This paper proposes a deep learning-based underground object classification technique incorporated with phase analysis of ground penetrating radar (GPR) for enhancing the underground object classification capability. Deep convolutional neural network (CNN) using the combination of the B- and C-scan images has recently emerged for automated underground object classification. However, it often leads to misclassification because arbitrary underground objects may have similar signal features. To overcome the drawback, the combination of B- and C-scan images as well as phase information of GPR are simultaneously used for CNN in this study, enabling to have more distinguishable signal features among various underground objects. The proposed technique is validated using in-situ GPR data obtained from urban roads in Seoul, South Korea. The validation results show that the false alarm is significantly reduced compared to the CNN results using only B- and C-scan images.

Fiber-Reinforced Cementitious Composites (FRCCs)는 시멘트 복합체에 혼입한 전도성 섬유로 인해 전기 전도성을 가진다. 이러한 특성은 전기적 응답 계측을 통하여 별도의 센서 설치가 필요 없는 구조물의 균열 모니터링을 가능하게 한다. 하지만 전기적 응답은 균열 발생뿐 만 아니라 온도의 변화에도 민감하게 변화하기 때문에 온도 요인은 전기적 응답 계측을 통한 균열 탐지를 방해하는 요소로 작용할 수 있다. 더욱이 전기적 응답을 측정하기 위한 탐침의 개수가 증가 할수록 원하지 않은 접촉 노이즈가 발생하기 때문에 이 논문에서는 탐침의 개수를 줄이기 위해 자체적인 자가센싱 임피던스 회로를 설계하였다. FRCC의 균열 발생과 온도 변화가 임피던스에 미치는 영향성은 자가센싱 임피던스 회로를 이용해 실험적으로 측정되었으며, 실험 결과, 임피던스 응답은 균열 발생보다 온도 변화에 더 민감하게 변화됨을 알 수 있었다.