적외선 열화상 비파괴검사(IRT) 결과분석에 경량화딥러닝 신경망 활용 (Lightweight Deep Learning Neural Networks for Analyzing Infrared Thermal Imaging Non-Destructive Inspection Results)

서지정보

· 발행기관 : 대한기계학회
· 수록지 정보 : 대한기계학회논문집 A / 48권 / 10호 / 671 ~ 680페이지
· 저자명 : 한나라, 송재웅, 장재원, 노재규, Zhiqiang Han, 오대균

초록

선박의 제작 품질을 검사할 때는 일반적으로 비파괴검사가 사용되고 있다. 이 중 적외선 열화상 검사(IRT)는 신속하게 품질을 확인 가능하나 결과를 이미지로 분석하기 때문에 검사자의 경험에 의해 주관적으로 분석이 진행되어 왔다. 특히 어선이나 레저보트 같은 소형선박의 경우 선체소재가 두껍고 직물이 혼합된 섬유강화플라스틱(FRP)으로 제작되어진다. 본 연구에서는 혼합직물방식과 단일직물방식 FRP 시편을 제작하여 IRT로 결함을 검출하였다. 이때, 객관적인 검사결과를 위해 온도변화율 식을 활용한 통계분석방법과 이미지 분류 기술인 딥러닝을 활용해 결함을 검출하였다. 통계분석과 딥러닝 적용 비교결과 혼합직물시편과 단일직물시편의 결함 검출 온도의 차이가 발생되었으며 이는 단일직물시편의 온도변화율 특성 때문인 것으로 확인되었다. 특히 단일직물시편의 온도변화율 특성은 경량화딥러닝의 결과에도 악영향을 미쳤으며, 정확도 향상을 위해서는 검사 이미지의 데이터 증강과 정확한 학습데이터 추가 요구되었다. 하지만 경량화딥러닝의 효율성을 고려한다면 기존에 육안검사에만 의존하던 결함검사에 보조수단으로 충분한 역할을 기대할 수 있을 것으로 판단된다.

영어초록

Non-destructive testing is commonly employed for inspecting vessel quality, in particular infrared thermography testing. However, owing to the lack of clear criteria for interpreting the resulting images, inspections have been conducted subjectively based on the inspector's experience. Small vessels such as fishing and leisure boats are typically constructed using fiber-reinforced plastics, which feature thick hull materials mixed with fabric. In this study, specimens using both combined-fabric and single-fabric methods were prepared to detect defects using infrared thermography. To inspect the results objectively, defects were detected via a statistical-analysis method using a temperature-change-rate equation and deep learning, which is an image-classification technology. Results of applying statistical analysis and deep learning reveal differences in the defect-detection temperatures between the mixed-fabric. and single-fabric specimens. This is attributed to the temperature-variation characteristics of the single-fabric specimens. In particular, the temperature-variation characteristics of the single-fabric specimens adversely affect the defect-detection results of lightweight deep learning. To improve accuracy, additional demands for data augmentation of inspection images and precise training were identified. In other words, applying lightweight deep learning can be an alternative method for defect inspections.

참고자료

· 없음