Determination of Nanoparticle and Microdroplet Parameters in Levitating Microdroplets of Suspension by Speckle Image Analysis Using Convolutional Neural Networks

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 현탁액 미세방울 (Suspension microdroplet) 의 광학적 응답은 분산상 (나노입자) 의 특성뿐만 아니라 방울 자체의 유한한 크기와 광학적 구조 (광학 공진기 역할) 에 의해 결정됩니다.
• 문제: 미세방울에서 산란된 빛의 패턴을 해석하여 현탁액의 농도, 입자 크기, 방울 크기 등의 파라미터를 역산 (Inverse problem) 하는 것은 매우 복잡합니다. 특히 나노입자의 미세한 특성이 방울 전체의 산란 패턴에 가려져 구별하기 어렵기 때문에 기존 수동 특징 추출 (Feature engineering) 방식으로는 한계가 있었습니다.
• 목표: 단일 공중 부양 (Levitating) 현탁액 미세방울에서 기록된 레이저 스페클 (Laser speckle) 이미지를 활용하여, 데이터 기반 (Data-driven) 인 딥러닝 기법으로 방울 직경, 나노입자 농도, 나노입자 직경을 동시에 또는 개별적으로 식별할 수 있는지 검증하는 것입니다.

2. 연구 방법론 (Methodology)

실험 설정 (Experimental Setup)

• 장치: 선형 전동 quadrupole 트랩 (LEQT) 을 사용하여 단일 미세방울을 공중에 띄웠습니다.
• 시료: 디에틸렌 글리콜 (DEG) 에 분산된 단분산 (Monodisperse) TiO₂ 나노입자 현탁액.
  • 나노입자 직경: 100, 250, 500 nm (3 가지).
  • 농도: 1, 5, 20 mg/mL (3 가지).
  • 방울 직경: 약 65~130 µm 범위.
• 이미지 획득: 514 nm 녹색 레이저로 조사하여 생성된 스페클 패턴을 CCD 센서로 촬영했습니다. (노출 시간 20ms, 16-bit, 약 10 fps 로 1,000 프레임 연속 촬영).
• 데이터 전처리: 배경 광 제거, 2D 가우시안 평활화, 정규화 (0~1) 를 수행하여 밝기 변동 요인을 제거하고 텍스처 특징에 집중하도록 했습니다.

알고리즘 (Convolutional Neural Network, CNN)

• 모델 구조: 잔차 연결 (Skip-connected) 이 적용된 다중 분기 (Multi-branch) 구조의 CNN 을 사용했습니다.
  • 로컬 텍스처 패턴 추출 → 스킵 연결을 통한 정제 → 두 개의 병렬 특징 스트림 분석 → 융합 → 전역 텍스처 서명 기반 분류.
• 학습 환경: MATLAB(R2023a), NVIDIA GeForce RTX 3090 GPU 2 개 사용.
• 학습 전략:
  • 단일 파라미터 분류 (방울 직경, 농도, 입자 크기 각각).
  • 다중 파라미터 동시 분류 (2 개 파라미터, 3 개 파라미터).
  • 과적합 방지를 위해 독립적인 테스트 세트 (다른 실험 일자의 데이터) 를 사용 및 Grad-CAM 을 통해 모델이 이미지 아티팩트가 아닌 실제 물리적 특징에 반응하는지 검증했습니다.

3. 주요 결과 (Key Results)

1) 단일 파라미터 분류 성능

• 방울 직경 (Droplet Diameter): 가장 높은 정확도로 식별되었습니다. 스페클 패턴의 수직 공간 주파수에 강하게 반영되어 CNN 이 쉽게 학습했습니다.
  • 정확도: 약 6% 이내의 오차로 매우 신뢰할 수 있는 결과를 보였습니다.
• 나노입자 농도 (Nanoparticle Concentration): 식별이 상대적으로 어려웠습니다. 농도 변화가 미세한 스페클 특징에 영향을 미치고, 초기 농도 측정의 불확실성 (~50%) 이 영향을 주었습니다.
  • 결과: 농도 클래스 간 차이가 충분히 클 때 (약 4 배 이상, 예: 1 vs 5 vs 20 mg/mL) 명확한 분류가 가능했습니다.
• 나노입자 직경 (Nanoparticle Diameter): 고정된 질량 농도 조건에서 100, 250, 500 nm 입자를 구별하는 데 성공했습니다. 입자 크기와 개수 변화가 혼재되었음에도 불구하고 명확한 분류가 가능했습니다.

2) 다중 파라미터 동시 분류 (Simultaneous Classification)

• 2 파라미터 분류: (방울 직경 + 농도) 및 (농도 + 입자 크기) 조합에서 성공적으로 분류되었습니다.
• 3 파라미터 분류: 총 27 개 클래스 (방울 직경 3 단계 × 농도 3 단계 × 입자 크기 3 단계) 를 동시에 분류하는 데 성공했습니다.
  • 혼동 행렬 (Confusion Matrix) 에서 일부 파라미터 (예: 농도) 에 대한 '에코 (echo)' 현상 (오분류) 이 관찰되었으나, 전체적으로 다중 파라미터 동시 식별이 가능함을 입증했습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 증명 실험 (Proof of Principle): 레이저 스페클 이미지와 CNN 을 결합하여 공중 부양 미세방울의 물리적, 화학적 파라미터를 비접촉식으로 동시 진단할 수 있음을 최초로 입증했습니다.
2. 복잡한 역문제 해결: 기존에 해석이 어려웠던 미세방울 내 나노입자의 분산 상태와 방울 크기 정보를 하나의 이미지에서 추출하는 새로운 패러다임을 제시했습니다.
3. 확장성: 단일 파라미터에서 3 개 파라미터까지 확장 가능한 것을 보여줌으로써, 실제 대기 중 에어로졸 (Aerosol) 시스템이나 복잡한 현탁액의 실시간 광학 진단 기술로 발전할 가능성을 제시했습니다.
4. 기술적 혁신: 수동으로 특징을 설계할 필요 없이 CNN 이 스페클의 복잡한 확률적 텍스처에서 물리적 정보를 자동으로 학습하여 추출할 수 있음을 보여주었습니다.

5. 결론

이 연구는 TiO₂/DEG 현탁액 미세방울을 대상으로 하여, CNN 기반 스페클 이미지 분석이 방울 직경, 나노입자 농도, 나노입자 크기를 높은 신뢰도로 식별할 수 있음을 보여주었습니다. 특히 농도 측정의 불확실성과 같은 실험적 한계가 있음에도 불구하고, 다중 파라미터 동시 분류가 가능하다는 점은 미래의 정밀한 에어로졸 진단 및 환경 모니터링 기술 개발에 중요한 토대가 될 것입니다.