Data-Driven Generation of Synthetic Timber for Deep-Learning-Based Wood Assessment

기술 요약: 딥러닝 기반 목재 평가를 위한 데이터 기반 합성 목재 생성

문제 정의
목재 평가를 위한 딥러닝(DL) 모델 개발은 외부 표면 스캔과 알려진 내부 구조(예: 매듭 기하학, 성장층, 3D 섬유 방향 및 심재 위치)가 결합된 대규모 쌍체 데이터셋(paired datasets)의 부족으로 인해 어려움을 겪고 있다. 실제 목재에서 이러한 정답(ground truth)을 얻는 것은 X-선 CT 스캔이나 물리적 절단이 필요하여 파괴적이고, 비용이 많이 들며, 시간이 오래 걸리는 작업이다. 또한, 지도 학습을 위해 목재 특징을 수동으로 주석(annotation)을 다는 작업은 노동 집약적이다. 합성 데이터는 이러한 주석 병목 현상을 극복하기 위해 다른 분야(예: 자율 주행, 의료 영상)에서 탐구되어 왔으나, 기존의 목재 생성 프레임워크는 한계가 있다. 이전의 접근 방식들은 매듭이 없는 투명한 목재에만 집중하거나(Habite et al., 2022), 특정 판재 치수에 맞는 스캐너와 유사한 표면 이미지를 생성하거나 3D 섬유 방향을 계산하는 기능 없이 그럴듯한 부피 텍스처만을 생성하였다(Larsson et al., 2022). 따라서 딥러닝 기반 등급 분류 및 평가 작업을 지원하기 위해, 현실적인 표면 외관과 완전히 알려진 내부 구조를 가진 합성 노르웨이 가문비나무(Norway spruce) 판재를 생성하는 종합적인 프레임워크가 필요하다.

방법론
저자들은 합성 노르웨이 가문비나무 판재를 생성하기 위한 4단계 절차적 프레임워크를 제안한다. 워크플로우는 내부 구조 생성에서부터 현실적인 표면 렌더링까지 진행된다:

1. 데이터 기반 매듭 생성기 (Data-Driven Knot Generator):

   • 데이터 소스: X-선 CT 스캔을 통해 분할된 오픈 액세스 TreeTrace_spruce 데이터베이스의 노르웨이 가문비나무 로그 97개.
   • 파라미터화: 매듭을 포인트 클라우드로 추출하고 10개의 파라미터(종방향 위치, 방위각, 축 포물선 계수, 직경 계수, 생사(live/dead) 부분의 반경 경계)를 사용하여 기하학적 모델(Foley, 2003)에 적합시킨다.
   • 클러스터링: 데이터 희소성 문제를 해결하기 위해, 16,319개의 고유한 매듭을 9차원 기하학적 임베딩(종방향 위치 제외)을 기준으로 1,000개의 그룹으로 클러스터링한다.
   • 시퀀스 생성: LSTM(Long Short-Term Memory) 모델을 사용하여 이들 클러스터 토큰의 시퀀스(1cm 단위로 이산화된 로그 슬롯에서 유도됨)를 학습시켜 다음 매듭 토큰을 예측한다. 이 모델은 클러스터 토큰 예측에서 93.2%의 정확도를 달 달성하며, 실제 데이터와 비교했을 때 매듭 시퀀스의 통계적 특성(예: 매듭 실행 길이, 빈도)을 재현한다.

2. 성장층 생성기 (Growth-Layer Generator):

   • 확률적 모델링: 연륜(annual rings)은 실제 로그 측정을 기반으로 불규칙한 단면 형상과 가변적인 륜폭을 생성하는 확률적 모델(Habite et al., 2022)을 사용하여 생성된다.
   • 변형(Deformations): 명목 성장층은 다음을 포함하도록 수정된다:
     • 테이퍼(Taper): 로그 길이에 따른 반지름의 선형 감소.
     • 크룩(Crook): 사인파의 합으로 모델링된 횡좌표의 확률적 이동.
     • 매듭 범프(Knot Bumps): 매듭 주변의 국부적 왜곡은 수정된 Foley 모델을 사용하여 계산되며, 이는 다중 매듭의 존재와 크룩/테이퍼를 고려한다. 여기에는 영향 구역(influence zones)을 계산하고 생사 매듭 경계에 따라 성장층 반지름을 조정하는 과정이 포함된다.

3. 섬유 방향 모델 (Fiber-Orientation Model):

   • 3D 할당: 생성된 매듭 기하학 및 변형된 성장층을 바탕으로, 판재의 모든 지점에 3D 섬유 방향이 할당된다.
   • 메커니즘: 모델은 단일 매듭의 흐름 패턴을 다중 매듭으로 확장한다. 각 매듭 주변의 투영된 섬유 방향(Rankine-oval flow)을 계산하고, 국부 성장층 표면에 대한 접선 조건을 강제한다.
   • 결합: 여러 매듭의 영향을 받는 지점의 경우, 매듭 축으로부터의 거리에 따라 관련성 가중치가 할당된다. 최종 섬유 방향은 횡방향 편차 점수를 최대화하도록 선택되어, 섬유장이 성장층에 접하도록 보장한다. 매듭 내부의 섬유는 매듭 축을 따른다.

4. 현실적인 표면 이미지 생성기 (Conditional Diffusion):

   • 입력: 3D 구조와 판재 표면의 교차로부터 유도된 이진 륜 맵(binary ring maps)과 그레이스케일 평면 내 섬유 방향 맵.
   • 모델: 수정된 Stable Diffusion XL (SDXL) 모델. 조건부 맵(4개의 륜 맵 + 4개의 섬유 맵)을 수용하기 위해 U-Net 입력 채널을 4개에서 8개로 확장하였다.
   • 학습: 실제 노르웨이 가문비나무 판재(45×145 mm²)의 35,479개 세그먼트를 사용하여 학습되었다. 전체 데이터셋에 대한 수동 륜 라벨링이 불가능했기 때문에, RGB 이미지로부터 륜 패턴을 자동으로 라벨링하는 보조 SDXL 모델을 학습시켜 조건 맵과 대상 RGB 이미지 간의 대규모 쌍체 데이터셋을 생성하였다.
   • 출력: 모델은 규정된 륜 패턴과 섬유 편차를 유지하면서 네 개의 판재 면에 대한 현실적인 512×512 RGB 이미지를 생성한다.

주요 기여

• 포괄적 프레임워크: 본 연구는 매듭 시퀀스, 성장층 기하학(테이퍼, 크룩, 범프 포함), 3D 섬유 방향, 그리고 현실적인 표면 외관을 동시에 모델링하는 최초의 완전한 합성 목재 판재 생성 프레임워크를 제시한다.
• 데이터 기반 매듭 시퀀싱: 기존의 절차적 방법과 달리, 매듭 시퀀스는 실제 CT 데이터로 학습된 LSTM에 의해 생성되어 자연스러운 매듭 분포에 대한 통계적 충실도를 보장한다.
• 물리학과 딥러닝의 통합: 본 프레임워크는 분석적 기하학 모델(내부 구조 및 섬유 흐름용)과 생성형 AI(확산 모델)를 결합하여 시각적으로 현실적인 출력을 물리적 파라미터에 따라 생성한다.
• 오픈 소스 공개: 연구를 촉진하기 위해 소스 코드와 학습된 모델을 포함한 전체 판재 생성기를 공개한다.

결과 및 예비 적용
프레임워크의 유용성을 입증하기 위해, 저자들은 네 개의 종방향 판재 표면 이미지로부터 단면 륜 패턴(심재 위치 및 륜폭 포함)을 예측하는 모델을 훈련시키는 개념 증명(proof-of-concept) 애플리케이션을 수행하였다.

• 훈련: 제안된 프레임워크로 생성된 30,000개의 합성 판재 세그먼트만을 사용하여 모델을 훈련시켰다.
• 테스트: 훈련에 사용되지 않은 76개의 실제 노르웨이 가문비나무 판재(152개 단면)로 모델을 평가하였다.
• 성능:
  • 표준 U-Net은 정확한 에지(edge) 예측을 보여주었으나, 내부 륜 패턴의 모호성으로 인해 내부 영역이 흐릿하게 나타났다.
  • 순수 확산 모델은 흐릿하지 않은 출력을 생성했으나, 불규칙하고 목재답지 않은 패턴을 "환각(hallucinate)"했다.
  • 결합된 파이프라인(초기 예측을 위한 U-Net + 세부 묘사를 위한 SDXL 리파이너)은 높은 정확도를 달성했다.
  • 지표: 예측된 평균 연륜 폭은 결정 계수($R^2$) 0.93과 평균 절대 편차 0.173 mm를 보였다. 심재 위치 예측은 x-방향 3.77 mm, y-방향 6.08 mm의 평균 절대 편차를 보였다.

의의 및 주장
본 논문은 제안된 프레임워크가 목재 평가를 위한 대규모 쌍체 데이터셋 확보라는 병목 현상을 성공적으로 해결한다고 주장한다. 내부 구조가 알려진 합성 판재를 생성함으로써, 본 프레임워크는 실제 정답을 얻기 어렵거나 파괴적인 작업에 대한 딥러닝 모델 훈련을 가능하게 한다.

• 완곡한 주장: 저자들은 결과가 "개념 증명"으로 간주되어야 한다고 명시적으로 밝힌다. 그들은 합성 데이터가 단면 예측 작업에는 충분했으나, 더 복잡한 작업(예: 전체 3D 매듭 기하학 예측)의 경우 합성 판재와 실제 판재 사이의 도메인 차이로 인해 여전히 실제 데이터로 미세 조정(fine-tuning)이 필요할 수 있음을 인정한다.
• 유용성: 이 생성기는 실제 데이터를 대체하는 것이 아니라, 학습 및 검증에 필요한 실제 쌍체 데이터의 양을 줄일 수 있는 학습 기반 방법론의 개발 및 테스트를 지원하는 도구로 자리매김한다.
• 한 한계점: 저자들은 종 특이성(현재 노르웨이 가문비나무에 국한됨), 고정된 판재 치수, 그리고 현재로서는 실시간 산업 적용을 어렵게 만드는 확산 기반 리파이닝 파이프라인의 계산 비용에 관한 한계를 언급한다. 향-후 연구로는 (LoRA 등을 통한) 종 적응 및 해상도 개선이 제안되었다.