다중모달 고속영상 상변화 자동분할 및 불확실성 정량화 프레임워크

초록

본 논문은 고속 영상 기반 상변화(Phase‑Detection) 데이터를 위한 하이브리드 세그멘테이션 모델 MSEG‑VCUQ를 제안한다. U‑Net CNN으로 초기 마스크를 생성하고, Transformer 기반 Segment Anything Model(SAM)을 활용해 마스크를 정교화함으로써 다양한 유체와 실험 조건에서 높은 정확도를 달성한다. 또한 픽셀 수준의 불확실성 정량화 모듈을 도입해 건조 영역 비율·접촉선 밀도와 같은 핵심 boiling 지표의 신뢰성을 평가한다. 최초의 다중모달 고속영상 PD 데이터셋을 공개하고, 실험 결과는 기존 CNN 및 VFMs 대비 우수함을 입증한다.

상세 분석

MSEG‑VCUQ는 두 단계 구조를 채택한다. 첫 단계에서는 각 유체(물, FC‑72, 질소, 아르곤)별로 전이학습된 U‑Net을 fine‑tune하여 초기 세그멘테이션 마스크를 만든다. U‑Net의 encoder‑decoder와 skip‑connection은 복잡한 기포 경계와 미세층을 포착하는 데 강점을 보이며, 전이학습을 통해 생물학적 세포 이미지에서 학습된 미세 구조 인식을 boiling 영상에 효과적으로 전이한다. 두 번째 단계에서는 SAM의 이미지 인코더와 마스크 디코더를 활용한 VideoSAM이 초기 마스크와 원본 영상을 입력받아 self‑attention 메커니즘으로 전역적 컨텍스트와 국부적 디테일을 동시에 강화한다. 이 과정에서 SAM의 프롬프트 인코더가 마스크 형태를 가이드 신호로 사용해, 겹쳐 있는 기포나 조명 변동에 강인한 정밀 마스크를 생성한다.

데이터 측면에서 저자들은 4종 유체와 두 가지 보일링 모드(SPB, FB)를 포함한 25,500 프레임 이상의 고속영상·마스크 쌍을 구축하였다. 각 영상은 500 kg m⁻² s⁻¹ 이상의 열유속 조건에서 촬영되었으며, grayscale 변환·패치화·반자동 라벨링 파이프라인을 통해 일관된 전처리를 수행했다. 이러한 대규모 다중모달 데이터는 기존의 단일모달 혹은 시뮬레이션 기반 데이터셋과 달리 실제 실험 환경의 복잡성을 충분히 반영한다.

불확실성 정량화(UQ) 모듈은 픽셀 단위의 접촉선 밀도와 건조 영역 비율에 대한 이산화 오류를 Monte‑Carlo 시뮬레이션과 가중 빈도 분석을 결합해 추정한다. 기존 UQ 기법이 전체 이미지 수준에 머무는 반면, MSEG‑VCUQ는 물리적 메트릭별 신뢰 구간을 제공함으로써 모델 출력의 해석 가능성을 크게 높인다.

실험 결과는 세 가지 주요 지표에서 기존 U‑Net 및 전통적 임계값 기반 방법을 능가한다. (1) 건조 영역 비율과 접촉선 밀도는 열유속이 140 kW m⁻²를 초과할 때 U‑Net이 더 높은 민감도를 보이며, VideoSAM을 통해 작은 기포까지 정확히 포착한다. (2) 3D 히스토그램 분석에서 기포 크기 분포가 열유속 증가에 따라 매끄럽게 이동하는 모습을 VideoSAM이 재현하고, 임계값 방식은 작은 기포 검출에 실패한다. (3) 픽셀‑레벨 UQ 결과는 고열유속 구간에서 불확실성이 증가함을 정량화하고, 이를 기반으로 실험 설계와 모델 개선 방향을 제시한다.

전반적으로 MSEG‑VCUQ는 (i) CNN과 VFM의 장점을 결합한 하이브리드 아키텍처, (ii) 다중모달 실험 데이터셋 제공, (iii) 물리 메트릭 중심의 정밀 UQ 구현이라는 세 축을 통해 고속영상 기반 boiling 분석의 정확도와 신뢰성을 동시에 향상시킨다. 향후 연구에서는 실시간 추론 최적화와 추가적인 물성(예: 표면 거칠기) 변수를 통합한 멀티태스크 학습이 기대된다.