합성 데이터와 파라메트릭 모델링을 활용한 자동 암석 절리 추적 매핑

초록

본 논문은 이산 균열망(DFN) 모델을 기반으로 파라메트릭 방식으로 생성한 합성 암석 이미지와 실제 현장 사진을 결합해, 딥러닝 기반 이미지 분할 모델을 훈련시키는 방법을 제시한다. 합성 데이터로 사전 학습(pre‑training)한 뒤, 라벨 품질에 따라 혼합 학습(mixed training) 혹은 소량의 실제 데이터로 미세조정(fine‑tuning)하는 전략을 비교하였다. 실험 결과, 박스 영역에서는 라벨이 일관된 경우 혼합 학습이 우수했으며, 슬로프 영역처럼 라벨이 불완전·편향된 경우 미세조정이 더 견고한 성능을 보였다. 완전 제로샷(zero‑shot) 성능은 제한적이지만, 소량의 실제 데이터만으로도 실용적인 일반화가 가능함을 확인하였다.

상세 분석

이 연구는 암석 절리 매핑에 필요한 대규모 라벨 데이터 확보가 어렵다는 근본적인 문제를 해결하기 위해, 지질학적 논리와 물리적 연속성을 보존하는 합성 데이터 파이프라인을 설계하였다. 먼저, 이산 균열망(DFN) 모델을 활용해 절리의 지속성, 연결성, 노드 유형 분포 등을 파라메트릭하게 제어함으로써 현장 규모와 유사한 2D 이미지와 3D 텍스처를 자동 생성한다. 이러한 합성 이미지는 라벨이 완전하고 오류가 없으며, 다양한 지질 시나리오(절리 밀도, 방위, 길이 분포 등)를 손쉽게 변형할 수 있어 모델의 다양성 학습에 기여한다.

훈련 단계에서는 세 가지 전략을 비교하였다. ① 완전 사전 학습 후 실제 데이터만으로 미세조정(fine‑tuning)하는 방법, ② 합성 데이터와 실제 데이터를 동시에 사용해 혼합 학습(mixed training)하는 방법, ③ 합성 데이터만으로 제로샷(zero‑shot) 예측을 시도하는 방법이다. 실험 결과, 라벨이 일관되고 정확한 박스 도메인에서는 혼합 학습이 IoU와 F1 점수에서 가장 높은 성능을 보였으며, 이는 합성 데이터가 실제 데이터의 부족을 보완하면서도 라벨 노이즈를 최소화하기 때문이다. 반면, 슬로프 도메인에서는 현장 라벨이 불완전·편향된 특성 때문에 혼합 학습이 오히려 과적합을 일으킬 위험이 있었으며, 소량의 실제 데이터로만 미세조정한 모델이 더 안정적인 결과를 제공하였다.

제로샷 성능은 전체적으로 낮았지만, 합성 모델이 학습한 절리 패턴이 실제 이미지에 어느 정도 전이되는 것을 확인했다. 이는 합성 데이터가 지질학적 구조를 충분히 포착하고 있음을 의미한다. 또한, 정량적 지표(IoU, Dice)와는 별개로 시각적 검토가 라벨의 불완전성을 드러내는 중요한 보조 수단임을 강조한다.

본 논문의 주요 기여는 (1) 파라메트릭 DFN 기반 합성 데이터 생성 프레임워크를 공개하여 재현성을 확보하고, (2) 라벨 품질에 따라 최적의 학습 전략을 제시함으로써 실제 현장 적용 가능성을 높였으며, (3) 합성‑실제 데이터 혼합이 클래스 불균형과 라벨 노이즈 문제를 동시에 완화할 수 있음을 실증하였다. 한계점으로는 완전 제로샷 전이 성능이 아직 미흡하고, 현재는 2D 이미지에 국한된 점, 그리고 절리 외의 구조(예: 층리, 복합 파괴면)까지 확장되지 않은 점을 들 수 있다. 향후 연구에서는 3D 볼륨 데이터와 멀티모달(점군·이미지) 결합, 도메인 적응(Adversarial) 기법 도입, 그리고 라벨 불확실성을 베이지안 방식으로 모델링하는 방안을 제시한다.