금속 3D프린팅 CT 결함 분할 AI, 작은 기공을 보면서 NPU에서 실행한 방법
안녕하세요. 3D프린팅·CNC·다양한 소재 전문 플랫폼 기업 아이컨택입니다.
금속 3D프린팅 부품의 작은 기공을 X선 CT 영상에서 표시하려면 영상 해상도를 유지하면서 NPU 연산 중 생기는 데이터의 메모리 사용량을 줄여야 했다. 동료 심사 전 사전 공개 논문인 DCM-SAM 연구진은 계산을 다시 작성해 Qualcomm Hexagon NPU에서 모델 전체를 실행했다.
X선 CT는 부품 내부를 단면으로 살펴보는 검사 방법이다. 여기서 ‘분할’은 영상 속 결함이 차지하는 영역을 픽셀 단위로 표시하는 일을 뜻한다.
AI 개념 이미지: 금속 3D프린팅 부품의 X선 CT 단면에서 작은 결함을 표시하고 NPU로 처리하는 과정을 보여준다. 실제 장비나 시편의 사진은 아니다.
금속 3D프린팅 CT에서 기공이 작은 이유
레이저 분말베드 융합처럼 금속을 층층이 쌓는 공정에서는 레이저 출력이나 녹은 금속의 상태가 변하면서 기공과 이물질 등이 남을 수 있다. 이 논문이 다루는 기공과 이물질은 확대된 CT 단면에서도 폭이 몇 픽셀에 불과하다.
영상 크기를 줄이면 장치가 처리할 데이터도 줄어든다. 그러나 연구진의 해상도 축소 실험에서는 모델을 다시 학습해도 기공 분할 점수가 낮아졌고, 재학습 없이 같은 가중치를 쓰자 기공 영역의 겹침 점수가 거의 절반으로 줄었다.
기공과 이물질을 따로 학습하는 구조
기공은 흔하고 이물질은 훨씬 드물다. 두 결함을 한 학습 공간에서 다루면 수가 많은 기공 사례가 모델 갱신을 주도한다.
연구진의 DCM-SAM은 영상의 특징을 읽는 기본 모델을 공유하면서, 기공과 이물질마다 별도의 학습 부품과 결함 영역을 그리는 부품을 둔다. 가까운 영상 조각의 관계를 반영하는 Conv-LoRA를 사용해 작은 결함의 국소적인 모양도 다룬다.
결함마다 위치를 지정하지 않고 합성 CT 단면만으로 이 부품들을 학습했다. 연구진이 갱신한 매개변수는 전체의 4.4%다. 이 수치는 기본 모델 대부분을 고정한 채 결함에 맞는 부분을 학습했다는 뜻이다.
실제 영상을 학습에 쓰지 않은 DCM-SAM은 재료와 스캐너가 다른 실제 NIST 적층제조 CT 영상에서 기공 IoU 64.2%를 기록했다. IoU는 표시한 결함 영역과 정답 영역이 겹치는 정도다. 이 평가 자료에는 기공 위치만 표시돼 있어, 이 수치로 실제 영상의 이물질 성능을 판단할 수는 없다.
NPU 실행을 막은 것은 무엇이었나
NPU는 AI 계산을 맡는 전용 연산 장치다. 이 모델은 영상 조각들을 서로 비교하는 과정에서 많은 중간 데이터를 만든다. 조각 두 개의 조합마다 값이 생기므로 영상이 커질수록 잠시 저장할 데이터도 빠르게 늘어난다.
Qualcomm Hexagon NPU에서 큰 기본 모델인 ViT-H와 ViT-L은 1024×1024 영상용으로 컴파일됐지만 실행 메모리를 확보하지 못했다. 문제는 모델에 저장된 가중치보다 계산 중 생기는 데이터에 있었다.
작은 ViT-B 기본 모델은 실행됐으나 결함용 부품을 붙인 영상 처리 부분은 처음에 메모리가 부족했다. 연구진은 여러 큰 중간 데이터를 동시에 남기던 계산을 다시 작성했고, 전체 DCM-SAM을 Qualcomm Hexagon NPU에서 1024×1024 영상으로 CPU 전환 없이 실행했다.
아이컨택이 보는 적용 지점은 기본 모델은 돌아가지만 결함용 부품을 붙이면 멈추는 경우다. 이 사례에서는 기공을 볼 해상도를 유지하면서 중간 데이터가 차지하는 메모리를 줄이는 방식이 실행 가능성을 바꿨다.
댓글
댓글 쓰기