설명 가능한 컴퓨터 비전 기반 적층 제조 내부 기공 자동 탐지 및 위험도 평가 프레임워크

초록

본 연구는 3차원 CT 볼륨에서 내부 기공을 자동으로 검출하고, 각 기공의 위험도를 설명 가능한 머신러닝 모델로 예측한다. 강도 기반 임계값과 연결 요소 분석으로 500개의 기공을 추출하고, 크기·형상·표면 거리 등 6가지 기하·공간 특성을 계산한다. 기공 간 유클리드 거리를 이용해 24 950개의 연결을 만든 네트워크를 구성한 뒤, SHAP 기법을 적용해 모델의 특성 기여도를 해석한다. 결과는 표면 거리(normalized surface distance)가 위험도 예측을 지배하며, 기공 크기와 형상은 미미한 영향을 미친다는 것을 보여준다.

상세 분석

이 논문은 적층 제조 부품의 내부 결함인 기공을 정량적으로 평가하기 위해, 전통적인 블랙박스 머신러닝 접근법을 넘어 설명 가능한 인공지능(XAI) 프레임워크를 제시한다. 먼저, 고해상도 CT 스캔으로 얻은 연속적인 그레이스케일 슬라이스를 3‑D 볼륨으로 재구성하고, 강도 기반 임계값을 적용해 밝은 영역을 이진 마스크로 만든다. 연결 요소 라벨링을 통해 500개의 개별 기공을 식별하고, 각 기공에 대해 부피(픽셀 수), 종횡비(aspect ratio), extent(점유 영역 비율), 그리고 시료 경계와의 최소 거리(normalized surface distance)를 추출한다. 특히 표면 거리 정규화는 시료 크기에 대한 비례값으로 계산되어, 서로 다른 시료 간 비교를 가능하게 한다.

기공 간 상호작용을 파악하기 위해, 모든 기공 중심점 사이의 유클리드 거리를 구하고, 전체 거리 분포의 하위 20 %에 해당하는 값만을 연결 기준으로 삼아 네트워크를 구축한다. 이렇게 하면 거리 임계값을 임의로 설정하는 위험을 피하면서, 데이터셋 간 네트워크 밀도를 일관되게 유지할 수 있다. 결과 네트워크는 500개의 노드와 24 950개의 엣지를 포함하며, 기공이 주로 시료 외곽에 집중된 annular 형태를 보인다.

예측 모델은 회귀 기반 머신러닝(예: 랜덤 포레스트 혹은 Gradient Boosting)으로 구현되었으며, 입력 피처는 앞서 정의한 6가지 특성이다. 모델 학습은 표준 교차 검증 파이프라인을 통해 과적합을 방지하고, 성능 평가는 RMSE와 R²로 보고한다. 모델 해석 단계에서는 SHAP(Shapley Additive exPlanations)를 적용해 각 피처가 개별 예측에 미치는 기여도를 정량화한다. 평균 절대 SHAP 값이 가장 큰 피처는 ‘표면 거리’이며, 이는 다른 피처보다 한 차례 이상 높은 값을 보인다. 즉, 표면에 가까운 기공일수록 높은 위험도 점수를 받는다. 반면, 기공 크기는 양의 방향성을 보이지만 SHAP 값이 작아 보조적인 역할만 수행한다. 종횡비, extent, 그리고 축 방향 위치는 SHAP 값이 거의 0에 수렴해 모델에 거의 영향을 미치지 않는다.

이러한 결과는 물리적 메커니즘과도 일치한다. 표면 근처 기공은 응력 집중, 열전달 경로, 그리고 표면 결함과의 상호작용으로 인해 파단 위험이 크게 증가한다는 기존 연구와 부합한다. 반면, 전통적으로 강조되어 온 기공 크기와 형상은 단일 부품 내에서만 고려될 경우 위험도 예측에 제한적인 정보를 제공한다는 점을 재조명한다.

마지막으로, 저자들은 이 프레임워크가 품질 관리와 공정 최적화에 실질적인 가치를 제공한다고 주장한다. 설명 가능한 결과는 엔지니어가 ‘왜’ 특정 기공이 위험한지를 직관적으로 이해하게 하며, 검사 전략을 표면 근처 결함 감지에 집중하도록 재설계할 근거를 제공한다. 향후 연구에서는 다양한 합금계, 공정 파라미터, 그리고 실제 하중 조건을 포함한 데이터셋으로 일반성을 검증하고, 실시간 검사 파이프라인에 통합하는 방안을 제시한다.