듀얼 정렬 기반 항공 엔진 블레이드 결함 탐지 기술
Robust Online Aero-Engine Blade Defect Detection via Dual-Alignment Test-Time Adaptation
항공 엔진 블레이드 검사 시 발생하는 환경 변화(도메인 이동)로 인한 성능 저하 문제를 해결하는 적응형 탐지 프레임워크를 제안했습니다.
항공 엔진 검사 시 발생하는 환경 변화에도 높은 신뢰도를 유지하여 실제 산업 현장에서의 결함 탐지 정확도를 높일 수 있어요.
- 이 시스템은 '듀얼 정렬 전략'으로 전역 스타일과 국소 결함 형태를 동시에 학습하고, 불확실성 기반 필터링을 통해 오탐지 누적 오류를 최소화합니다.
- 기존 탐지기가 환경 변화에 취약했던 한계를 극복하여, 실제 산업 현장의 온라인 검사 신뢰도를 획기적으로 높일 수 있습니다.
- 다양한 도메인 시프트 시나리오에서 높은 강건함을 입증했으며, 실제 산업용 검사 플랫폼에서도 실용성을 확인했습니다.
항공 엔진 블레이드의 품질 검사는 필수적이지만, 생산 라인, 이미징 조건, 블레이드 자세 및 표면 배경에 따라 결함의 양상이 달라지는 도메인 이동(domain shift) 문제가 발생합니다. 이러한 환경 변화는 기존 딥러닝 기반 결함 탐지기의 신뢰도를 저하시키며, 특히 희소한 결함을 포함하는 항공 엔진 이미지에서는 가짜 레이블(pseudo-label) 기반 적응 방식이 노이즈나 누락된 예측에 취약해지는 어려움이 있습니다.
이에 연구진은 테스트 시간 적응(Test-Time Adaptation, TTA)을 기반으로 하는 온라인 적응 탐지 프레임워크인 ABDD를 제안했습니다. ABDD는 특징 통계 정렬과 가짜 박스 정렬을 결합한 '듀얼 정렬 전략'을 도입하여 전역적인 시각 스타일과 국소적인 결함 형태를 동시에 학습합니다. 또한, 신뢰할 수 없는 가짜 레이블로 인한 오류 누적을 줄이기 위해 분류 신뢰도, 분류 엔트로피, 위치 추정 엔트로피를 활용하는 불확실성 기반 박스 필터링 메커니즘을 추가했습니다.
ABDD는 CD-AeBD 및 HD-AeBD 데이터셋에서 여러 도메인 시프트 시나리오 하에 평가되었습니다. RT-DETR + Swin-T 아키텍처를 사용하여 다양한 TTA 전략을 비교한 결과, ABDD가 도메인 변화 상황에서도 일관되게 탐지 강건성을 개선하는 것을 입증했습니다. 이 기술은 실제 산업용 검사 플랫폼에서도 실용성이 확인되었습니다.
항공 엔진 블레이드 검사에서 어떤 문제가 발생하나요?
생산 라인이나 이미징 조건 같은 환경 변화 때문에 결함의 모습이 달라지는 '도메인 이동' 문제가 발생해요. 이로 인해 기존 딥러닝 기반 탐지기의 신뢰도가 떨어져요.
제안된 ABDD는 어떤 방식으로 결함 탐지를 개선하나요?
'듀얼 정렬 전략'을 사용해서 전역적인 시각 스타일과 국소적인 결함 형태를 동시에 학습해요. 또한, 신뢰도가 낮은 가짜 레이블로 인한 오류가 쌓이는 것을 막기 위해 불확실성 기반 필터링 메커니즘을 추가했어요.
이 기술의 실용성은 어떻게 입증되었나요?
CD-AeBD와 HD-AeBD 같은 데이터셋에서 다양한 도메인 변화 시나리오로 평가했어요. 그 결과, 실제 산업용 검사 플랫폼에서도 실용성이 확인되었고 탐지 강건성을 개선하는 것을 입증했어요.