3.1. GPR 탐사

GPR 탐사는 Fig. 2와 같이 송신안테나(Transmitter)로부터 수 MHz∼GHz 범위의 전자기파를 지표면이나 구조물의 노 출면에서 내부로 방사시킨 후, 전자기적 물성이 다른 매질을 만나 반사되어 돌아온 신호를 수신안테나(Receiver)에서 받 고 이를 시간축에 기록하는 원리이다. 매립관 및 공동 탐사용 GPR은 미국 Geophysical사의 SIR-3000를 사용하였으며, 탐 사는 400 MHz의 안테나를 사용하였다. 또한 탐사 데이터는 Geophysical사의 RADAN 7을 사용하여 이미지 처리하였다.

Fig. 2

Principle of GPR detection

3.2. 토조 제작

실증적인 GPR 탐사를 위하여 가로 2 m, 세로 3 m, 높이 2 m 인 대형 토조 실험체(TB1)를 Fig. 3과 같이 제작하였다. 토조 는 실제 현장과 동일한 토사로 채웠으며, 관상고 1.0 m로 탐사 가 용이한 콘크리트 흄관(Hume pipe) Φ 300 mm 및 PE관(PE pipe) Φ 200 mm를 매립하였다. 매립관 옆에 발생하는 공동은 가로 205× 세로 205× 깊이 130 mm의 락앤락 통(Void)을 매립 깊이 0.7 m, 1.0 m, 1.3 m로 설치하였다.

Fig. 3

Construction plan of tank

제작된 토조는 4개의 포장조건으로 구분하여 GPR 탐사를 실시하였는데, 비포장, 무근 콘크리트 포장, 철근 콘크리트 포 장 및 아스팔트 포장으로 변수를 선정하였다. 포장의 마감두 께는 150 mm이고, 철근 콘크리트 포장은 8✕100✕100 mm의 와이어 메쉬를 사용하였다. 또한 GPR 탐사 측선은 Fig. 4와 같이 설정하였으며, 탐사는 Photo 3과 같이 진행하였다.

Fig. 4

GPR detection line

Photo 3

GPR detection on site

4.1. GPR 탐사 결과

Table 1에 GPR 탐사결과 중 측선 1과 측선 2에 대한 탐사 이미지를 나타내었는데, 포장 조건에 따라 탐사 결과가 약간 씩 상이하였다. 먼저 측선 1은 지하 1 m에 매립한 콘크리트 흄 관을 탐사한 것인데, 무근 콘크리트 및 아스팔트 포장에서 흄 관의 탐사가 용이하였으며, 철근 콘크리트 포장의 경우는 와 이어 메쉬의 전자파 간섭으로 흄관 신호가 명확히 포착되지 않았다. 또한 비포장의 경우에는 매립토 다짐이 미흡함에 기 인하여 명확한 흄관 신호를 탐사하지 못하였다. 측선 2는 0.7 m, 1.0 m, 1.3 m 깊이로 매립한 락앤락 통을 탐사한 것으로, 포장 조건에 상관 없이 0.7 m 깊이의 탐사는 용이하였으며, 1.0 m 깊이는 미약한 신호를 탐지하였다. 그러나 1.3 m 깊이는 탐지 가 곤란한 것으로 평가되었으며, 이는 지반내 공동을 모사한 락앤락의 크기가 너무 작음에 기인한 것으로 판단된다.

Table 1

GPR detection results of line 1 and 2

Pavement type	Line 1	Line 2
No
Concrte
RC concrete
Asphalt

4.2. 패턴 템플레이트 구축

패턴이라 함은 일정한 형태 등을 나타내는 용어로, GPR 탐 사결과를 수치적으로 표시할 수 없어, 형태 또는 특징을 나타 내는 패턴으로 구축하는 연구를 진행하였다. 이러한 패턴을 데이터베이스화 하여 유사한 패턴을 탐지할 수 있는 기능을 템플레이트라 한다. 이하는 본 연구에서 사용한 용어의 정의 이다.

여기서 GPRiPP란 본 연구에서 개발한 이미지 처리 프로그 램(GPR image Processing Program, ^{Lee, 2016})으로 기존 장비 에서 측정한 GPR탐사 데이터를 처리하는 프로그램이다. 주 요 흐름은 Fig. 5와 같이 측정한 데이터의 헤더 정보를 분석 및 로드하여 헤더정보와 지반정보로 분리하고, 분리된 헤더정보 의 날짜와 시간을 분석환경에 적합한 형식으로 변환하는 기 초변환단계, 헤더정보의 상수와 지반정보와 연결되는 구조정 보의 분리 및 분리된 상수와 구조정보를 상호 매칭되는 형식 으로 변환하는 메인변환단계, 헤더정보를 송신 가능한 패킷 으로 분할 및 헤더정보에 따라 지반정보를 로드하는 정보읽 기단계 및 헤더정보에 따라 지반정보를 좌표에 픽셀단위로 출력하고, 출력된 픽셀의 명도와 채도를 조절하여 노이즈를 제거하는 정보표시단계로 구성되어 있다(^{Lee, 2016}).

Fig. 5

Image processing procedure of GPR data

본 연구에서는 국내 최초로 지반내 공동 또는 매설물 탐사 신호를 자동으로 판별할 수 있는 패턴 인식 알고리즘을 GPRiPP에 추가하였다. 개발 프로그램에 적용된 패턴은 Open CV(Open Computer Vision)를 이용하여 개발하였으며, 이는 오픈 소스 컴퓨터 비전 C 라이브러리로 윈도, 리눅스 등의 여 러 플랫폼에서 사용할 수 있는 실시간 이미지 프로세싱에 중 점을 둔 라이브러리이다. 이러한 컴퓨터 비젼(Computer Vision) 은 인공지능의 한 분야로서, 기계의 시각에 해당하는 부분을 연 구하여, 인간의 눈이 하는 기능을 기계도 수행할 수 있도록 하 는 것이다. GPRiPP에 적용된 패턴 인식 절차는 아래와 같으며, Fig. 6에 이미지 추출 및 패턴 인식 절차를 나타내었다.

Fig. 6

Pattern template algorism

4.3. 패턴 인식 결과

Table 2에 탐사 측선 1에 대한 패턴을 정리하였는데, 이는 Table 1의 결과 등과 같은 탐사이미지에 매립관 및 공동에 해 당하는 이미지를 발췌하여 정리한 것이다. 이에 의하면 관상 고 1 m 깊이로 매립된 콘크리트 흄관의 패턴 이미지화는 가능 한 것으로 나타났다. 또한 Table 3에 탐사 측선 4에 대한 패턴 을 정리하였는데, 콘크리트 흄관, PE관 및 지반내 공동의 패 턴을 용이하게 인식하는 것으로 평가되었으며, 포장조건별 인식되는 패턴의 정도는 다소 상이하였다.

향후 이러한 패턴은 지반 공동의 형상 및 크기, 매립관 종 류, 매립 깊이, 토질 조건, 포장 조건 등과 같은 다양한 경우로 보완되어야 한다. 만약 GPR 탐사결과가 이와 유사한 패턴이 탐지되었을 경우, 공동 또는 매립관으로 추정 가능한 것으로 판단된다.

Table 2

Pattern construction of detection line 1

Pavement type	Line 1	Pattern image
No
Concrte
RC concrete
Asphalt

Table 3

Pattern construction of detection line 4

Pavement type	Line 1	Pattern image
No
Concrte
RC concrete
Asphalt

또한 패턴 측면의 기울기 및 중앙부의 평행한 정도 등도 정 밀하게 분석하여, 유사 패턴을 확인할 수 있는 자료 구축도 필 요한 것으로 판단된다. Table 4에 토조 탐사결과로 구축된 패 턴을 매립깊이별로 정리하였으며, 향후 다양한 현장 조건에 대한 데이터가 구축된다면, 지반침하를 사전에 탐지할 수 있 는 기술이 될 것으로 판단된다.

Table 4

Pattern template database

Burying depth(m)	Cavity	Hume pipe	PE pipe
0.7
1.0
1.3