CrackMorph-XAI-Net: A Topology-Preserving and Explainable Framework for Automated Crack Morphology

기술 요약: CrackMorph-XAI-Net

문제 정의
현재 자동화된 균열 검사 시스템은 주로 딥러닝 모델에 의존하여 이진 분할 마스크를 생성합니다. 손상 영역을 국소화하는 데 효과적이지만, 이러한 마스크는 엄격한 공학적 해석에 필요한 구조적 세밀함을 결여하고 있습니다. 유지보수 결정은 단순히 결함의 존재 여부가 아니라 균열 길이, 폭, 방향, 분기 행동, 비틀림, 위상 분류와 같은 정량적 형태론적 기술자에 의존합니다. 이러한 지표를 도출하는 전통적인 접근법은 분할 마스크에 적용되는 고전적인 후처리 기법 (예: 형태론적 박막화 및 중축 변환) 을 포함합니다. 그러나 이러한 휴리스틱 방법은 극도로 취약하며, 경계 노이즈에 과도하게 민감하여 인위적인 미세 분기, 끊어진 중심선, 왜곡된 위상을 자주 생성합니다. 또한, 자동화 시스템이 안전-중요 워크플로우에 통합됨에 따라 표준 분할 모델의 "블랙박스" 특성은 신뢰성과 설명 가능성을 제한합니다. 픽셀 수준의 국소화에서 측정 가능하고 공학적으로 관련성이 있는 데이터를 산출하는 투명하고 학습 기반의 구조 예측으로 전환할 시급한 필요성이 있습니다.

방법론
본 논문은 원시 균열 이미지와 영역 마스크를 해석 가능한 구조적 출력 시퀀스로 변환하도록 설계된 설명 가능하고 형태론을 인식하는 프레임워크인 CrackMorph-XAI-Net을 제안합니다. 이 프레임워크는 모듈식 4 단계 캐스케이드 파이프라인으로 작동합니다.

1. 위상 보존 스키마 추출: 고전적 박막화 알고리즘을 적용하는 대신, 프레임워크는 스키마 복원을 학습된 구조 예측 문제로 공식화합니다. U-Net 스타일의 인코더 - 디코더 네트워크가 1 픽셀 너비의 연속 중심선을 예측합니다. 네트워크는 심각한 전경 - 배경 클래스 불균형을 처리하고 전역 공간 중첩을 보장하기 위해 Dice 손실과 이진 교차 엔트로피 (BCE) 를 결합한 복합 손실 함수로 최적화됩니다.
2. 가우시안 히트맵 회귀를 통한 결합부 감지: 균열 결합부 (분기점) 의 극단적인 희소성을 해결하기 위해, 프레임워크는 직접적인 픽셀 단위 이진 분류를 피합니다. 대신 인간 포즈 추정에서 영감을 받은 가우시안 히트맵 회귀 전략을 사용합니다. 이산 결합부 좌표를 연속적인 2D 가우시안 분포로 변환합니다. 전용 네트워크가 평균 제곱 오차 (MSE) 손실을 사용하여 이 확률 지도를 예측하여 최적화 지형을 부드럽게 하고 희소 구조 목표에 대한 강력한 국소화를 가능하게 합니다.
3. 결정론적 형태론 기술자 계산: 이 단계는 엄격하게 기하학적이며 분석적이며, 예측된 구조적 출력을 공학 지표로 변환합니다. 다음을 계산합니다.
   • 균열 길이: 추출된 스키마를 따른 경로 길이.
   • 평균 폭: 전체 의미론적 균열 면적과 스키마 길이의 비율.
   • 방향: 스키마 좌표의 지배적 주축.
   • 결합부 수: 감지된 분기점의 수.
   • 비틀림: 스키마 경로 길이와 끝점 간의 유클리드 거리의 비율.
   • 위상 클래스: 결합부 풍부도에 기반한 범주형 분류 (선형, 분기, 복잡, 네트워크).
4. 심각도 지향 스크리닝: 최종 단계는 이러한 기술자를 우선순위 지정 휴리스틱으로 종합합니다. 유한 요소 분석을 대체하는 것은 아니지만, 선형 탄성 파괴 역학 (LEFM) 의 개념을 활용하여 기하학적 경계와 구조적 복잡성에 기반하여 인간 검토가 필요한 치명적 결함을 플래그합니다.

데이터셋 기여
엄격한 단계별 평가를 지원하기 위해 저자들은 표준 CRACK500 벤치마크를 CRACK500-Extended로 확장했습니다. 이 새로운 벤치마크는 원래의 500 고해상도 이미지와 이진 마스크를 유지하지만, 세 가지 중요한 공간 정렬 주석 레이어를 도입합니다.

• 스키마 맵: 정제된 중축 변환을 통해 유도된 1 픽셀 너비의 위상 보존 중심선.
• 결합부 히트맵: 주석된 분기점 중심의 연속 가우시안 분포.
• 위상 레이블: 전역 이미지 수준 복잡도 범주.
  훈련 세트는 기하학적 불변성을 보장하기 위해 공간 변환 (뒤집기, 회전, 탄성 변형) 을 사용하여 1,896 인스턴스로 증강되었습니다.

주요 결과
CRACK500-Extended 테스트 세트에 대한 실험적 검증은 고전적 베이스라인 대비 상당한 개선을 보여줍니다.

• 스키마 추출: 학습된 모델은 고전적 박막화의 0.912 와 비교하여 평균 Dice 계수 0.991과 IoU 0.983 을 달성했습니다. 위상 보존은 테스트 이미지의 **98.5%**에서 유지되어 베이스라인 대비 11.5% 포인트 개선되었습니다.
• 결합부 감지: 가우시안 히트맵 회귀 접근법은 0.964의 재현율과 0.887의 F1 점수를 산출하여 이진 분류 베이스라인 (0.871 재현율 달성) 을 크게 능가했습니다.
• 기술자 정확도: 예측된 형태론적 값과 참조 값 간에 강한 일치가 관찰되었습니다. 모든 지표에 대한 피어슨 상관계수는 0.95를 초과했으며, 길이와 방향 상관계수는 각각 0.982 와 0.991 에 달했습니다.
• 위상 분류: 프레임워크는 전체 범주 정확도 **83.5%**를 달성했으며, 오류는 주로 인접한 복잡도 클래스 (예: 분기 대 복잡) 사이에서 발생했습니다.
• 절대 연구: 캐스케이드 아키텍처 (독립적 단계) 는 밀집 스키마 복원과 희소 결합부 국소화 간의 기울기 간섭을 방지하여 통합 다중 작업 네트워크보다 우수함이 입증되었습니다.

의의 및 주장
본 논문은 CrackMorph-XAI-Net 이 단순한 분할을 넘어 투명하고 측정 가능하며 공학적으로 관련성 있는 구조적 표현으로 이동함으로써 자동화된 인프라 검사에서 패러다임 전환을 나타낸다고 주장합니다. 그 주요 의의는 고유한 설명 가능성에 있습니다. 불투명한 확률 지도 대신 중간 구조적 출력 (스키마, 히트맵) 을 생성함으로써, 이 프레임워크는 도메인 전문가가 모델의 추론을 시각적으로 검증하고 진단할 수 있게 합니다. 이러한 투명성은 안전-중요 공학 워크플로우에 AI 를 배포하는 데 필수적인 것으로 제시됩니다.

저자들은 이 프레임워크를 재료별 고장 분석의 결정적 대체제가 아니라 인프라 손상을 분류하고 전문가 검토를 위해 결함을 우선순위화하도록 설계된 의사결정 지원 도구로 위치시킵니다. 이 작업은 시스템이 2D 형태론을 효과적으로 정량화하지만, 향후 버전은 다양한 재료 (예: 강철, 미세구조 콘크리트) 에 대한 일반화 문제를 해결하고 완전한 3D 구조 건전성 모니터링을 위해 깊이 지표를 통합해야 함을 강조합니다. 이 연구는 알고리즘적 출력이 손상 국소화뿐만 아니라 예방적 유지보수 계획에 진정으로 유용하기 위해 검증 가능한 방식으로 그 구조적 아키텍처를 정량화해야 한다고 결론지었습니다.