비접촉 방식의 고해상도 이미징은 현대 산업 환경에서 생산을 중단하지 않고 정밀한 검사가 요구되는 복잡하고 다층적인 구조에 있어 핵심적이다. 비파괴적이며 깊이 방향 해상도를 갖춘 영상화 양식인 광학 코히어런스 단층촬영(optical coherence tomography, OCT)은 첨단 제조 공정에서 내부 특징을 실시간으로 시각화하는 변혁적 도구로 부상하였다. 본 총설은 OCT의 원리로 시작하여, 디스플레이 검사, 박막 모니터링, 마이크로전자공학, 인쇄회로기판(printed circuit board, PCB) 분석, 레이저 기반 제조, 코팅 평가를 포함한 주요 제조 분야 전반에 대한 적용을 종합적으로 분석한다. 각 영역에 대해 잠재 결함(subsurface defects)을 탐지하고 내부 형상을 측정하며 품질 관리를 지원하는 데 있어 대표적인 방법들의 효율성을 검토한다. 산업에서의 OCT의 역할은 기존의 검사 기법들과의 비교를 통해 강조된다. 또한 본 총설은 해상도, 광학적 침투 및 콘트라스트, 신호 품질, 시스템 통합, 하드웨어 비용, 처리량, 인공지능(artificial intelligence, AI) 및 데이터 인프라 전반에 걸친 현재의 과제들을 논의한다. 아울러 적응 광학(adaptive optics), 다중모달 및 AI 강화 영상화, 소형화 및 휴대형 OCT 플랫폼, 실시간 산업 적용을 위한 차세대 계산 및 데이터 처리 아키텍처에서의 최신 발전도 조명한다. 기술적 평가, 비교 분석, 미래 지향적 관점을 결합함으로써, 본 총설은 OCT를 스마트 제조(smart manufacturing) 및 산업 4.0(Industry 4.0) 환경에서 차세대 품질 보증을 위한 핵심 기술이자 기반 도구로 위치지운다.

여기서, 주사형 소스 광간섭단층촬영(swept-source optical coherence tomography, SS-OCT)의 광 신호 강도를 도입하여 서로 다른 벼 종자의 이미지를 정밀한 품종 분류에 활용하였다. 이러한 분류는 다양한 농업 관점에서 필수적이지만, 벼 종자는 외관이 유사하여 여전히 어려운 실정이다. 따라서 벼 종자 품종 분류에 관한 연구는 성공적인 벼 수확량 확보에 핵심적인 역할을 한다. 제안된 접근의 타당성을 검토하기 위해, 2종의 벼 종자 품종(Chucheong 및 Hopyeong)으로부터 2차원 OCT 영상을 획득한 후, 이를 광 신호 강도 평가에 적용하였다. 심도 의존적 광 스캔 프로파일 결과에 근거하여 평균 및 정규화된 후방산란 광 강도 곡선은 각 품종 간에 뚜렷한 차이를 나타냈고, 이는 품종을 정밀하게 분류하는 데 기여하였다. 따라서 개발된 광 신호 감지 접근법은 농업 산업에서 종자 품종 분류에 광범위하게 적용될 수 있다.

공간 샘플링 밀도와 데이터 크기는 광음향 현미경(photoacoustic microscopy, PAM)의 영상화 속도를 결정하는 중요한 요인이다. 따라서 일반적으로 스캔 스텝 크기를 증가시켜 PAM의 영상화 속도를 향상시키기 위해, 스캔 지점의 수를 줄이는 언더샘플링(undersampling) 방법이 채택된다. 언더샘플링 방법은 공간 샘플링 밀도를 희생하지만, 본 연구에서는 데이터 포인트의 수, 데이터 크기, 그리고 3차원(3D) 체적 데이터를 제공하는 PAM의 특성을 고려하여, 언더샘플링된 3D PAM 데이터를 완전히 재구성하는 딥러닝 기반 방법을 새롭게 보고한다. 정량 분석 결과는 제안된 방법이 견고성을 보이며, 다양한 언더샘플링 비율에서 보간(interpolation) 기반 재구성 방법을 능가함을 보여주었고, PAM 시스템 성능을 80배 더 빠른 영상화 속도와 800배 더 낮은 데이터 크기로 향상시켰다. 제안된 방법은 실험 조건에서 사용할 수 있는 가장 근접한 모델로 입증되었으며, 처리에 필요한 데이터 크기를 크게 줄이면서 영상화 시간을 효과적으로 단축한다.

비접촉 방식의 고해상도 이미징은 현대 산업 환경에서 생산을 중단하지 않고 정밀한 검사가 요구되는 복잡하고 다층적인 구조에 있어 핵심적이다. 비파괴적이며 깊이 방향 해상도를 갖춘 영상화 양식인 광학 코히어런스 단층촬영(optical coherence tomography, OCT)은 첨단 제조 공정에서 내부 특징을 실시간으로 시각화하는 변혁적 도구로 부상하였다. 본 총설은 OCT의 원리로 시작하여, 디스플레이 검사, 박막 모니터링, 마이크로전자공학, 인쇄회로기판(printed circuit board, PCB) 분석, 레이저 기반 제조, 코팅 평가를 포함한 주요 제조 분야 전반에 대한 적용을 종합적으로 분석한다. 각 영역에 대해 잠재 결함(subsurface defects)을 탐지하고 내부 형상을 측정하며 품질 관리를 지원하는 데 있어 대표적인 방법들의 효율성을 검토한다. 산업에서의 OCT의 역할은 기존의 검사 기법들과의 비교를 통해 강조된다. 또한 본 총설은 해상도, 광학적 침투 및 콘트라스트, 신호 품질, 시스템 통합, 하드웨어 비용, 처리량, 인공지능(artificial intelligence, AI) 및 데이터 인프라 전반에 걸친 현재의 과제들을 논의한다. 아울러 적응 광학(adaptive optics), 다중모달 및 AI 강화 영상화, 소형화 및 휴대형 OCT 플랫폼, 실시간 산업 적용을 위한 차세대 계산 및 데이터 처리 아키텍처에서의 최신 발전도 조명한다. 기술적 평가, 비교 분석, 미래 지향적 관점을 결합함으로써, 본 총설은 OCT를 스마트 제조(smart manufacturing) 및 산업 4.0(Industry 4.0) 환경에서 차세대 품질 보증을 위한 핵심 기술이자 기반 도구로 위치지운다.

여기서, 주사형 소스 광간섭단층촬영(swept-source optical coherence tomography, SS-OCT)의 광 신호 강도를 도입하여 서로 다른 벼 종자의 이미지를 정밀한 품종 분류에 활용하였다. 이러한 분류는 다양한 농업 관점에서 필수적이지만, 벼 종자는 외관이 유사하여 여전히 어려운 실정이다. 따라서 벼 종자 품종 분류에 관한 연구는 성공적인 벼 수확량 확보에 핵심적인 역할을 한다. 제안된 접근의 타당성을 검토하기 위해, 2종의 벼 종자 품종(Chucheong 및 Hopyeong)으로부터 2차원 OCT 영상을 획득한 후, 이를 광 신호 강도 평가에 적용하였다. 심도 의존적 광 스캔 프로파일 결과에 근거하여 평균 및 정규화된 후방산란 광 강도 곡선은 각 품종 간에 뚜렷한 차이를 나타냈고, 이는 품종을 정밀하게 분류하는 데 기여하였다. 따라서 개발된 광 신호 감지 접근법은 농업 산업에서 종자 품종 분류에 광범위하게 적용될 수 있다.

공간 샘플링 밀도와 데이터 크기는 광음향 현미경(photoacoustic microscopy, PAM)의 영상화 속도를 결정하는 중요한 요인이다. 따라서 일반적으로 스캔 스텝 크기를 증가시켜 PAM의 영상화 속도를 향상시키기 위해, 스캔 지점의 수를 줄이는 언더샘플링(undersampling) 방법이 채택된다. 언더샘플링 방법은 공간 샘플링 밀도를 희생하지만, 본 연구에서는 데이터 포인트의 수, 데이터 크기, 그리고 3차원(3D) 체적 데이터를 제공하는 PAM의 특성을 고려하여, 언더샘플링된 3D PAM 데이터를 완전히 재구성하는 딥러닝 기반 방법을 새롭게 보고한다. 정량 분석 결과는 제안된 방법이 견고성을 보이며, 다양한 언더샘플링 비율에서 보간(interpolation) 기반 재구성 방법을 능가함을 보여주었고, PAM 시스템 성능을 80배 더 빠른 영상화 속도와 800배 더 낮은 데이터 크기로 향상시켰다. 제안된 방법은 실험 조건에서 사용할 수 있는 가장 근접한 모델로 입증되었으며, 처리에 필요한 데이터 크기를 크게 줄이면서 영상화 시간을 효과적으로 단축한다.

허혈성 뇌졸중 동물 모델은 허혈성 손상에 대한 재관류 및 신경보호 전략의 효능을 평가한다. 다양한 기존 방법들이 허혈 모델을 유발하는 것으로 보고되어 왔으나, 영향을 받는 부위의 크기가 정확히 제어되지 않으므로 특정 신경학적 결손, 사망률, 그리고 경색 범위를 통제하기는 어렵다. 본 논문에서는 광음향 현미경(photoacoustic microscopy, PAM)을 이용하여 혈관을 동시에 모니터링하면서 광혈전증을 유도하는 방식으로, 단일 레이저 기반의 국소 표적 허혈성 뇌졸중 모델 개발 방법을 보고한다. 이 방법은 정밀한 위치에서 경색 크기를 감소시키면서도 높은 재현성을 확보하였다. 제안된 방법은 정확한 국소화를 비추어 경색된 영역을 유의하게 감소시켰다. 또한 이 방법의 재현성과 타당성은 반복 실험과 조직학적 분석을 통해 입증되었다. 이러한 결과는 본 방법이 뇌 허혈 연구에서 유도, 발생 기전부터 회복 과정에 이르기까지 임상 병리와 가장 유사한 허혈성 뇌졸중 모델을 제공할 수 있음을 보여준다.

디스플레이 산업은 품질을 보장하기 위해 효율적인 검사 방법을 요구한다. 기존의 시각 기반 기술은 파괴적인 절차를 수반하며, 곡률로 인해 영상 왜곡이 발생한다. 본 연구에서는 Optical Coherence Tomography(OCT)와 3축 스테이지를 갖춘 비전 시스템을 통합한 광학 시스템을 개발하였다. 고해상도의 스펙트럴 영역 OCT(SD-OCT) 시스템은 곡면 디스플레이의 3차원 검사를 수행한다. OCT와 비전을 통합함으로써 고속의 고해상도 결함 검출을 달성하였고, 정량적 측정과 결함 판정 기준 설정이 가능해졌다. 또한 이는 곡면 디스플레이의 검사와 결함 데이터베이스 구축을 통해 생산 공정 개선에도 기여한다.

꽃봉오리 식별을 정밀화함으로써 근대화된 자율형 비전 기반 목화(okra) 거세(emasculation) 시스템은 전통적인 수작업 방식의 노동 집약적이고 오류가 발생하기 쉬운 한계를 개선된 정확도와 효율성으로 극복하여 농업을 향상시킨다. 본 연구는 거세 과정에 도움을 주기 위한 적응형 자동 꽃봉오리 식별 방법의 프레임워크를 제시하며, 그 방법은 하이브리드 광학 일관성 단층촬영(optical coherence tomography, OCT)이다. 꽃봉오리 식별을 위해 정확도, 검출 속도, 프레임 레이트 측면에서 3가지 YOLOv8 변형 모델을 평가하여 가장 효율적인 모델을 도출하였다. 또한 결과의 타당성을 강화하기 위해 YOLO를 OCT와 하이브리드화하여 비침습적(Non-invasive) 하부(서브-서피스) 검증과 꽃봉오리의 꽃받침(sepal) 및 꽃잎(petal) 층의 거세 깊이에 대한 정밀 정량화를 가능하게 하였다. 견고한 벤치마크를 구축하기 위해, 표준 색상 히스토그램(gold standard color histograms)과 최적 조명 조건에서 신뢰도 점수(confidence scoring)를 적용한 디지털 이미징 기반 방법도 함께 활용하였다. 그 결과, 제안된 방법은 이러한 기존 프레임워크를 유의하게 능가하였으며, 거세 동안 더 높은 정확도와 층(layer) 구분 성능을 제공하였다. 따라서 꽃봉오리 식별 및 거세를 위한 개발된 YOLOv8 하이브리드 OCT 방법은 작물 육종(crop breeding) 실무의 정밀성과 효율성을 모두 크게 향상시키는 강력한 도구를 제공한다. 본 프레임워크는 전통적 작물 육종 워크플로를 현대화하고 최적화할 수 있는 확장 가능한 인공지능(artificial intelligence, AI) 기반 전략의 구현을 위한 기반을 마련한다.