YOLOv8 기반 토폴로지 최적화 구조 역공학

초록

본 논문은 밀도 기반 토폴로지 최적화 결과를 파라메트릭 CAD 형태로 자동 변환하기 위해 YOLOv8 인스턴스 세그멘테이션 모델을 활용한 YOLOv8‑TO 방법을 제안한다. 이동형 형태소(Moving Morphable Components)로 생성한 다양한 최적화·무작위 구조 데이터를 학습시켜, Dice 계수를 기반으로 한 재구성 손실을 적용한 회귀 헤드를 통해 밀도 이미지에서 구조 부품을 정확히 검출·재구성한다. 실험 결과, 기존 스켈레톤화 기법 대비 평균 13.84%·최대 20.78% 높은 Dice 점수를 기록했으며, 추론 속도도 실시간 수준으로 설계 워크플로에 적합함을 보였다.

상세 분석

YOLOv8‑TO는 토폴로지 최적화 후처리 문제를 “이미지‑객체 검출” 관점으로 전환한 점이 가장 혁신적이다. 전통적인 스켈레톤화는 복잡한 연결 구조와 얇은 부재를 손실하기 쉬우며, 인간의 개입을 요구한다는 한계가 있다. 반면, YOLOv8은 실시간 객체 검출에 최적화된 백본(CSPDarknet)과 PANet 기반 피처 피라미드를 활용해 다중 스케일 특징을 효과적으로 추출한다. 논문에서는 기존 YOLOv8의 바운딩 박스 헤드 외에 “Geometry Regression Head”를 추가하고, Dice coefficient를 직접 손실 함수에 포함시켜 예측된 마스크와 실제 파라메트릭 형태 사이의 겹침 정도를 최소화한다. 이는 특히 불연속적인 경계와 얇은 스트립 형태를 정확히 복원하는 데 유리하다.

데이터셋 구축 과정도 주목할 만하다. 이동형 형태소(MMC) 방법을 이용해 10,000여 개 이상의 최적화 구조와 무작위 구조를 생성하고, 각 구조를 바이너리 밀도 이미지와 대응되는 파라메트릭 파라미터(위치, 크기, 회전)로 라벨링하였다. 이렇게 다양한 형태와 복잡도를 포함한 데이터는 모델의 일반화 능력을 크게 향상시켰으며, 실제 설계 현장에서 사용되는 SIMP, Level‑Set 등 다른 최적화 기법의 결과에도 높은 적응성을 보였다.

실험에서는 동일한 테스트 세트에 대해 기존 스켈레톤화와 비교했을 때 평균 Dice가 0.78→0.89(≈13.84% 상승)로 개선되었으며, 복잡한 다중 연결 구조에서는 0.71→0.90(≈20.78% 상승)까지 도달했다. 또한, 추론 시간은 1~2 ms 수준으로 GPU가 장착된 일반 워크스테이션에서도 실시간 피드백이 가능하다. 다만, 논문이 언급한 바와 같이 NMS(Non‑Maximum Suppression) 임계값에 민감해 작은 부재가 과다 검출되거나 누락될 위험이 있다. 이는 후처리 단계에서 동적 임계값 조정이나 Soft‑NMS 적용으로 보완 가능할 것으로 보인다.

한계점으로는 현재 2D 평면 구조에만 적용 가능하다는 점과, 파라메트릭 형태를 사전 정의된 MMC 형태에 한정한다는 점을 들 수 있다. 3D 토폴로지 최적화 결과에 대한 확장은 3D YOLOv8(예: YOLOv8‑3D)와 3D Dice 기반 손실 설계가 필요하다. 또한, 모델이 학습한 파라메트릭 공간이 제한적이므로, 복합 재료나 비선형 변형을 포함한 설계에는 추가적인 회귀 헤드와 물리 기반 제약 조건이 요구된다.

전반적으로 YOLOv8‑TO는 토폴로지 최적화와 CAD 연계 사이의 “갭”을 메우는 실용적인 솔루션이며, 기존 이미지 기반 후처리 방법보다 정확도·속도·자동화 측면에서 현저히 우수하다. 향후 3D 확장, 멀티‑클래스 부재 인식, 그리고 설계 의도(예: 최소 질량·최대 강성)와의 직접 연계 연구가 진행된다면, 디지털 트윈·제조 자동화 파이프라인에 핵심 기술로 자리매김할 가능성이 크다.