밝기 밴드 투영을 이용한 C/SiC 복합재 잔류 실리콘 세그멘테이션

6, 2026·
주윤영
First author
,
장승연
,
김수현
,
이웅희
Corresponding author
· 4 분 읽기
초록
실리콘 용융 침투(LSI) 공정으로 제조한 C/SiC 복합재에는 기지 내 잔류 실리콘(Si)이 존재하며, 이는 내열온도 한계와 기계적 강도를 저하시키는 주요 인자이므로 공정 조건별로 그 분율을 측정하고 관리할 필요가 있다. 현재 단면 SEM 이미지를 이용한 측정은 작업자의 이미지별 임계값 선택과 수동 편집에 의존한다. 이 논문은 작업자가 라벨링한 잔류 Si 영역을 정확히 예측하기 위해 신경망 출력에 라벨 생성의 밝기 규칙을 반영하는 소프트 밴드 투영을 제안한다. 신경망 앙상블의 확률맵을 기준으로 이미지별 밝기 구간을 선택하여 구간 내 화소로 잔류 Si 마스크를 구성하고, 이를 이용해 면적비를 계산한다. 시편 6종의 이미지 33장에 대한 시편 단위 6폴드 교차검증에서 IoU 0.892와 Si 면적비 평균 절대오차 0.51%p를 얻었으며, 고정 임계값 기준선 대비 면적비 오차를 약 82% 줄였다. 수동 편집 분석에서는 작업자의 수동 제외를 일부 재현했으나, 밝기 규칙 밖의 수동 추가 화소가 투영 후 일부 소실되는 한계가 나타났다.
출판유형
발행기관
한국정보처리학회 추계 학술발표대회 (ACK), 2026 (논문 ID: KIPS_C2026B0131)
publications

🏆 산학연협동우수상 — ACK 2026 (한국정보처리학회 추계 학술발표대회), 2026년 11월 6일, 세종대학교

ACK 2026 행사 배너 앞에서 산학연협동우수상 상장을 든 주윤영 학부 인턴
ACK 2026 수상 후 — 주윤영 학부 인턴
ACK 2026 산학연협동우수상 상장
산학연협동우수상 상장

연구 배경

실리콘 용융 침투(liquid silicon infiltration, LSI) 공정으로 제조한 C/SiC 세라믹 복합재에는 기지 내 잔류 Si가 존재한다. 잔류 Si는 소재의 내열온도 한계와 기계적 강도를 저하시키는 주요 인자이므로, 제조 공정 조건별로 그 부피분율을 측정하고 관리할 필요가 있다. 현장에서는 단면 SEM 이미지의 면적비로 이를 측정한다.

측정은 작업자의 수작업에 의존한다. 작업자가 라벨링 도구에서 이미지마다 밝기 임계값을 선정하고 브러시로 편집하는데, 이미지별 밝기 분포가 다르므로 임계값을 매번 재조정해야 한다. 따라서 처리량과 재현성에 한계가 있다.

기존 방법으로는 이 측정을 대체하기 어렵다. Otsu 등으로 자동 선정한 임계값은 작업자의 선택과 다르며, 수동 편집을 반영하지 못한다. 일반 세그멘테이션 신경망은 공간적 특징을 학습하지만, 라벨이 밝기 규칙으로 생성되었다는 점을 출력에 반영하지 않는다. 그러므로 신경망이 Si의 위치와 범위를 정확히 예측하여도 확률맵의 경계는 밝기 등고선인 라벨 경계와 화소 단위로 어긋난다.

제안 방법

본 연구에서는 마스크를 결정하는 단계에 라벨 생성의 밝기 규칙을 반영한다. 신경망 확률맵 P가 나타내는 영역과 밝기 구간 [a, b]에 속하는 화소가 이루는 영역이 가장 크게 겹치는 구간을 이미지마다 선정하고, 그 구간 마스크를 최종 출력으로 사용한다.

소프트 밴드 투영의 동작. SEM 입력, 신경망 확률맵, 후보 구간 점수표, 투영 출력
소프트 밴드 투영. 확률맵 P와 밝기 구간 [a, b] 마스크의 겹침 J를 모든 후보에서 계산하여, 최대인 구간(이 예에서는 [202, 236])의 마스크를 출력한다.

구성 요소는 다음 세 가지다.

  • 기반 세그멘테이션. ImageNet 사전학습 EfficientNet-B5 인코더를 사용한 U-Net++이다. 입력은 분석영역 안 밝기의 2 백분위수와 99 백분위수가 각각 0과 255가 되도록 선형 정규화한다. 같은 임계값을 모든 이미지에 적용하면 IoU가 원본 밝기에서 0.55, 정규화 후에 0.80이기 때문이다. 손실은 BCE와 Dice에 가중치 0.5의 soft-clDice를 더해 가는 Si 구조의 연결성을 반영한다. 서로 다른 시드로 학습한 다섯 모델의 확률맵을 평균한다.
  • 밴드 후보. 하한만 두면 임계값 이상의 밝은 화소를 모두 포함하므로 상한이 필요하다. 작업자가 수동 제외한 화소의 밝기 중앙값은 251, 유지된 Si의 밝기 중앙값은 217이다. 후보는 150 ≤ a ≤ b ≤ 255의 정수 쌍 전체이며, 작업자 임계값의 실측 범위 178-255를 포함한다.
  • 소프트 점수. 확률맵을 0.5로 이진화하여 겹침을 측정하면 Si가 희소한 이미지에서 신호가 사라진다. 따라서 이진화 전의 P를 그대로 사용하는 soft-IoU로 후보를 평가한다.

실험 결과

시편 6종의 이미지 33장을 시편 하나씩 시험용으로 남기는 6폴드로 분할하여, 같은 시편이 학습과 시험에 겹치지 않게 평가하였다.

방법IoUSi 면적비 오차(%p)
Otsu (이진)0.22033.37
GMM 8성분0.7862.96
고정 임계값 기준선0.8042.87
U-Net++ (기본)0.7930.94
+ 단일 임계값 투영0.8420.71
+ soft-clDice0.8610.65
+ 밴드 투영·앙상블0.8700.55
+ 소프트 목적 (제안 최종)0.8920.51
oracle-t (단일 임계값 상한, 참조)0.9770.22
  • 면적비 평균 절대오차는 고정 임계값 기준선 2.87%p, 제안 방법 0.51%p로 나타났다. 최대 오차는 기준선 24.0%p, 제안 방법 1.8%p이며, 제안 방법의 이미지별 IoU 중앙값은 0.958로 나타났다.
  • 학습 없이 적용되는 고전 방법 40개 설정을 평가한 결과, 최고 IoU는 8성분 GMM의 0.786으로 고정 임계값 기준선 0.804보다 낮았다. 탄소, SiC, Si 세 상으로 이루어진 단면에서 이진 임계값 5종은 SiC까지 Si로 검출하여 IoU가 0.24 이하였다.
  • 시편 6종을 복원추출하는 부트스트랩으로 구한 95% 신뢰구간은 평균 IoU 0.809-0.951, 평균 면적비 오차 0.33-0.64%p로 나타났다.
  • 수동 편집의 재현 범위. 작업자가 수동 제외한 화소 41,395개 가운데 상한 b가 있는 밴드는 71.6%를, 상한을 255로 고정한 대조군은 0.7%를 Si가 아닌 것으로 판정하였다. 한편 균열 등으로 어두워져 수동 추가된 화소 76,293개는 하한 a 아래에 있으므로, 확률맵을 0.5로 이진화한 마스크가 50.4%를 Si로 판정하여도 투영 후에는 19.2%만 남는다.

한계와 향후 연구

평가한 33장 가운데 31장은 면적비 오차가 1.34%p 이하였다. 따라서 새 시편 이미지의 예측 면적비는 약 90% 확률로 ±1.34%p 안에 든다. IoU가 낮았던 3장은 라벨의 Si 면적이 분석영역의 약 1%에 그쳐, 화소 수가 적은 만큼 경계 오차가 IoU에 크게 반영되었다.

후속 과제는 다음 네 가지다. 첫째, 연마 균열로 어두워져 투영 후 누락되는 Si를 복원하는 학습 모델을 개발한다. 둘째, Si와 밝기가 겹치는 이물질을 구분하는 검출 모델을 학습한다. 셋째, 탄소 다발 사이의 미세 편석에 대한 제외 기준을 전문가와 구체화한다. 넷째, 분석영역 자동 추정을 정보바 문자 인식과 비직사각 시편의 경계 검출로 확장한다. 나아가 전문가의 검토와 편집 기준을 반영한 참조 라벨을 신속하게 구축하는 시스템으로 확장하고자 한다.

감사의 글

이 연구는 과학기술정보통신부의 재원으로 한국연구재단 나노·소재기술개발사업의 지원을 받아 수행되었습니다(AI 탐색설계 및 전주기 데이터 관리 기반 우주발사체용 초고온 내열 세라믹 소재 HUB 구축, No. RS-2025-25442774).