2D 콜로이드 어셈블리 자동 식별 임계값 처리와 딥러닝 비교

초록

본 논문은 2차원 콜로이드 단일층에서 입자들의 고립, 이합체, 사슬, 클러스터를 구분하기 위해 전통적인 OpenCV 기반 임계값 처리와 최신 YOLOv8 딥러닝 모델을 비교한다. 데이터셋을 직접 구축하고, 임계값 방법은 Otsu와 워터셰드, DFS 기반 연결성 분석을 사용했으며, YOLOv8은 전이 학습 후 97% 정확도를 달성했다. 임계값 방법은 약 67%의 정확도에 머물렀다.

상세 분석

이 연구는 콜로이드 입자들의 형태와 배열이 물리적 특성에 직접적인 영향을 미치는 점을 강조하며, 자동화된 이미지 분석의 필요성을 제시한다. 먼저, 저자들은 입자 크기가 일정하다고 가정하고, 각 입자를 원형으로 모델링한 뒤, 입자 중심 간 거리 Rcut = 2R + ε(ε = (r1 + r2)/10) 를 이용해 이웃 관계를 정의한다. 이웃 탐색은 전역 O(N²) 방식으로 구현했으며, 향후 수천 개 이상의 입자에 대해서는 공간 그리드 기반 최적화가 가능함을 언급한다.

임계값 기반 파이프라인은 크게 이미지 이진화, 입자 검출, 면적 필터링, 이웃 탐색, 연결 요소 형성, DFS를 통한 어셈블리 구분 순으로 진행된다. 이진화 단계에서는 Otsu 방법을 기본으로 선택했지만, 조명 불균형과 잡음으로 인해 워터셰드 알고리즘을 보조적으로 적용해 입자 간 미세한 간격을 복구한다. 입자 검출 후 원형도(4πA/P²) 평균값을 기준으로 THRESH_BINARY와 THRESH_BINARY_INV 중 최적의 임계값 타입을 자동 선택한다.

연결성 분석에서는 각 입자의 이웃 수에 따라 고립 입자(0), 이합체(1‑1), 사슬(양끝 1, 내부 2), 클러스터(그 외)로 분류한다. 이 과정에서 DFS는 재귀적으로 방문하지 않은 이웃을 탐색해 하나의 연결 컴포넌트를 완성한다. 그러나 복잡한 클러스터 내부에서 루프(폐쇄 사슬)와 일반 클러스터를 구분하는 로직이 단순히 이웃 수만으로는 한계가 있어, 정확도 저하의 주요 원인으로 지적된다.

머신러닝 측면에서는 YOLOv8을 객체 검출 프레임워크로 채택하고, 4가지 클래스(고립, 이합체, 사슬, 클러스터) 라벨링된 이미지 2,000여 장을 학습 데이터로 사용했다. 전이 학습 후 100 epoch 동안 학습했으며, 학습률 스케줄링과 데이터 증강(회전, 스케일 변환)으로 일반화 성능을 높였다. 검증 결과 평균 정확도 97%를 기록했으며, 특히 복합 클러스터와 사슬 구분에서 인간 전문가 수준의 판별력을 보였다.

성능 비교에서는 임계값 방법이 67%에 머물렀는데, 이는 조명 변화, 입자 크기 변동, 워터셰드 라인 과다 분할 등에 기인한다. 반면 YOLOv8은 이미지 전체 컨텍스트를 활용해 전역적인 특징을 학습함으로써 이러한 변동성을 효과적으로 보정한다. 계산 비용 측면에서는 임계값 파이프라인이 CPU 기반으로 실시간에 가까운 처리 속도를 보이는 반면, YOLOv8은 GPU 가속이 필요하고 초기 모델 로딩 및 추론에 수백 밀리초가 소요된다.

결론적으로, 고속·저비용 처리가 요구되는 대규모 스크리닝 단계에서는 임계값 기반 전처리와 간단한 연결성 분석이 유용할 수 있으나, 정확도가 핵심인 연구·산업 응용에서는 딥러닝 기반 검출이 현저히 우수함을 확인했다. 향후 연구에서는 하이브리드 접근(임계값 전처리 후 딥러닝 피처 결합)과, 다중 스케일 워터셰드·그래프 기반 클러스터 분할을 통해 정확도와 효율성을 동시에 개선할 여지가 있다.