PQT‑Net: 적층제조 PLA 부품 결함 깊이 정밀 추정 신경망

초록

본 연구는 적층제조(AM) PLA 부품의 내부 결함 깊이를 비접촉 적외선 열영상으로 정량화하기 위해, 열 시퀀스를 2차원 스트라이프 이미지로 변환하는 데이터 증강 기법과 EfficientNetV2‑S 기반 백본, 맞춤형 Residual Regression Head(RRH)를 결합한 PQT‑Net을 제안한다. 실험 결과 MAE 0.0094 mm, R² > 0.99를 달성하며 기존 딥러닝 모델들을 크게 앞선다.

상세 분석

PQT‑Net은 열영상 NDT 분야에서 가장 큰 난제 중 하나인 결함 깊이 연속값 예측을 해결하기 위해 세 가지 핵심 기술을 도입한다. 첫째, 열 시퀀스를 1024 프레임(≈220 s) 동안 촬영한 후, 각 픽셀의 시간‑그레이스케일 변화를 그대로 보존하는 2‑D 스트라이프 이미지로 재구성한다. 이 방식은 기존의 프레임 별 평균·차분 처리와 달리, 열 확산의 미세한 동역학을 픽셀 수준에서 학습하도록 만든다. 또한 로그 변환과 정규화를 통해 고온 영역의 포화와 저온 영역의 미세 변화를 동시에 강조함으로써, 결함 깊이에 따른 온도 구배 차이를 시각적으로 확대한다.

둘째, EfficientNetV2‑S를 사전 학습된 가중치와 함께 백본으로 사용한다. EfficientNetV2‑S는 파라미터 효율성과 스케일링 규칙이 뛰어나 작은 데이터셋에서도 과적합을 방지하고, 미세한 온도 변화까지 포착할 수 있다. SE 블록을 통한 채널‑주의 메커니즘은 열 이미지의 채널(즉, 시간 축) 간 상관관계를 강화해, 깊이와 직접 연관된 열 확산 패턴을 보다 정확히 추출한다.

셋째, 맞춤형 Residual Regression Head(RRH)은 다중 Fully‑Connected 레이어와 ReLU, Dropout을 포함하며, 잔차 연결을 통해 깊이 예측값을 미세하게 보정한다. 손실 함수는 L1과 L2를 가중합한 하이브리드 형태로, 예측값의 절대 오차와 제곱 오차를 동시에 최소화하도록 설계돼, 특히 작은 깊이(0.24 mm)와 큰 깊이(1.52 mm) 구간 모두에서 안정적인 수렴을 보인다.

실험 설계는 0.24 ~ 1.52 mm 범위의 원형 결함을 9가지 깊이로 만든 PLA 샘플 90 × 90 × 5 mm를 사용했으며, 800 W 할로겐 펄스 30 s와 50 Hz 촬영으로 1,000 프레임을 확보했다. 데이터는 픽셀‑단위 1,773개의 샘플(각 깊이당 197개)로 확대돼, 기존 열영상 데이터셋 대비 10배 이상 규모를 확보했다. 학습은 AdamW(1e‑3)와 ReduceLROnPlateau 스케줄러, Gradient Clipping(1.0)으로 안정성을 높였으며, 70/15/15 비율로 트레인/밸리데이션/테스트를 분할했다.

비교 실험에서는 ConvNeXt, ViT, EfficientNetV2‑Base, RegNet, ResNet, VAE 등 6개 최신 모델을 동일 조건에서 평가했으며, PQT‑Net은 RMSE 2.08 × 10⁻², MAE 9.40 µm, MAPE 1.17 %, R² 0.997을 기록해 전 모델을 압도했다. 특히 깊이가 0.88 mm 이상인 구간에서 MAE가 3 ~ 22 µm 수준으로 크게 개선됐으며, 이는 열 확산이 복잡해질수록 비선형 매핑 능력이 돋보인 결과이다. 얕은 결함(0.24 ~ 0.56 mm)에서는 차이가 미미했지만, 전체적인 평균 정확도와 신뢰도는 여전히 최고 수준을 유지했다.

이러한 결과는 (1) 열 시퀀스의 시간 정보를 완전 보존한 스트라이프 이미지가 결함 깊이와 직접적인 물리적 연관성을 제공한다는 점, (2) EfficientNetV2‑S와 SE‑Attention이 미세 온도 구배를 효과적으로 추출한다는 점, (3) RRH가 잔차 보정을 통해 연속적인 깊이 값을 정밀하게 회귀한다는 점을 입증한다. 향후 연구에서는 다양한 재료(ABS, PETG 등)와 복합형 결함(다중 깊이·형상)에도 적용 가능하도록 데이터셋을 확장하고, 실시간 온도 흐름 분석을 위한 경량화 모델 설계가 기대된다.