본 연구는 수분 함량이 높은 연성 토양에서 GPR을 이용한 공동 탐지의 어려움을 해결하기 위해 TriView-YOLO를 제안합니다. TriView-YOLO는 세 개의 정렬된 뷰(장세로 B-스캔, 수평 C-스캔, 단면 B-스캔)를 융합하여 YOLOv12 네트워크의 성능을 향상시킵니다. 1,600개의 전문가 검증된 현장 샘플로 훈련하여 방콕, 태국의 도로 공동 검사에 활용되었으며, 일본의 단단한 하위 등급을 추가하여 훈련 및 검증했습니다.
장세로 뷰에만 경계 상자를 요구하며, 테스트 세트는 방콕의 연성 해양 점토에서 수집되었습니다. 테스트 세트에서 mAP50은 0.558 +/- 0.028을 달성했으며, 23.6 GFLOPs와 3.1ms/이미지 성능을 보였습니다. 보조 뷰를 제거하면 mAP50과 재현율이 감소하는 것으로 나타났습니다.
공개 및 합성 훈련 이미지, DINOv3 특징, 더 큰 모델 크기, COCO 사전 훈련은 성능 향상에 기여하지 않았습니다. 본 연구는 GPR 공동 탐지 평가에 대한 새로운 접근 방식을 제시합니다.