A Migration-Assisted Deep Learning Scheme for Imaging Defects Inside Cylindrical Structures via GPR: A Case Study for Tree Trunks

기술 요약: GPR을 이용한 원통형 구조물 내부 결함 이미징을 위한 마이그레이션 보조 딥러닝 기법

문제 정의
지표 투과 레이더(GPR)는 나무 몸통, 전신주, 문화재 기둥과 같은 원통형 구조물의 내부 결함을 탐지하는 데 있어 중요한 도구이다. 그러나 이러한 결함을 이미징하는 것은 기존의 신호 처리 및 기존 딥러닝(DL) 기술들을 무력하게 만드는 상당한 어려움을 수반한다.

1. 기하학적 불일치: 기존의 DL 모델(예: MRF-UNet, PiNet)은 반사 하이퍼볼라가 타겟 위치와 공간적으로 정렬되는 평면 표면 B-스캔 데이터로 학습된다. 원통형 구조물의 원주 방향 스캐닝에서는 반사가 사인파 패턴을 형성하며 타겟의 위치와 직접적인 공간적 대응 관계를 갖지 않으므로, 표준 모델에서 심각한 성능 저하를 야기한다.
2. 클러터 및 다중 반사: 내부 층과 껍질 표면은 복잡한 다중 반사와 환경 노이즈를 생성하여 결함 신호를 가리는 클러터를 만든다.
3. 유전율 및 형상 재구성: 기존 방식들은 결함의 정확한 형상과 유전율을 동시에 재구성하는 데 어려움을 겪는다. 마이그레이션 기반 알고리즘은 최적의 초점을 찾기 위해 다양한 파동 속도 범위를 대상으로 반복적인 실험을 수행해야 하므로 계산 비용이 많이 든다. 또한, 기존의 엔트로피 기반 자동 초점 설정(AFT) 기술은 종종 기하학적 왜곡을 초래하여 실제 결함 형상을 보존하지 못한다.
4. 현재 DL 접근 방식의 한계: 마이그레이션된 이미지를 보조 입력으로 사용하는 하이브리드 접근 방식은 동일한 공간적 불일치 문제를 겪으며, 엔트로피 기반 AFT에 의해 생성된 최적화되지 않은 마이그레이션 결과에 의존한다.

방법론
저자들은 원통형 물체의 원주 방향 GPR 스캐닝을 위해 설계된 3단계 마이그레이션 보조 딥러닝 프레임워크를 제안한다. 이 체계는 물리 기반 신호 처리와 특화된 신경망을 통합하여 결함 형상과 유전율의 실시간에 가까운 재구성을 달えます.

1. 1단계: 이중 유전율 추정 (DPE-Net)

   • 목적: 로우(raw) B-스캔으로부터 호스트 원통 매질의 등가 유전율($\varepsilon_{r,medium}$)과 내부 결함의 유전율($\varepsilon_{r,defect}$)을 동시에 추정한다.
   • 구조: 네트워크는 잔차 블록(Residual Blocks) 기반의 특징 추출 모듈(FEM), 다층 특징을 결합하는 특징 집합 모듈(FAM), 그리고 특징 표현을 정교화하는 컨볼루션 블록 어텐션 모듈(CBAM)을 활용한다.
   • 학습 전략: 학습 중 $\varepsilon_{r,medium}$에 대한 그라운드 트루스 라벨을 생성하기 위해, 새로운 구조적 유사도 지수(SSIM) 기반 자동 초점 설정(AFT) 기술이 사용된다. 에너지 집중을 선호하여 기하학적 왜곡을 일으키는 엔트로피 기반 AFT와 달리, SSIM 기반 AFT는 마이그레이션된 이미지와 결함 경계를 나타내는 링 마스크 사이의 구조적 유사도를 최대화하는 마이그레이션 속도를 선택한다. 이는 선택된 유전율이 결함의 기하학적 충실도를 보존하도록 보장한다.

2. 2단계: 수정된 키르히호프 마이그레이션 (Modified Kirchhoff Migration)

   • 목적: B-스캔 도메인의 반사 신호를 공간 이미징 도메인으로 매핑한다.
   • 과정: DPE-Net이 예측한 $\varepsilon_{r,medium}$을 사용하여 수정된 키르히호프 마이그레이션 알고리즘을 단 한 번 실행한다(one-shot migration). 이는 반복적인 속도 탐색이 필요한 기존 방식에 비해 계산 비용을 크게 줄여준다. 이 알고리즘은 양방향 전파를 단방향 방사 문제로 근사하기 위해 폭발하는 소스 모델(ESM)을 사용한다.

3. 3단계: 형상 재구성 (SR-Net)

   • 목적: 클러터가 포함된 마이그레이션 이미지를 처리하여 결함의 정밀한 기하학적 형상을 재구성한다.
   • 구조: 인코더와 디코더 사이의 저수준 특징과 고수준 특징 간의 시맨틱 격차를 메우기 위해 ResPath 연결을 갖춘 강화된 U-Net 구조를 특징으로 한다. 또한 특징 기여도를 동적으로 가중하는 CBAM 기반 디코더를 채택한다.
   • 출력: 네트워크는 노이즈와 클러터를 억제하여 결함 형상의 깨끗한 이진 마스크를 출력한다.

최종 재구성: 최종 결함 맵은 SR-Net의 형상 출력과 DPE-Net이 예측한 유전율 값을 결합하여 생성된다.

주요 기여

1. 마이그레이션 보조 프레임워크: 본 논문은 유전율 추정은 B-스캔 도메인에서(물질 의존적 반사가 유지되는 곳), 형상 복원은 마이그레이션된 이미지 도메인에서(공간 기하학이 올바르게 정렬되는 곳) 수행하도록 작업을 분리함으로써 원통형 스캐닝의 도메인 불일치 병목 현상을 해결하는 새로운 체계를 도입한다.
2. SSIM 기반 자동 초점 설정: 기하학적 충실도를 에너지 집중보다 우선시하는 새로운 AFT를 개발하였다. 이를 통해 반복적인 속도 시험 없이 "원샷" 마이그레이션 전략을 가능하게 하며, 유전율 추정 네트워크를 위한 정확한 감독 라벨을 제공한다.
3. 도메인 특화 네트워크: DPE-Net(FAM 및 CBAM 포함)과 SR-Net(ResPath 및 어텐션 메커니즘 포함)의 설계는 원통형 결함 이미징의 특징 집합 및 시맨틱 격차 문제를 구체적으로 해결한다.
4. 포괄적 검증: 제안된 프레임워크는 합성 층상 원통, 토양 기반 부패 모델이 적용된 실험실 나무 모델, 그리고 실제 나무 샘플(신선한 절단 나무 및 살아있는 나무 모두)의 세 가지 데이터셋을 통해 검증되었다.

결과

• 합성 데이터: 제안된 체계는 모든 지표에서 기존 DL 방법(PiNet, MRF-UNet, MultiPath-Net)보다 우수한 성능을 보였다. IoU 0.8906, SSIM 0.9634를 달성하였으며, 이는 베이스라인 모델들의 현저히 낮은 점수와 대조된다. SSIM 기반 AFT는 유전율 추정의 평균 절대 오차(MAE)를 엔트로피 기반 AFT의 2.72에서 0.24로 감소시켰다.
• 실험실 모델: 인공 부패가 있는 모래 채움 버킷 모델의 측정 데이터에서, 제안된 방법은 IoU 0.7947를 유지하며 다른 방법들이 흐릿하게 만들거나 왜곡시킨 불규칙한 형상(삼각형, 사다리꼴)을 정확하게 재구성하였다.
• 실제 나무 몸통: 시뮬레이션된 결함이 있는 21개의 실제 나무 샘플 테스트에서, 제안된 체계는 가장 높은 평균 IoU(54.74%)를 달축성하였으며 강력한 일반화 능력을 입증하였다.
• 일반화 (Zero-Shot 및 살아있는 나무):
  • Zero-Shot: 합성 데이터로만 학습된 모델이 미세 조정 없이 실제 측정 데이터에 성공적으로 일반화되어 38.72%의 IoU를 달성하였으며, 이는 베이스라인을 크게 상회하는 수치이다.
  • 살아있는 나무: 음파 토모그래피 및 드릴 저항법으로 검증된 자연 발생 결함이 있는 살아있는 나무에 대한 일반화 테스트를 통해, 이 방법이 결함 위치를 정확하게 찾아낼 수 있음을 확인하였다. 생물학적 변동성으로 인한 미세한 강도 변화가 발생했으나, 본 방법은 전통적인 마이그레이션이나 음파 토모그래피가 결함 경계를 해결하지 못한 곳에서도 일관되게 해석 가능한 재구성을 제공하였다.
• 효율성: 제안된 프레임워크의 총 CPU 시간은 샘플당 약 20초로, 반복적인 마이그레이션 방식(약 89초 소요)에 비해 정확도와 속도 사이의 유리한 절충안을 제공한다.

의의 및 주장
본 논문은 원통형 물체의 GPR 기반 내부 결함 이미징을 위해 설계된 최초의 배포 가능한 물리 일관적 딥러닝 역산 프레임워크를 제시한다고 주장한다. 그 의의는 다음과 같다:

• 도메인 불일치 극복: 표준 DL 모델의 적용을 저해해 온 원주 방향 스캐닝 고유의 공간적 불일치 문제를 성공적으로 해결하였다.
• 물리 가이드 자동화: 물리 정보 기반 마이그레이션 단계와 딥러닝을 통합하여 사전 구조 지식 없이도 마이그레이션 파라미터 선택을 자동화함으로써 완전 자동화된 이미징을 가능하게 한다.
• 실제 배포 가능성: 실제 나무에 대한 테스트를 통해 현장 배포 가능성을 입증하였으며, 비침습적 구조적 무결성 평가 도구를 제공한다.
• 광범위한 적용성: 나무 몸통에 초점을 맞추고 있으나, 그 근본 원리는 전신주나 문화재 기둥과 같은 다른 원주 방향 GPR 이미징 시나리오에도 적용 가능하다.

저자들은 자연적 부패의 복잡성, 수분 변동성 및 비볼록 기하학적 구조에 관한 한계를 인정하며, 향히 연구에서 데이터셋 확장 및 불규칙한 형상에 대한 신호 처리 정교화에 집중할 것임을 언급하였다. 그러나 현재의 결과는 실시간으로 정확한 원통형 구조물 결함 이미징을 위한 견고한 토대를 마련하였다.