파이프MFL 대규모 객체 검출 데이터셋 240K

초록

PipeMFL‑240K는 240,320장의 파이프라인 자기 플럭스 누설(MFL) 의사컬러 이미지와 191,530개의 고품질 바운딩 박스를 제공하는 최초의 공개 대규모 다중 클래스 객체 검출 데이터셋이다. 12개의 손상·구조 카테고리를 포함하며, 장기 꼬리 분포와 초소형 객체, 높은 클래스 내 변동성을 특징으로 한다. 최신 객체 검출 모델들을 벤치마크한 결과, 기존 방법들은 여전히 낮은 AP를 보이며 향후 연구 여지가 크다.

상세 분석

PipeMFL‑240K는 파이프라인 비파괴 검사 분야에서 가장 규모가 큰 공개 데이터셋으로, 11개의 실제 파이프라인(총 1,480 km)에서 수집된 240,320장의 고해상도(5,000 × 2,400 px) 의사컬러 MFL 이미지를 포함한다. 12개의 카테고리는 금속 손실(MTL), 부식 군집(CRC), 원형·나선 용접 이상(GWA, SWA) 등 4개의 손상 유형과 굽힘, 슬리브, 브랜치, 티, 케이싱, 밸브, 외부 지지, 플랜지 등 8개의 구조 요소로 구성된다. 데이터는 전문가 6명에 의해 98 % 이상의 정확도로 라벨링되었으며, 라벨링 품질은 현장 굴착 검증 결과와 일치한다.

데이터셋의 주요 난점은 세 가지로 요약된다. 첫째, 카테고리별 객체 수가 수십 배 차이 나는 극단적인 장기 꼬리 분포로, 소수 클래스에 대한 과소학습이 우려된다. 둘째, 손상 객체는 수 픽셀 수준의 초소형 형태를 차지하는 반면, 구조 요소는 수백 픽셀에 이르는 대형 객체로, 기존 객체 검출기들은 스케일 불균형을 동시에 처리하기 어렵다. 셋째, 동일 카테고리 내에서도 부식 깊이에 따른 색상 변화, 밸브 종류에 따른 형태 차이 등 높은 내부 변동성을 보여, 특징 학습이 복잡해진다.

벤치마크 실험에서는 Faster RCNN, YOLOv5, YOLOv8, RetinaNet 등 최신 2‑단계·1‑단계 검출 모델을 동일 프로토콜로 평가했으며, 전체 mAP는 31 % 수준에 머물렀다. 특히 소형 손상 객체에 대한 AP는 12 % 이하로, 기존 모델이 초소형 객체 탐지에 한계가 있음을 확인했다. 클래스 별 성능 분석에서는 장기 꼬리 클래스(예: 외부 지지, 케이싱)의 AP가 5 % 미만으로, 데이터 불균형 완화와 비용 민감 학습 기법이 필요함을 시사한다.

이와 같은 결과는 MFL 이미지가 일반적인 자연 이미지와 달리 물리적 신호와 파이프라인 구조적 제약을 동시에 내포하고 있음을 강조한다. 따라서 공간적 위치 선행지식(예: 손상은 파이프 하단에 집중)이나 파이프 유형별 특화된 특징 추출 모듈을 결합한 새로운 아키텍처가 요구된다. 또한 반지도 학습, 자기 지도 학습 등 라벨이 부족한 상황을 보완할 수 있는 학습 전략도 유망하다.

PipeMFL‑240K는 데이터 규모·품질·다양성 측면에서 기존 MFL 데이터셋을 크게 뛰어넘으며, 공개 코드와 평가 스크립트를 제공해 재현성을 보장한다. 이는 산업 현장 AI 적용을 위한 표준 벤치마크 역할을 수행하고, 파이프라인 유지보수 비용 절감 및 환경 안전성 향상에 직접적인 기여를 기대한다.