PI-TransUNet: A Physics-Informed TransUNet Model for Steel Plate Defect Detection in Electromagnetic Tomography

기술 요약: 강판 결함 검출을 위한 PI-TransUNet

문제 정의
전자기 토모그래피(Electromagnetic Tomography, EMT)는 경계 측정으로부터 내부 전도도 또는 투과율 분포를 재구성함으로써 강판과 같은 금속 구조물을 검사하는 비침습적, 비접촉식 방법을 제공한다. 그러나 EMT 역문제(inverse problem)는 전자기 확산의 "소프트 필드(soft-field)" 특성으로 인해 본질적으로 부적정(ill-posed)하며 비선형적이다. 이는 결함 경계의 왜곡, 특징 흐림, 측정 노이즈에 의한 불안정성 등 심각한 이미지 재구성 문제를 야기한다. 딥러닝 방식이 전통적인 반복 알고리즘에 비해 재구성 속도와 정확도를 개선했음에도 불구하고, 순수 데이터 기반 모델은 전자기적 물리 법칙을 명시적으로 준수하지 못하는 경우가 많아, 예측 결과가 물리적 원칙을 위배하거나 일반화 성능이 떨어지는 문제가 발생한다.

방법론: PI-TransUNet 프레임워크
저자들은 데이터 기반 학습과 전자기적 물리 제약 사이의 간극을 메우기 위해 설계된 물리 정보 하이브리드 이미징 프레임워크인 PI-TransUNet을 제안한다. 이 아키텍처는 두 가지 주요 구성 요소로 이루어진 폐쇄 루프 시스템으로 작동한다:

1. 역재구성 생성기 (Trans-UNet):

   • 아키텍처: 합성곱 신경망(CNN)의 국부적 특징 추출 능력과 트랜스포머(Transformer)의 전역 문맥 모델링 능력을 통합한 수정된 TransUNet을 사용한다.
   • 입력 처리: 모델은 81차원의 경계 전압 벡터를 수용한다. 결정적으로, 센서 어레이의 위상적 배치를 네트워크가 인지할 수 있도록 정규화된 공간 좌표를 전압 데이터와 결합하는 공간 위치 인코딩(Spatial Positional Encoding) 메커니를 포함한다.
   • 특징 추출: 인코더는 계층적 특징 추출을 위해 컨볼루션 블록을 사용한다. 병목(bottleneck) 구간에서는 멀티 헤드 셀프 어텐션(Multi-Head Self-Attention, MSA)을 갖춘 트랜스포머 모듈을 사용하여, 일반적인 CNN이 놓치기 쉬운 장거리 전자기 결합 관계와 전역 의존성을 포착한다. 채널 어텐션 모듈은 특징의 중요도를 더욱 정교하게 다듬는다.
   • 출력: 디코더는 특징을 점진적으로 업샘플링하여 2D 전도도 분포 이미지(18×18 그리드)를 재구성한다.

2. 물리 가이드 순방향 대리 평가기 (Physics-Guided Forward Surrogate Evaluator):

   • 훈련 과정 중 전체 유한 요소법(FEM) 솔버를 사용하는 계산 비용을 피하면서 물리 법칙을 내재화하기 위해, 개선된 ResNet 기반의 미분 가능한 **순방형 대리 모델(forward surrogate model)**을 채택한다.
   • 이 평가기는 생성기에서 재구성된 전도도 이미지를 입력받아 그에 상응하는 경계 전압 벡터를 예측한다.
   • 이 대리 모델의 파라미터는 FEM 데이터로 사전 훈련되며, 역 네트워크의 공동 훈련 중에는 고정(frozen)된다.

3. 훈련 전략 및 손실 함수:

   • 하이브리드 손실: 전체 손실 함수는 데이터 기반 손실(재구성된 이미지와 실제 정답 사이의 가중치 적용된 MSE 및 L1 노름)과 물리적 일관성 손실(순방향 대리 모델이 예측한 전압과 실제 측정된 전압 사이의 MSE)을 결합한다.
   • 동적 웜업(Dynamic Warm-up): 초기 재구성이 불량할 때 발생하는 불안정한 그래디언트를 방지하기 위해 동적 가중치 전략을 사용한다. 물리적 일관성 손실의 가중치는 첫 40 에포크 동안 0에서 0.5까지 선형적으로 증가하며, 이를 통해 네트워크가 데이터 손실을 통해 공간적 결함 위치를 먼저 학습한 후 물리적 제약을 엄격히 적용하도록 한다.

주요 기여
본 논문은 네 가지 주요 기여를 설명한다:

1. 이중 네트워크 프레임워크: 순방향 문제와 역문제를 동시에 해결하여 물리적 타당성을 보장하는 공동 최적화 프레임워크를 구축하였다.
2. 하이브리드 아키텍처: 복잡한 결함 분포를 처리하기 위해 미세한 국부 모델링(CNN)과 전역 특징 모델링(Transformer)을 효과적으로 결합한 TransUNet 기반 역 솔버를 설계하였다.
3. 물리 기반 정규화: 전자기 물리 모델을 데이터 기반 학습과 융합하여 EMT의 부적정 문제를 해결하기 위해 순방향 대리 평가기와 일관성 손실을 도입하였다.
4. 포괄적 검증: 맞춤형 9-코일 평면 EMT 플랫폼을 통한 광범위한 수치 시뮬레이션과 실험실 실험을 통해 방법론의 효능을 입증하였다.

결과
제안된 방법은 시뮬레이션 및 실험 데이터를 모두 사용하여 전통적인 알고리즘(선형 역투영법, 티코노프 정규화) 및 표준 딥러닝 모델(CNN, U-Net)과 비교 평가되었다.

• 절제 연구(Ablation Studies): 정량적 결과는 위치 인코딩과 물리 정보 제약이 각각 독립적으로 성능을 향상시킨다는 것을 확인했다. 전체 PI-TransUNet 모델은 베이스라인 모델들과 비교했을 때 가장 높은 구조적 유사도 지수(SS and SSIM: 0.9115)와 가장 낮은 오차율(RMSE: 0.0904, MAE: 0.0276)을 달려냈다.
• 무잡음 시뮬레이션: PI-TransUNet은 우수한 결함 국지화 및 경계 보존 능력을 보여주었다. 상관 계수(CC)는 모든 테스트 케이스에서 0.89를 초과하였으며, 이는 LBP(CC < 0.45) 및 티코노프 방법보다 현저히 높은 수치이다.
• 노이즈 강건성: 10 dB의 심한 노이즈를 포함한 다양한 신호 대 잡음비(SNR) 환경에서도 모델은 높은 충실도를 유지했다. 10 dB에서도 CC 값은 0.81 이상을 유지하였고, 이미지 오차(IE)는 0.21 미만을 유지하여 측정 노이즈에 대한 강력한 회복력을 입증했다.
• 실험적 검증: 실제 강판 결함이 있는 물리적 9-코일 평면 EMT 시스템에서의 테스트를 통해 시뮬레이션 결과를 확인하였다. 제안된 방법은 다양한 결함 구성에 대해 일관되게 0.82 이상의 CC 값과 0.15 미만의 IE 값을 달성하였으며, 전통적 방식 및 표준 딥러닝 방식이 아티팩트와 왜곡으로 어려움을 겪는 상황에서도 기하학적 형상과 위치를 효과적으로 복원하였다.

의의 및 주장
본 논문은 PI-TransUNet이 EMT 기반 비파괴 검사를 위한 고정밀, 저-아티팩트, 강건한 솔루션을 제공한다고 주장한다. 물리적 제약을 학습 과정에 직접 통합함으로써, 이 방법은 순수 데이터 기반 모델의 한계를 극복하고 재구성 결과가 전자기 법칙을 준수하면서도 높은 정확도를 유지하도록 보장한다. 저자들은 이 접근 방식이 재구성 정확도와 구조적 충실도 사이의 균형을 효과적으로 맞추어, 다중 결함 시나리오 및 노이즈가 존재하는 복잡한 산업 환경에 적합하다고 단언한다. 본 연구는 향후 3D 재구성 및 다중 파라미터 공동 역문제(전도도 및 투과율)로의 확장 가능성을 제시한다.