FFF 부품의 비파괴 적층 결함 자동 검출을 위한 열영상 신호 재구성 및 딥러닝

본 논문은 Fused Filament Fabrication(FFF) 부품의 층간 박리(Delamination) 결함을 비파괴적으로 탐지하기 위한 완전 자동화 검사 시스템을 제안한다. 먼저, 플래시 열영상(Flash Thermography, FT)이라는 고에너지 펄스 방식을 사용해 부품 표면을 순간적으로 가열하고, 적외선 카메라(Flir A6751sc)로 240 초 동안 15 fps로 온도‑시간 데이터를 수집한다. 수집된 로그‑로그 형태의 온도 곡선은 8차 다항식으로 피팅하여 고주파 노이즈를 억제하고, 피팅 계수와 1·2차 미분값을 추출해 21 차원 TSR( Thermographic Signal Reconstruction) 특성 벡터를 만든다. 다음으로, 이 TSR 벡터를 입력으로 하는 심층 신경망(DNN)을 설계하였다. 네트워크는 입력층(21 차원) → 은닉층1(16 뉴런) → 은닉층2(32 뉴런) → 은닉층3(16 뉴런) → 출력층(2 클래스) 구조이며, TensorFlow 기반으로 학습률 1e‑7, 지수 감쇠(0.9)와 조기 종료(Early Stopping)를 적용해 과적합을 방지한다. 연구는 두 단계로 진행되었다. 첫 번째 단계에서는 합성 데이터셋을 생성해 알고리즘의 기본 성능을 검증하였다. 정상과 박리 두 종류의 온도‑시간 프로파일을 8차 다항식으로 모델링하고, 각 픽셀에 가우시안 노이즈를 추가해 640 × 480 해상도 영상 3개(정상, 박리, 혼합)를 만들었다. 이 데이터를 80 % 훈련, 20 % 검증으로 나누어 DNN을 학습시킨 결과, 훈련 정확도 95.7 %와 검증 정확도 92.8 %를 달성하였다. 두 번째 단계에서는 실제 PLA 부품을 이용한 실험을 수행하였다. Dremel 3D20 프린터와 수정된 G‑Code를 사용해 5 mm 깊이에 0.1 mm, 0.2 mm, 0.3 mm 두께의 박리층을 인위적으로 삽입한 직육면체 샘플을 제작하였다. 정상 샘플은 100 % 인필, 20 mm × 30 mm × 20 mm 크기로 제작하였다. 모든 샘플을 플래시 램프(EchoTherm®)로 가열하고, 동일한 열영상 조건으로 촬영하였다. 각 샘플당 5 000 픽셀 이상의 TSR 시계열을 확보했으며, 이를 DNN에 입력해 학습 및 테스트를 진행하였다. 결과적으로, 픽셀 단위 4가지 박리 두께(0 mm, 0.1 mm, 0.2 mm, 0.3 mm)를 구분하는 정확도는 95.4 %였고, 정상/불량(허용 여부) 이진 분류 정확도는 98.6 %에 달했다. 논문은 또한 자동화된 검사 파이프라인의 산업적 의미를 논의한다. 플래시 열영상 장비와 저가형 IR 카메라만으로도 충분한 데이터가 확보되므로, 기존 생산 라인에 최소 비용으로 통합 가능하다. 픽셀‑단위 자동 분할은 100 % 검사율을 보장하고, 인간 검사자의 피로와 오류를 제거한다. 향후 연구 방향으로는 다양한 결함 유형(공극, 이물질 삽입 등)과 재료(ABS, PETG 등) 확대, 더 높은 해상도와 빠른 프레임 레이트를 이용한 실시간 검사, 그리고 모델 경량화를 통한 현장 임베디드 구현을 제시한다.