하기 전 상기 데이터를 크로핑(cropping)한다. 전처리가 완료된 데이터가 일정 크기 이상인 경우, 상기 데이터를 딥러닝 모델에 입력하는 과정에서 메모리 부족으로 인한 오류가 발생할 수 있다. 이에, 크로핑부(120)는 전처리가 완료된 데이터를 설정된 픽셀 단위(예를 들어, 1,000 픽셀 단위)로 크로핑하여 딥러닝 모델에 입력하기 위한 입력 데이터를 생성할 수 있다.

공동 예측부(122)는 전처리 및 크로핑이 완료된 데이터를 딥러닝 모델에 입력함으로써 지하공간 내에서의 공동을 예측한다. 본 실시예들에 있어서, 상기 딥러닝 모델은 예를 들어, C-GAN(Convolutional Generative Adversarial Network)일 수 있다. C-GAN은 생성자(Generator)와 판별자(Discriminator)가 경쟁을 하며 학습을 하는 구조로 이루어진 GAN(Generative Adversarial Network)이 개선된 형태의 모델로서, 앞서 설명한 입력 데이터와 기 학습된 학습 데이터를 기반으로 지하공간 내에서의 공동 부분을 출력할 수 있다. 이때, 딥러닝 모델에서 출력된 데이터는 NPY 형식의 데이터일 수 있다. 또한, 딥러닝 모델에서 예측된 공동 부분은 특정 색깔로 표시된 이미지로 나타날 수 있다.

도 11은 본 발명의 일 실시예에 따른 공동 예측부(122)에서 예측된 공동 부분을 나타낸 예시이다. 도 11의 (a)는 상술한 크로핑을 제외한 전처리가 완료된 NPY 형식의 데이터 이미지이며, 도 11의 (b)는 공동 예측부(122)의 딥러닝 모델에서 출력된 공동 부분에 관한 데이터 이미지이다.

도 11에 도시된 바와 같이, 도 11의 (a)에서 공동 부분의 특징을 보이는 형태의 영역과 도 11의 (b)에서 특정 색깔로 표시된 영역이 서로 일치하는 것을 확인할 수 있다. 공동 예측부(122)는 도 11의 (a)에 도시된 공동 부분을 나타내는 영역과 도 11의 (b)에 도시된 공동 부분으로 예측한 영역을 서로 겹쳐서 출력할 수 있다.

도 12는 본 발명의 일 실시예에 따른 딥러닝 모델의 데이터 처리 과정을 나타낸 예시이다. 도 12의 (a)는 딥러닝 모델에 입력되는 입력 데이터의 예시를 나타낸 도면이며, 도 12의 (b)는 딥러닝 모델에서 데이터가 처리되는 예시를 나타낸 도면이며, 도 12의 (c)는 딥러닝 모델에서 출력되는 공동 부분의 데이터 이미지를 나타낸 예시이다.

후처리부(124)는 딥러닝 모델에서 출력된 데이터를 원하는 데이터 형식으로 변환한다. 상기 딥러닝 모델에서 출력된 데이터는 예를 들어, 1,000 픽셀씩 크로핑되어 있고 6개의 채널이 묶여있는 형태일 수 있다. 후처리부(124)는 각 채널별로 서로 다른 가중치를 부여하거나 크로핑된 데이터를 특정 거리만큼 합쳐주는 등의 후처리를 수행할 수 있다. 또한, 후처리부(124)는 공동 부분으로 예측된 영역을 특정 색깔로 표시하거나 박스(box) 처리할 수 있다. 이와 같이 후처리된 데이터는 설정된 프론트 엔드(front-end) 프로그램을 통해 가시화되어 출력될 수 있다.

도 13은 본 발명의 일 실시예에 따라 전처리된 데이터를 시각적으로 나타내는 프론트 엔드 프로그램의 예시이다. 도 13에 도시된 바와 같이, 프론트 엔드 프로그램은 예를 들어, 파일 뷰어(file viewer)일 수 있다. 상기 프론트 엔드 프로그램은 공동 탐지 대상이 되는 지하공간과 관련된 종단면, 평면, 횡단면, 도로노면, 주변영상, 지도, 수신파형 등을 가시화하여 출력할 수 있다.

도 14는 본 발명의 일 실시예에 따른 공동 예측 시스템(100)과 종래의 공동 예측 시스템을 비교한 예시이다. 도 14의 (a)는 종래의 공동 예측 시스템을 나타낸 도면이며, 도 14의 (b)는 본 발명의 일 실시예에 따른 공동 예측 시스템(100)을 나타낸 도면이다.

도 14의 (a)에 도시된 종래의 공동 예측 시스템의 경우 견인식 또는 일체식 탐사차량을 이용하여 지반 하부의 탐사를 종료한 후 현장에서 측정된 데이터를 별도의 외장하드 등을 통해 컴퓨터 하드디스크로 옮기고 분석 전문가들이 분석 프로그램을 통해 공동 분석을 진행하고 공동 위치정보의 자료를 작성하는 등의 순차적인 절차를 거치게 된다. 상술한 바와 같이, 종래의 GRP 탐사 방식에 따르면 공동 탐사에 있어 전문인력의 집중력이나 주관적인 판단에 의존할 수 밖에 없고 탐사 시작부터 분석 종료까지 긴 시간이 소요됨에 따라 급작스런 도로 함몰 사거나 지진 등의 재해에 긴급하게 대응할 수 없는 문제점이 있다.

반면, 도 14의 (b)에 도시된 본 발명의 일 실시예에 따른 공동 예측 시스템(100)의 경우 탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 보다 신속하고 정확하게 획득할 수 있다. 본 발명의 일 실시예에 따르면, 공동 탐사에 있어 전문인력의 집중력이나 주관적인 판단에 의존할 필요가 없으며 탐사 시작부터 분석 및 종료까지 원시스템을 통해 실시간으로 이루어지므로 급작스런 도로 함몰 사거나 지진 등의 재해에도 즉각적으로 대응할 수 있다.

도 15는 본 발명의 일 실시예에 따른 공동 탐사 방법을 설명하기 위함 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.

S10 단계에서, 데이터 변환부(102)는 탐사차량(C)에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환한다.

S20 단계에서, 데이터 재구성부(104)는 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성한다.

S30 단계에서, 정렬부(106)는 안테나의 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하고, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬한다.

S40 단계에서, 배경 노이즈 제거부(108)는 정렬부(106)에서의 정렬 과정을 거친 데이터 상에서 배경 노이즈를 제거한다.

S50 단계에서, 보간부(110)는 앞선 전처리 과정을 거친 데이터와 딥러닝 모델의 학습에 사용된 학습 데이터 간의 데이터 구조 및 형식을 맞추기 위해 상기 데이터 내 픽셀간의 간격을 설정된 수치로 조정한다.

S60 단계에서, 데이터 증폭부(112)는 지하공간의 깊이를 고려하여 데이터를 증폭시킨다. 데이터 증폭부(112)는 예를 들어, 지하공간의 깊이가 가장 얕은 제1 구간, 상기 제1 구간보다 깊이가 깊은 제2 구간, 및 상기 제2 구간보다 깊이가 깊은 제3 구간별로 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 함수(F)로 표현되는 신호 증폭 필터를 상기 데이터에 적용할 수 있다.

S70 단계에서, 범위 필터부(114)는 데이터의 픽셀값 범위를 설정된 범위 이내로 제한한다.

S80 단계에서, 로컬 평균 차감부(116)는 탐사차량(C)의 주행방향에 따른 노이즈를 제거한다. 로컬 평균 차감부(116)는 예를 들어, 상기 탐사차량의 주행방향을 기준으로 설정된 범위의 픽셀값들을 선별하고, 상기 설정된 범위의 정중앙에 대응되는 픽셀값(x)을 기준으로 하여 아래 수학식으로 표현되는 가우시안 함수의 연산값(G(x))을 획득한 후 상기 픽셀값(x)에서 상기 연산값(G(x))을 차감하여 상기 주행방향에 따른 노이즈를 제거할 수 있다.

S90 단계에서, 노이즈 제거부(118)는 상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용한다.

S100 단계에서, 크로핑부(120)는 앞서 설명한 전처리 과정이 모두 적용된 데이터를 딥러닝 모델에 입력하기 전 상기 데이터를 크로핑한다.

S110 단계에서, 공동 예측부(122)는 상기 데이터를 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측한다.

S120 단계에서, 후처리부(124)는 딥러닝 모델에서 출력된 데이터를 원하는 데이터 형식으로 변환한다.

도 16은 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되지 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 공동 예측 시스템(100), 또는 공동 예측 시스템(100)에 포함되는 하나 이상의 컴포넌트일 수 있다.

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.

이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

100 : 공동 예측 시스템
102 : 데이터 변환부
104 : 데이터 재구성부
106 : 정렬부
108 : 배경 노이즈 제거부
110 : 보간부
112 : 데이터 증폭부
114 : 범위 필터부
116 : 로컬 평균 차감부
118 : 노이즈 제거부
120 : 크로핑부
122 : 공동 예측부
124 : 후처리부

Claims

탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 시스템으로서,
탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하고, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 데이터 변환부;
상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 데이터 재구성부;
상기 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하고, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬하는 정렬부;
상기 지하공간의 깊이에 따라 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 신호 증폭 필터를 상기 데이터에 적용하는 데이터 증폭부;
상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용하는 노이즈 제거부; 및
상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 공동 예측부를 포함하며,
상기 정렬부는, 상기 각 채널별 데이터의 최대값과 최소값의 평균치인 제1 정렬값을 계산하고, 상기 각 채널별 데이터의 최대값과 최소값의 중간값인 제2 정렬값을 계산하며, 상기 제1 정렬값과 상기 제2 정렬값의 평균치에 대응되는 픽셀 지점을 상기 지하공간에 대응되는 지표면으로 간주한 후 상기 픽셀 지점을 기준으로 상기 각 채널별 시간차를 보정하는, 공동 예측 시스템.
청구항 1에 있어서,
상기 데이터 변환부는, 넘파이 라이브러리(Numpy library)를 이용하여 RD3 형식의 상기 미가공 데이터를 NPY 형식의 상기 데이터로 변환하는, 공동 예측 시스템.
삭제
청구항 1에 있어서,
상기 데이터와 상기 딥러닝 모델의 학습에 사용된 학습 데이터 간의 데이터 구조 및 형식을 맞추기 위해 상기 데이터 내 픽셀간의 간격을 설정된 수치로 조정하는 보간부를 더 포함하는, 공동 예측 시스템.
청구항 1에 있어서,
상기 딥러닝 모델은, C-GAN(Convolutional Generative Adversarial Network)인, 공동 예측 시스템.
탐사 시작부터 분석 및 출력까지 자동화된 연속적인 프로세스를 통해 원스탑(one-stop)으로 공동 부분에 관한 정보를 획득하는 공동 예측 방법으로서,
데이터 변환부에서, 탐사차량에 장착된 복수의 채널을 갖는 안테나로부터 지하공간에 관한 미가공 데이터(raw data)를 수신하는 단계;
상기 데이터 변환부에서, 상기 미가공 데이터를 딥러닝 모델에서 처리 가능한 구조의 데이터로 변환하는 단계;
데이터 재구성부에서, 상기 안테나의 각 채널별, 상기 지하공간의 깊이별, 및 상기 안테나와 상기 지하공간의 종단면과의 거리별로 상기 데이터를 이미지화하여 분석하기 위해 상기 데이터를 3차원 행렬 형태로 재구성하는 단계;
정렬부에서, 상기 각 채널별 데이터의 최대값과 최소값을 이용하여 상기 각 채널별 시간차를 보정하는 단계;
상기 정렬부에서, 상기 각 채널별 옵셋(offset)의 차이에 따라 상기 각 채널별 데이터의 변위를 조정하여 상기 각 채널별 시작점을 정렬하는 단계;
데이터 증폭부에서, 상기 지하공간의 깊이에 따라 상기 데이터의 증폭 정도에 관한 가중치가 동적으로 가변되는 신호 증폭 필터를 상기 데이터에 적용하는 단계;
노이즈 제거부에서, 상기 데이터에 포함된 픽셀값의 부호를 기반으로 상기 데이터에 설정된 노이즈 제거 필터를 적용하는 단계; 및
공동 예측부에서, 상기 데이터를 상기 딥러닝 모델에 입력함으로써 상기 지하공간 내에서의 공동을 예측하는 단계를 포함하며,
상기 각 채널별 시간차를 보정하는 단계는, 상기 각 채널별 데이터의 최대값과 최소값의 평균치인 제1 정렬값을 계산하고, 상기 각 채널별 데이터의 최대값과 최소값의 중간값인 제2 정렬값을 계산하며, 상기 제1 정렬값과 상기 제2 정렬값의 평균치에 대응되는 픽셀 지점을 상기 지하공간에 대응되는 지표면으로 간주한 후 상기 픽셀 지점을 기준으로 상기 각 채널별 시간차를 보정하는, 공동 예측 방법.