⚡ electrical engineering

Crack Detection Methods of Metal Plates Based on Time-Series Acoustic Images and Deep Learning Algorithm

본 논문은 다채널 음향 신호를 시계열 음향 이미지로 변환하고 경량 트랜스포머 모델을 활용하여 다양한 위치와 길이를 가진 균열을 매우 정확하고 효율적으로 탐지하는 금속판 균열 검출 방법을 제안한다.

원저자: Xiaozheng Zhang, Jia Li, Lu Zhu, Shuai Wang

게시일 2026-09-09

📖 4 분 읽기☕ 가벼운 읽기

원저자: Xiaozheng Zhang, Jia Li, Lu Zhu, Shuai Wang

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

금속판은 현대 공학의 소리 없는 일꾼으로, 항공기의 외피, 교량의 프레임, 선박의 선체를 형성합니다. 시간이 흐름에 따라 이러한 구조물들은 응력, 진동, 충격을 견뎌내며, 이 과정에서 미세한 균열이 나타날 수 있습니다. 이를 방치하면 균열이 커져 치명적인 실패로 이어질 수 있습니다. 수십 년 동안 엔지니어들은 이러한 결함을 찾기 위해 금속을 직접 만지거나 비싸고 부피가 큰 장비를 사용하는 방식에 의존해 왔습니다. 그러나 새로운 접근 방식은 금속 자체가 내는 소리를 듣는 것만으로도 어디가 부서졌는지 알려줄 수 있다고 제안합니다. 금속판이 진동할 때, 그것은 공기 중으로 음파를 방출합니다. 이 소리의 패턴은 금속의 상태에 따라 변합니다. 균열은 에너지의 흐름을 방해하여 독특한 음향 시그니처를 만들어냅니다. 이러한 소리 패턴을 포착하고 고급 컴퓨터 프로그램으로 분석함으로써, 표면에 전혀 접촉하지 않고도 손상을 찾아내는 것이 가능합니다.

허페이 공과대학교(Hefei University of Technology)의 연구팀은 정확히 이 작업을 수행하는 방법, 즉 소리를 컴퓨터가 읽을 수 있는 시각적 지도로 바꾸는 방법을 개발했습니다. 단 하나의 마이크로 소리를 듣는 대신, 그들은 24개의 마이크를 격자 형태로 배치하여 진동하는 금속판의 소리를 포착했습니다. 이 설정 덕분에 연구진은 단순히 소리의 크기뿐만 아니라, 소리 파동이 시간에 따라 표면을 가로질러 어떻게 이동하는지도 기록할 수 있었습니다. 연구진은 이 녹음 데이터를 이미지 시퀀스로 변환하여, 그들이 "시계열 음향 이미지(time-series acoustic images)"라고 부르는 것을 만들었습니다. 각 프레임이 특정 순간의 금속판 위 음압을 보여주고, 색상이 소리의 강도를 나타내는 영화를 상상해 보십시오. 이 20개의 프레임을 쌓아 올려, 소리의 공간적 배치와 시간이 흐름에 따라 어떻게 변화하는지를 모두 담은 3차원 데이터 세트를 생성했습니다. 이러한 시각적 표현을 통해 균열에 의해 음장(sound field)이 어떻게 왜곡되는지 정확히 볼 수 있습니다.

이 아이디어를 테스트하기 위해, 팀은 먼저 다양한 길이와 위치의 균열이 있는 금속판에 대한 상세한 컴퓨터 시뮬레이션을 실행했습니다. 그들은 균열이 없는 판, 작은 균열이 있는 판, 그리고 더 큰 균열이 있는 판을 포함하는 데이터 세트를 생성하며 수천 개의 시계열 음향 이미지를 만들어냈습니다. 그런 다음 이 이미지들을 세 가지 유형의 인공지능 모델에 입력하여 어떤 모델이 손상을 가장 잘 식별하는지 확인했습니다. 첫 번째 모델은 비디오 같은 데이터를 처리하도록 설계된 표준 딥러닝 네트워크였습니다. 두 번째는 시퀀스의 서로 다른 부분 간의 관계를 이해하는 능력으로 유명한 트랜스포머(Transformer)라는 더 복잡한 모델이었습니다. 세 번째는 동일한 지능을 유지하면서 훨씬 더 작고 빠르게 작동하도록 설계된 경량화된 버전의 트랜스포머였습니다.

결과는 표준 네트워크가 대부분의 경우 균열을 찾을 수는 있었지만, 정확도 면에서는 어려움을 겪으며 테스트 케이스의 95퍼센트만을 정확히 식별했다는 것을 보여주었습니다. 그러나 더 큰 트랜스포머 모델은 완벽한 정확도를 달al성하여 시뮬레이션의 모든 균열을 정확히 식별해 냈습니다. 하지만 가장 중요한 발견은 경량화된 버전의 트랜스포머에서 나왔습니다. 내부 구성 요소가 훨씬 적고 훨씬 적은 컴퓨팅 파워를 필요로 함에도 불구하고, 이 작은 모델 역시 100퍼센트의 정확도를 달성했습니다. 이는 시스템이 작동하기 위해 거대하고 자원을 많이 소모하는 컴퓨터가 필요하지 않으며, 더 단순하고 효율적인 설계만으로도 균열에 의한 미세한 왜곡을 포착하기에 충분하다는 것을 입증했습니다. 연구진은 모델이 데이터를 어떻게 "보는지" 시각화함으로써 이를 확인했으며, 경량 모델이 균열이 있는 판의 소리 패턴을 건강한 판의 패턴으로부터 명확하게 분리해 낼 수 있음을 보여주었습니다.

이 방법이 컴퓨터 속에서만이 아니라 실제 세상에서도 작동하는지 확인하기 위해, 팀은 물리적 실험을 구축했습니다. 그들은 450mm x 450mm 크기의 강철판을 사용하였고, 레이저 커터를 사용하여 실제 균열을 만들었습니다. 그들은 판을 프레임에 배치하고 진동을 가했으며, 마이크 배열을 사용하여 소리를 포착했습니다. 시뮬레이션에서와 마찬가지로, 그들은 소리 데이터를 시계열 음향 이미지로 변환하여 경량 모델에 입력했습니다. 시스템은 다양한 길이와 위치의 균열을 100퍼센트의 정확도로 성공적으로 식별했습니다. 모델은 가장자리에 있는 균열과 중앙에 있는 균열을 구별할 수 있었을 뿐만 아니라, 10mm 균열과 20mm 균열의 차이도 구분해 냈습니다. 이는 이 방법이 실제 환경의 소리와 구조적 변화를 처리할 만큼 견고하다는 것을 입증했습니다.

연구는 금속판의 소리를 듣고 그 소리를 움직이는 영상으로 바꾸는 것이 균열을 찾는 매우 효과적인 방법이라고 결론짓습니다. 연구진은 균열이 존재할 때 음장이 예측 가능한 방식으로 변화하며, 이러한 변화는 컴퓨터가 인식할 수 있을 만큼 뚜렷하다는 것을 발견했습니다. 현재 테스트는 통제되고 조용한 환경에서 수행되었지만, 경량 모델의 성공은 이 기술이 결국 소음이 많은 산업 현장에서도 사용될 수 있도록 적응될 수 있음을 시사합니다. 이러한 정밀한 비접촉 방식으로 손상을 감지하는 능력은 주요 금속 구조물의 더 안전하고 효율적인 유지보수를 향한 유망한 길을 제시합니다. 이 연구는 구조물이 내는 소리가 건강 상태의 신뢰할 수 있는 지표이며, 적절한 도구가 있다면 우리가 그 언어를 완벽한 명료함으로 읽어낼 수 있음을 확인시켜 줍니다.

기술 요약: 시계열 음향 이미지와 딥러닝 알고리즘을 기반으로 한 금속판 균열 검출 방법

문제 정의
금속판은 공학 분야에서 중요한 구조적 구성 요소이지만, 가공 오류, 외부 충격, 고강도 진동 및 피로로 인해 균열이 발생하기 쉽습니다. 감지되지 않은 균열은 장비 고장이나 치명적인 구조적 손상으로 이어질 수 있습니다. 기존의 검출 방법(센서 기반, 적외선, 초음파, 방사선 투과 등)이 존재하지만, 장비와 작업자에 대한 의존도가 높고, 효율성이 낮으며, 비용이 많이 들고, 접촉식 측정의 한계가 있는 경우가 많습니다. 또한, 단일 마이크를 사용하는 전통적인 음향 신호 분석은 다양한 위치와 길이의 균열을 정확하게 탐지하는 데 어려움을 겪습니다. 본 연구는 방사된 음장의 시공간적 특성을 활용하여 금속판의 균열을 비접촉 방식으로 효율적이고 정확하게 검출할 수 있는 필요성을 해결하고자 합니다.

방법론
제안된 방법론은 음향 신호 획득, 이미지 생성, 그리고 딥러닝 분류를 다음과 같은 단계로 통합합니다:

데이터 획득 및 이미지 생성:
- 들뜸(Excitation) 및 측정: 금속판에 다양한 주파수의 힘을 가하여 들뜨게 합니다. 마이크로폰 어레이(실험에서는 24개의 마이크 사용, 수치 연구에서는 시뮬레이션 활용)가 다채널 음압 신호를 포착합니다.
- 시계열 음향 이미지: 다채널 신호를 3차원 시계열 음향 이미지로 변환합니다. 이 이미지는 순차적인 시간 단계(샘플당 20 프레임)에서의 측정 평면 상의 음압 진폭 맵을 나타냅니다.
- 시각화: 데이터 정규화 및 텍스처 대비 향상을 위해 진폭 값을 RGB 색 공간(0–255)에 매핑하며, 결과물 샘플 크기는 $3 \times 20 \times 200 \times 200$ (채널 $\times$ 시간 $\times$ 높이 $\times$ 너비)입니다.
- 시뮬레이션 vs 실험: 음향 유한 요소법 및 경계 요소법을 이용한 수치 시뮬레이션을 통해 초기 데이터셋을 생성했습니다. 물리적 실험은 레이저 절단된 다양한 길이(10, 15, 20 mm)와 위치의 균열이 있는 Q235 강판을 사용하여 무향실에서 수행되었습니다.
딥러닝 모델 구축:
균열 상태(균열 없음 vs 다양한 위치/길이의 균열)를 분류하기 위해 세 가지 신경망 구조를 구축하고 비교하였습니다:
- 3D CNN: 음향 이미지 시퀀스의 시공간적 상관관계를 포착하도록 설계된 표준 3D 합성곱 신경망입니다.
- Transformer: 3D 합성곱 특징 추출 후 표준 Transformer 인코더(2개 층, 4개 어텐션 헤드)를 사용하여 특징 표현을 강화한 베이스라인 모델입니다.
- 경량형 Transformer (Lightweight Transformer): 계산 부하를 줄이기 위해 설계된 간소화된 구조입니다. 더 적은 수의 합성곱 블록(5개 대비 4개), 감소된 채널 차원(최대 512 대비 256), 단일 Transformer 레이어와 2개의 어텐션 헤드, 그리고 토큰 수 감소(196 대비 32개)를 특징으로 합니다.
훈련 및 검증:
- 데이터 증강: 과적합을 방지하고 강건성을 높이기 위해 훈련 세트에 무작위 크롭(Cropping), 공간 뒤집기(Flipping), 미세 회전, 그리고 다양한 신호 대 잡음비(SNR)를 가진 가우시안 백색 잡음 주입을 적용했습니다.
- 평가: 모델은 훈련, 검증, 테스트 세트로 분할된 데이터셋에서 학습되었습니다. 성능은 정확도, 손실 곡선, T-SNE 특징 시각화, 그리고 정밀도(Precision), 재현율(Recall), F1-score를 포함한 지표를 통해 평가되었습니다.

주요 결과

모델 성능:
- 3D CNN은 **95.0%**의 검출 정확도를 달いましたが, 과적합 징후(높은 훈련 정확도 대비 낮은 검증 정확도)를 보였습니다.
- Transformer 모델은 **100.0%**의 정확도를 달성하며 견고한 일반화 성능을 보였으나, 상당한 계산 자원(파라미터 28.8M, 메모리 110MB)을 요구했습니다.
- 경량형 Transformer 또한 **100.0%**의 정확도를 달성했습니다. 결정적으로, 이 모델은 파라미터 수를 3.5M으로, 메모리 사용량을 13.5MB로 줄여, 완벽한 분류 성능을 유지하면서도 계산 효율성을 크게 향러상시켰습니다.
특징 분리: T-SNE 시각화는 경량형 Transformer가 균열이 없는 판과 다양한 위치 및 길이의 균열이 있는 판의 특징을 효과적으로 분리하여, 클래스 간의 밀집된 클러스터링과 명확한 구분을 보여줌을 확인했습니다.
실험적 검증: 다양한 균열 길이와 위치를 가진 강판에 대한 물리적 실험은 시뮬레이션 결과를 확인해 주었습니다. 경량형 Transformer는 실험 테스트 세트에서 모든 균열 조건을 **100.0%**의 정확도로 성공적으로 검출했습니다.

의의 및 주장
본 논문은 제안된 방법이 다음과 같은 측면에서 비파괴 검사의 중요한 발전을 제공한다고 주장합니다:

시공간적 표현: 음향 신호를 시계열 음향 이미지로 변환하는 것이 음장의 진화를 효과적으로 포착하며, 구조적 균열이 음향 이미지에 특정 왜곡으로 나타나는 산란 및 회절의 물리적 메커니즘을 밝혀낸다는 것을 입증했습니다.
효율성 및 정확도: 경량형 Transformer 모델이 표준 Transformer 및 3D CNN에 비해 모델 크기와 계산 전력 소모를 획기적으로 줄이면서도 100% 검출 정확도를 유지함으로써 이중적인 돌파구를 마련했음을 확립했습니다. 이는 엣지 컴퓨팅 환경에서의 실시간 추론에 적합합니다.
비접촉 검출: 접촉식 측정이 필요 없는 방법을 검증함으로써, 금속판의 상태 모니터링을 위한 더 안전하고 편리하며 비용 효율적인 솔루션을 제공합니다.

한계 및 향 향후 과제
저자들은 현재 연구가 주로 개방형 균열에 초점을 맞추고 있으며 이상적인 무향 환경에서 수행되었다는 점을 인정합니다. 복잡한 균열 유형(예: 미세 피로 균열)에 대한 방법의 일반화와 복잡한 배경 소음이 존재하는 산업 환경에서의 강건성에 대해서는 추가적인 조사가 필요합니다. 향후 연구는 항노이즈(Anti-noise) 알고리즘 최적화와 다양한 균열 형태를 처리할 수 있도록 모델을 확장하는 데 집중할 것입니다.

유사한 논문