• 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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.