Deep Learning-Based Automatic Defect Detection Approach from a Sequence of PAUT A-Scans

위상배열초음파검사(PAUT)은 높은 해상도와 적응성으로 복잡한 복합 구조물의 비파괴평가에 널리 사용되고 있다. 그러나 이방성·비균질 재료에서의 PAUT 신호 해석은 어려우며, 기존 임계값 기반 방법은 수동 파라미터 조정이 필요하고, 많은 딥러닝(DL) 기법은 빔 간 의존성을 무시하여 정확도와 일반화 능력이 제한된다. 본 연구에서는 2가지 기여를 제안한다. 첫째, 2차 미분 분석과 통계적 임계값을 이용해 깊이 게이트를 자동 설정하고 결함 영역을 구분하는 파라미터 없는 SNR 기반 결함 영역화 방법을 개발하였다. 둘째, A-스캔 시퀀스를 처리하기 위해 합성곱 특징 추출과 Transformer with self-attention을 결합한 CATT-S 모델을 제안하였다. 모델 학습과 검증에는 OmniScan 및 FocusPX 장비로 취득한 복잡 형상의 단일 CFRP 시험편의 PAUT 데이터를 사용하였다. 해당 시편은 부위별로 두께가 8~16 mm 범위로 변화하는 실제 복합재 구조물이다. 실제 복합재 PAUT 데이터에서 SNR 방법은 수동 조정 없이 결함 영역을 안정적으로 추출했으며, CATT-S는 99.4% 정확도, 정밀도 91.4%, 재현율 89.6%, F1-score 90.5%, ROC–AUC 99.7%을 달성하였다. 제안된 방법은 복잡한 복합 구조물의 효율적인 자동 검사에 기여할 수 있을 것으로 기대된다.