지난 1세기 동안 영상 기술과 계산 자원의 발전에 힘입어, 이미지 기반 분석 기법은 재료의 미세조직, 변형 및 파괴 거동을 규명하기 위해 널리 활용되어 왔다. 이미지 기반 분석 기법은 물체 표면에 대한 2차원 측정에 실용적이고 효과적이다. 현재는 입체영상(stereographic) 및 단층촬영(tomographic) 기법과 함께 물체의 평면 밖(out-of-plane) 및 내부(subsurface) 측정도 수행할 수 있다. 그 결과, 섬유강화 고분자(FRP, fiber-reinforced polymer) 복합재의 이질적인 미세조직과 복잡한 파괴 거동을 조사하기 위한 이미지 기반 연구가 광범위하게 이루어져 왔다. 본 논문에서는 이미지 기반 기법을 사용한 FRP 복합재에 대한 선행 연구를 검토하였다. 선행 연구들은 분석되는 영상의 유형에 따라 세 그룹으로 분류하였다: (1) 이진 이미지 분석, (2) 2차원 또는 3차원 입체영상(stereographic images)을 이용한 디지털 영상 상관관계(digital image correlation) 분석, (3) 체적 영상을 이용한 디지털 체적 상관관계(digital volume correlation) 분석.

원자력발전소의 주요 계통에서 발생하는 느슨한 부품은 장비의 내부 표면과 충돌할 수 있으며, 특히 증기발생기와 같은 고속 영역에서 상당한 안전 위험을 초래한다. 이러한 충돌은, 특히 증기발생기 튜브의 용접 이음부 인근에서 균열을 유발하고 냉각재 누설로 이어질 수 있다. 이러한 위험을 완화하기 위해 원자력발전소는 규칙 기반 알고리즘에 따라 경보를 발생시키는 느슨한 부품 모니터링 시스템을 사용한다. 그러나 현재의 방법은 분석자의 숙련도에 의존하며, 적시에 분석하기가 어렵다. 본 논문은 검출된 모든 느슨한 부품의 질량과 그 충격 위치를 추정하기 위한 컨볼루션 신경망(CNN) 모델을 제안한다. CNN 모델은 카르테시안 좌표와 위그너-빌 분포(Wigner-Ville distribution)로부터 유도된 위치 불변 손실 함수(position-invariant loss function)를 사용한다. 제안된 방법은 원자력발전소의 주요 계통 증기발생기를 모사하기 위해 특별히 설계된 1/4 스케일 테스트베드에서 획득한 충격 신호를 사용하여 검증한다. 본 연구는 제안된 방법이 기존 방법보다 3차원 구조 내부의 느슨한 부품에 대한 충격 위치와 질량을 더 정확하고 빠르게 추정할 수 있음을 실험적으로 확인한다.

• 제안된 모델은 S-scan 영상을 고해상도 TFM 영상으로 변환한다. • 제안된 모델은 고품질 영상화와 신속한 처리를 결합한다. • 좌표 정보는 트랜스듀서와 관심영역(ROI) 간의 공간적 관계를 반영한다. • 계산 시간은 기존 TFM 방법에 비해 3배 감소한다. • 모델은 최소한의 실험 데이터로 미세조정(fine-tuning)하더라도 성능을 유지한다. 위상배열(Phased array) 초음파 영상은 결함 검출을 위한 비파괴검사에서 널리 사용된다. 섹터 스캔(sector scan; S-scan)은 낮은 해상도에서 빠른 검사를 수행하는 데 널리 사용되는 방법이다. 반면, 총초점기법(total focusing method; TFM)은 고해상도 영상을 제공하므로 결함의 정확한 특성 규명에 효과적이다. 본 연구는 S-scan을 TFM 수준의 영상으로 변환함으로써 신속한 고해상도 영상화를 위한 딥러닝 프레임워크를 제안한다. 제안된 신경망은 위상배열 트랜스듀서에 대한 각 영상 패치의 공간 좌표 정보를 통합함으로써 S-scan 데이터로부터 향상된 시각화를 생성한다. 균열과 유사한 결함의 모의(simulated) 영상에서 그 결과는 낮은 평균절대오차(mean absolute error)와 높은 구조적 유사성(structural similarity)을 보였으며, 이는 실제(ground-truth) TFM 영상과의 높은 충실도를 달성함을 나타낸다. 또한 영상 재구성은 기존 TFM에 비해 약 3배 더 빠르며, 이는 제안된 방법이 더 높은 해상도의 신속한 검사에 적용될 잠재력을 보여준다. 더 나아가 인공 결함이 포함된 알루미늄 블록 시편을 제작하여 제안된 모델의 견고성을 평가하였고, 사전학습(pre-trained)된 모델을 소량의 실험 데이터로 미세조정할 때 성능이 유지됨을 확인하였다. 따라서 본 프레임워크는 S-scan의 신속한 스캐닝 능력과 TFM의 고해상도를 결합함으로써 정확하고 비용 효율적인 초음파 검사를 위한 효과적인 방법을 제시한다.