원통형 구조물 내부 결함 영상화를 위한 마이그레이션·딥러닝 융합 기법

초록

본 논문은 원통형 구조물(특히 나무줄기) 내부 결함의 형태와 유전율을 동시에 복원하기 위해, GPR B‑스캔에서 구조물의 등가 유전율을 추정하고 SSIM 기반 자동 초점(AFT)으로 최적화한 뒤, 수정된 Kirchhoff 마이그레이션을 한 번만 수행한다. 이후 Dual‑Permittivity Estimation Network(DPE‑Net)와 Shape Reconstruction Network(SR‑Net)를 순차적으로 적용해 결함의 정확한 형상과 유전율을 얻는다. 합성·실험 데이터와 현장 나무에 대한 검증을 통해 기존 딥러닝 기반 방법보다 높은 정확도와 실시간에 가까운 처리 속도를 입증하였다.

상세 분석

이 연구는 원통형 구조물 내부 결함 탐지를 위해 기존 평면‑B스캔 기반 딥러닝 모델이 직면한 ‘도메인 불일치’ 문제를 근본적으로 해결한다는 점에서 의의가 크다. 첫 단계에서 제안된 DPE‑Net은 B‑스캔 이미지에서 두 종류의 유전율(호스트 구조물과 결함)을 동시에 추정한다. 여기서 핵심은 SSIM‑based 자동 초점(AFT)으로 생성된 라벨을 이용해 호스트 유전율을 정확히 학습시키는 점이다. 기존 엔트로피 기반 AFT는 목표 위치만을 대략적으로 찾았지만, SSIM을 활용함으로써 마이그레이션 이미지의 형상 보존 정도를 직접 최적화한다. 이는 이후 Kirchhoff 마이그레이션 단계에서 ‘one‑shot’ 실행이 가능하도록 해, 반복적인 파속 탐색에 소요되는 계산량을 크게 줄인다.

수정된 Kirchhoff 마이그레이션은 DPE‑Net이 제공한 호스트 유전율을 파라미터로 사용해, 원통형 구조물 내부에서 반사된 신호를 정확히 결함 경계에 매핑한다. 전통적인 마이그레이션은 파속을 여러 값으로 시험해 최적을 찾는 과정이 필요했으나, 여기서는 한 번의 연산으로 충분히 정확한 이미지를 생성한다.

마지막 단계인 SR‑Net은 마이그레이션 결과에 남아 있는 잡음과 다중 반사에 의해 발생한 클러터를 제거하고, 결함의 정밀한 형태를 복원한다. 네트워크는 Encoder‑Decoder 구조에 Residual Block, Feature Aggregation Module, 그리고 Convolutional Block Attention Module(CBAM)을 결합해, 다중 스케일 특징을 효과적으로 통합하고 채널·공간주의 메커니즘으로 중요한 영역을 강조한다.

실험 결과는 세 가지 데이터셋(합성, 실험실 트렁크 모델, 실제 나무 샘플)에서 기존 MRF‑UNet, PiNet, MultiPath‑Net 등과 비교했을 때, 형태 재구성 정확도(Intersection‑over‑Union)와 유전율 추정 오차(RMSE) 모두 유의미하게 개선되었음을 보여준다. 특히 현장 나무에 대한 일반화 테스트에서 실시간에 근접한 처리 시간(≈0.8 s per scan)과 높은 재현성을 확보했다.

한계점으로는(1) 호스트 유전율 라벨 생성에 여전히 시뮬레이션 기반 SSIM‑AFT가 필요하다는 점, (2) 매우 복잡한 다중 결함이나 비구형 결함에 대한 일반화 성능이 추가 검증이 필요하다는 점, (3) GPR 하드웨어 사양(주파수, 안테나 배열)에 따라 모델 재학습이 요구될 수 있다는 점을 들 수 있다. 향후 연구는 라벨‑프리 혹은 최소 라벨 학습, 다중 결함 시나리오 확장, 그리고 다른 원통형 구조물(전선, 파이프)로의 적용을 목표로 할 수 있다.