기계학습이 바꾸는 초음파 비파괴 검사: PAUT와 AI의 융합

기계학습과 위상 배열 초음파 기술의 융합을 상징적으로 표현한 일러스트 – 비파괴 검사 기술의 미래를 시각화하다.

[서론]

산업 구조물의 안전성과 신뢰성 확보는 현대 기술 사회에서 매우 중요한 문제다. 이에 따라 구조물 내부 결함을 사전에 탐지할 수 있는 비파괴 검사(Non-Destructive Testing, NDT)가 다양한 산업 분야에서 필수 기술로 자리 잡았다. 그중에서도 위상 배열 초음파 검사(Phased Array Ultrasonic Testing, PAUT)는 기존 초음파 검사(UT)를 한 단계 진보시킨 형태로, 복잡한 형상에서도 결함을 정밀하게 진단할 수 있는 기술이다. 최근 들어 이러한 PAUT에 기계학습(Machine Learning, ML)이 접목되면서 검사 정확도와 효율성이 비약적으로 향상되고 있다.



본 블로그 글에서는 2025년 발표된 "Advances of Machine Learning in Phased Array Ultrasonic Non-Destructive Testing: A Review" 논문을 바탕으로 PAUT와 기계학습의 융합 기술 현황을 심층적으로 살펴보고, 그 가능성과 한계, 그리고 향후 발전 방향에 대해 고찰한다.

[PAUT 기술의 개요]

PAUT는 복수의 초음파 탐촉자를 배열하여 음파의 발사 각도와 초점을 디지털 제어할 수 있는 기술이다. 이를 통해 검사 대상의 다양한 깊이와 각도에서 결함을 탐지할 수 있으며, A-scan, B-scan, C-scan, S-scan, 그리고 3차원 볼륨 데이터 등 다양한 데이터 포맷을 제공한다. 그러나 이처럼 다양한 형식의 신호는 복잡하게 얽혀 있어 인간 전문가의 해석에 의존할 수밖에 없으며, 이는 자동화의 한계로 작용해왔다.

[PAUT와 기계학습의 융합: 새로운 전환점]

PAUT 데이터의 자동 처리를 위한 초기 연구는 노이즈 제거와 특징 추출에 초점을 맞춘 통계적 기법이나 얕은 기계학습(shallow ML) 모델 위주로 진행되었다. 예를 들어, SVM, k-NN, 결정 트리, 인공신경망(ANN) 등이 활용되어왔다. 이들 모델은 간단하고 직관적인 구조를 갖추었지만, 복잡한 산업 현장의 미묘한 신호 변화를 포착하는 데에는 한계가 있었다.



이에 비해 최근에는 딥러닝(Deep Learning)의 등장과 함께 PAUT 분석에 있어 훨씬 강력하고 유연한 접근이 가능해졌다. 특히 CNN, YOLO, Mask R-CNN 등의 모델이 이미지 기반 결함 탐지와 분할에 활용되며, 뛰어난 성능을 보이고 있다.

[PAUT 딥러닝 활용 사례]

딥러닝은 PAUT 이미지 생성부터 결함 탐지, 데이터 생성까지 다양한 영역에서 활용되고 있다. 예를 들어, Zhang 등의 연구에서는 YOLO 기반 모델로 기차 바퀴의 미세한 균열까지 검출해냈으며, He 등은 S-scan 데이터를 이용해 용접 결함을 픽셀 수준에서 분할하는 Mask R-CNN 모델을 개발했다. 이외에도 FMC 데이터를 직접 고해상도 이미지로 재구성하는 FMC-Net, 다양한 초점 거리 이미지를 GAN으로 생성해 학습 데이터를 보강하는 방법 등도 소개되었다.



특히 흥미로운 점은 단일 모달 데이터를 넘어서 A-scan과 S-scan, 또는 C-scan과 적외선 이미지를 융합한 멀티모달 학습이다. 이를 통해 검사 신뢰도를 높이고, 서로 보완적인 특성을 활용할 수 있다. 이처럼 다양한 모달 융합은 앞으로 AI 기반 NDT 기술의 핵심 축으로 자리 잡을 가능성이 크다.

[한계와 도전 과제]

그러나 ML-PAUT 융합에는 몇 가지 중요한 한계가 존재한다.



1. 데이터 부족: 실제 결함 데이터는 희귀하며, 수집 및 주석 작업에 높은 비용이 든다.

2. 일반화 문제: 실험 환경과 실제 산업 환경 간 차이로 인해 모델 성능이 현장에서 재현되지 않을 수 있다.

3. 해석 가능성 부족: 특히 딥러닝 기반 모델은 '블랙박스'로 간주되어, 결과에 대한 설명력이 부족하다는 점이 신뢰성에 영향을 미칠 수 있다.



이에 대한 대응으로 시뮬레이션 기반 데이터 생성, 도메인 적응(domain adaptation), 물리 기반 제약(physics-informed ML) 등의 방법론이 연구되고 있다. 예를 들어, 특정 초음파 물리 법칙을 손실 함수에 통합해 학습 과정에서 물리적 일관성을 확보하는 시도는 향후 매우 중요한 연구 방향이 될 것이다.

[개인적 고찰과 미래 전망]

이 논문을 읽으며 인상 깊었던 점은 다양한 딥러닝 기법이 단순히 성능 향상을 넘어, 기존에 사람이 수작업으로 해오던 검사 해석의 영역을 효과적으로 대체하고 있다는 점이다. 특히 PAUT 데이터를 다양한 관점에서 해석하기 위한 다모달 전략은 향후 고정밀 NDT 시스템의 핵심 구성요소가 될 것으로 본다.



또한, 향후에는 비파괴 검사 장비 자체가 '스마트화'되어, 센서에서 데이터를 수집하는 즉시 AI 모델이 실시간 분석을 수행하고, 이를 클라우드 기반 시스템과 연동하여 결함 이력을 통합 관리하는 형태로 발전할 것으로 기대된다.

[결론]

PAUT와 기계학습의 융합은 비파괴 검사 기술에 새로운 도약을 제공하고 있다. 고도화된 딥러닝 기법을 통해 검사 자동화는 물론, 정밀도와 신뢰성이 비약적으로 향상될 수 있다. 다만, 데이터 확보, 모델 해석 가능성, 실제 환경에서의 일반화 등은 여전히 해결해야 할 과제로 남아 있다. 이를 극복하기 위해서는 물리 기반 ML, 멀티모달 융합, 시뮬레이션 데이터 활용 등의 다방면에서 연구가 병행되어야 한다.

[논문 출처]

Na, Y.; He, Y.; Deng, B.; Lu, X.; Wang, H.; Wang, L.; Cao, Y. Advances of Machine Learning in Phased Array Ultrasonic Non-Destructive Testing: A Review. AI 2025, 6, 124.