이중 스테인리스강 유해 입자 분할 딥러닝
이중 스테인리스강에서 유해한 2차상 석출과 관련된 밝은 입자의 정량적 분석은 후방산란 전자현미경 이미지의 임계값 기반 분할을 통해 주로 이루어집니다. 약 850°C의 열 노출은 합금을 취화시키고 인성 및 연성을 감소시키는 Cr/Mo-풍부 2차상(특히 시그마 상)의 석출을 촉진하며, 이는 합금의 미세구조 특성화에 필수적입니다. 그러나 이미지 대비, 입자 형태, 연결성이 열 노출에 따라 크게 변하기 때문에 임계값 선택은 노화 조건 전반에 걸쳐 적용하기 어렵습니다. 본 연구에서는 2205 이중 스테인리스강을 850°C에서 6분, 30분, 1시간, 3시간, 17시간 동안 노화시킨 조건에 대해 하이브리드 이미지 분석 및 지도 학습 프레임워크를 개발했습니다. 이 프레임워크는 U-Net을 활용하여 검증된 이미지 분석 워크플로우에서 얻은 참조 마스크를 재현함으로써 새로운 이미지에 대한 수동 임계값 조정을 제거합니다. 단일 조건(1시간 노화) 모델은 3시간 노화 조건에는 잘 전이되었으나, 초기 및 장시간 노화 미세구조에서는 과대 예측하여 다중 조건 훈련의 필요성을 보여주었습니다. 최종 다중 조건 U-Net은 완전히 새로운 테스트 이미지에서 0.917의 평균 Dice 계수와 0.854의 평균 IoU를 달성했습니다. 밝은 입자 면적 분율은 평균 절대 오차 0.547%p, 거의 0에 가까운 편향 +0.098%p, R² 0.993으로 재현되었습니다. 이 U-Net은 동일한 이미지 수준 데이터 분할 및 참조 마스크로 훈련된 지도 학습 Random Forest(RF) 기준선(Dice 계수 0.797, IoU 0.724)보다 우수한 성능을 보였습니다. 이 프레임워크는 이중 스테인리스강의 미세구조 특성화 및 열화 평가에 있어 정량적 분석의 정확도와 효율성을 크게 향상시킬 수 있습니다.