[논문]주성분 분석과 이차 판별 분석 기법을 이용한 항공기 복합재료에서의 자동 결함 검출 및 분류

김영범; 신덕하; 황승준; 백중환

doi:10.12673/jant.2014.18.4.304

초록
AI-Helper

본 논문에서는 항공기 복합재료 내부의 결함을 자동으로 검출하고 분류하는 초음파 검사 방식을 제안한다. 결함 검출을 위해서 초음파의 국부 최대값을 이용해 피크(peak) 값을 추출해낸다. 피크의 거리정보를 이용해 히스토그램화 하며 시편의 표면과 바닥의 백월에코(back-wall echo)를 결정한다. 이를 통해 C-scan 영상을 생성한다. 검출된 피크의 평균과 분산을 이용해 임계값을 정하고 그 값으로 결함여부를 판단한다. 결함의 종류를 구분하기 위해서는 주성분 분석(PCA; principal component analysis)와 이차 판별 분석(QDA; quadratic discriminant analysis)를 수행하였다. PCA를 통한 512개의 차원은 주성분으로 변환 시 30개의 주성분에 99% 이상의 분산이 포함되었다. 주성분 개수를 한정시킴으로써 차원 축소를 통해 계산량을 크게 줄였고 오분류를 최소화하였다. 이차 판별 분석을 적용해 결정경계(decision boundary)의 방정식을 얻었고 이를 통해 결함을 분류할 수 있음을 실험을 통해 보였다.

Abstract ▼ AI-Helper

In this paper, we propose a ultra sound inspection technique for automatic defect detection and classification in aircraft composite materials. Using local maximum values of ultra sound wave, we choose peak values for defect detection. Distance data among peak values are used to construct histogram ...

In this paper, we propose a ultra sound inspection technique for automatic defect detection and classification in aircraft composite materials. Using local maximum values of ultra sound wave, we choose peak values for defect detection. Distance data among peak values are used to construct histogram and to determine surface and back-wall echo from the floor of composite materials. C-scan image is then composed through this method. A threshold value is determined by average and variance of the peak values, and defects are detected by the values. PCA(principal component analysis) and QDA(quadratic discriminant analysis) are carried out to classify the types of defects. In PCA, 512 dimensional data are converted into 30 PCs(Principal Components), which is 99% of total variances. Computational cost and misclassification rate are reduced by limiting the number of PCs. A decision boundary equation is obtained by QDA, and defects are classified by the equation. Experimental result shows that our proposed method is able to detect and classify the defects automatically.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 항공기 복합재료의 초음파 비파괴검사를 위해 A-scan 데이터를 이용한 자동 결함 검출 및 분류시스템을제안했다. C-scan 영상 생성시 사용되는 기존의 방법을 개선한 자동 C-scan 생성 알고리즘은 거리 히스토그램으로 표면 반사와 백월에코를 찾아내 그 내부에게이트를 자동으로 정의하였다.
이를 개선하기 위해 본 논문은 자동으로 결함 검출 및 분류를 위한 시스템을 구성하였다. 자동 결함 검출의 시작은 영상을 생성하는 단계다.

제안 방법

생성된 히스토그램을 통해 표면 반사에 의한 피크와 백월에 코를 찾아 결정한다. 얻어진 표면 반사와 백월에코 데이터를 이용해 게이트를 자동으로 정의하고C-scan 영상을 생성한다.
결과적으로 전 송구간에서 발생하는 잡음을 수신단에서 최소화할 수 있다. 이 특성을 이용해 검사자는 미리 결함을 가진 파형의 형태를 예측해 템플릿(template) 파형을 설계하고 이를 이용해 영상을 생성한다.
3 inch 이상부터 검출 확률이 75% 이상으로 나타났다. 이를 통해 자동 결함 검출 알고리즘의 효율성을 확인하였다.
Gated Peak 방식을 그대로 따르면서 자동C-scan 영상 생성방법으로 국부 최대값을 이용하였다. 이를 통해 주된 피크(peak)들을 검출하고 이들의 거리 정보를 이용해 히스토그램을 생성한다. 생성된 히스토그램을 통해 표면 반사에 의한 피크와 백월에 코를 찾아 결정한다.

데이터처리

C-scan 영상 생성시 사용되는 기존의 방법을 개선한 자동 C-scan 생성 알고리즘은 거리 히스토그램으로 표면 반사와 백월에코를 찾아내 그 내부에게이트를 자동으로 정의하였다. 검출을 위해서는 파형을 이용해 표면 반사면 반사와 백월에코 사이의 피크들을 찾아내 결함을 인식하는 방법을 사용하였으며, 결함을 분류하기 위해서는 주성분 분석과 이 차 판별 분석을 이용하였다. 파형의 512개 샘플은 차원이 매우 크므로 주성분 분석을 통해 30차원으로 축소가 가능했다.
파형의 512개 샘플은 차원이 매우 크므로 주성분 분석을 통해 30차원으로 축소가 가능했다. 주성분 분석을 통해 추출된 특징들을 이용해 이 차 판별 분석을 적용하였다. 결함은 이물질과 갈라짐을 이용하였고 실험 결과 실제 설계와 비슷한 결과를 얻었다.

이론/모형

자동 결함 검출의 시작은 영상을 생성하는 단계다. Gated Peak 방식을 그대로 따르면서 자동C-scan 영상 생성방법으로 국부 최대값을 이용하였다. 이를 통해 주된 피크(peak)들을 검출하고 이들의 거리 정보를 이용해 히스토그램을 생성한다.
기존 방식에서 정합필터방식은 설계자가 직접 결함파형을예측하여 필터를 설계하므로 전문성이 요구되며, 공간상관도방법은 임펄스 잡음(impulse noise)에 매우 민감하게 작용한다. 본 논문에서는 표면 반사와 백월에코를 검출하기 위해 각 파형의 최대값으로 정렬하는 전역정렬법(global alignment)을 수행한다. 전역 정렬법은 시편의 표면에서 피크의 값이 최대 값이 된다고 가정하고 파형을 표면 반사를 기준으로 정렬하는 기법이다.
초음파스캐닝으로 얻어진 Voxel 파일을 Matlab 파일 형식으로 변환하였다. 그림 1은 결함이 없는 영역과 결함이 있는 영역의 A-scan 파형을 보인다.

성능/효과

그림 5에서 보듯이 제안한 방법으로 자동 생성된 영상에서 결함의 모양과 크기가 잘 나타났으며 손실된 영역을 최소화할 수 있었고, 결함영역의 대비가 확실한 영상을 얻었다 [4].
본 논문의 자동 결함 검출 방식을 따를 때는 0.09 inch2 즉 0.3 inch × 0.3 inch 이상부터 검출확률이 75%이상으로 나타났다.
그림 10에서 노란색은 이물질을 나타내며 파란색은 갈라짐을 나타낸다. 실험 결과 실제 시편 제작시 설계했던 것과 거의 흡사한 결과가 나타났다.
제안한 시스템은 시간 및 인력측면에서 효율성을 갖으며 결함의 크기 측정 역시 만족할 만한 결과를 얻었다. 자동 결함분류를 통해 제한된 환경에서 우수한 특성을 보였다
결함은 이물질과 갈라짐을 이용하였고 실험 결과 실제 설계와 비슷한 결과를 얻었다. 제안한 시스템은 시간 및 인력측면에서 효율성을 갖으며 결함의 크기 측정 역시 만족할 만한 결과를 얻었다. 자동 결함분류를 통해 제한된 환경에서 우수한 특성을 보였다
차원의 축소를 통해 계산량이 크게 줄였다. 주성분 분석을 거친 벡터는 이차판별 분석을 통한 비선형적(non-linear)분류로써 결함분류의 정확성을 높일 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	항공기 제작용 복합재료의 특성은?	항공기 제작용 복합재료는 각 소재의 장점을 살려 혼합 사용하므로 개별적 구성의 소재보다 월등한 기계적, 기능적 특성을갖는다. 복합재료로 구성된 비행기 동체나 날개의 제작 시 발생하는 결함의 검출을 위해 개별 소재의 검사와는 차별되는 비파괴 검사기법(NDT; non-destructive test) 또는 비파괴 평가기법(NDE; non-destructive evaluation)이 필요하다.
	결함은 무엇인가?	결함이란 이물질이 시편 내부에 포함됐거나, 갈라짐이나 벌어짐 등을 의미하는데 초음파가 조사될 경우 반사, 퍼짐 등의파형변화가 생긴다. 이를 응용해 실제현장에서 통용되는 방법은 결함에 의해 파형이 변화된 부분이라 생각되는 시간영역에대해서만 에너지를 취해 영상으로 변환하는 방법인 게이티드피크(Gated Peak)방법이다.
	게이티드피크 방법의 특징은 무엇인가?	이를 통해 C-scan 영상을 얻는다. 이 방법은 검사자의 경험적 파형분석능력이 중요하게 작용하기 때문에 오판확률이 높고 시간이 많이 소요된다. 또한 결함의 형태나 재료의 종류에 따라 판정 기준이 달라지므로 결함의종류구분이 매우 중요하다. A-scan영상만으로는 결함의 종류를 구분할 수 없으므로 결함의 파형분석이 필수적이다.

참고문헌 (7)

K. Diamanti, C. Soutis, "Structural health monitoring techniques for aircraft composite structures," in progress in Aerospace Science, Amsterdam: Netherlands, Vol. 46, Issues 8, pp. 342-352, 2010.

상세보기
G. Moon, "A study on the discrimination of materials corrosion states using the acoustic signal data," The Journal of Korea Navigation Institute, Vol. 9, No. 2, pp. 131-139, 2005.
Y. Cao, H. Zhu, and P. Yang, "Ultrasonic time of flight diffraction defect recognition based on edge detection," in Biomedical Engineering and Computer Science(ICBECS). Wuhan: China, pp 1-4, 2010.
K. S. Ho, S. G. Pierce, M. H. Li, and G. Hayward, M. T. H. Sultan, "Improved C-scan imaging using a Bayesian approach," in Ultrasonics Symposium(IUS), 2010 IEEE, San Diego: CA, pp 1813-1816, 2010.
A. Khan, and H. Farooq, "Principal component analysis-linear discriminant analysis feature extractor for pattern recognition," International Journal of Computer Science Issues(IJCSI), Vol. 8, Issue 6, No 2, pp. 267-270, 2011.
H. Y. Han, Pattern Recognition Introduction, Seoul, Korea: HANBIT Media Inc. 2009.
C. Williams, Classification Using Linear Discriminant Analysis and Quadratic Discriminant Analysis, Colorado State University: CO, 2009.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

주성분 분석과 이차 판별 분석 기법을 이용한 항공기 복합재료에서의 자동 결함 검출 및 분류
Automatic Defect Detection and Classification Using PCA and QDA in Aircraft Composite Materials 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

주성분 분석과 이차 판별 분석 기법을 이용한 항공기 복합재료에서의 자동 결함 검출 및 분류 Automatic Defect Detection and Classification Using PCA and QDA in Aircraft Composite Materials 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

김영범 (2) 황승준 (8) 백중환 (48)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

주성분 분석과 이차 판별 분석 기법을 이용한 항공기 복합재료에서의 자동 결함 검출 및 분류
Automatic Defect Detection and Classification Using PCA and QDA in Aircraft Composite Materials 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper