미세구조 및 표면 특성화를 위한 AI 기반 이미지 처리: 방법, 재료 및 응용 분야에 대한 체계적 문헌고찰

인공지능(AI)은 재료과학에서 미세구조 및 표면 특성의 자동화된 고정밀 분석을 촉진하며 핵심적인 동력으로 빠르게 자리잡았습니다. 본 종설은 광학 현미경, 주사 전자 현미경(SEM), 원자간력 현미경(AFM) 및 후방산란 전자 회절(EBSD)을 포함한 다양한 영상 기법 전반에서 분할, 분류, 초해상도 및 표면 결함 감지와 같은 작업에 사용되는 딥러닝(DL) 및 고전적 이미지 처리 접근법에 대한 체계적인 개요를 제시합니다. 검토된 연구들에 따르면 합성곱 신경망(CNN), U-Net, Vision Transformers 및 YOLO와 같은 최신 DL 아키텍처는 높은 성능을 달성하여 분할 및 결함 감지 작업에서 종종 90% 이상의 정확도를 보고합니다. 또한 생성 모델은 특히 데이터가 제한된 시나리오에서 데이터 증강 및 합성 데이터 생성을 가능하게 함으로써 견고성을 향상시킵니다. 이러한 진전에도 불구하고 제한된 데이터 가용성, 영상 조건에 따른 도메인 이동, 딥 모델의 제한된 해석 가능성을 포함한 중요한 과제들이 남아 있습니다. 따라서 본 종설은 설명 가능한 AI(XAI) 접근법을 살펴보고, 물리적 미세구조 지식으로 뒷받침되지 않는 한 시각적 설명만으로는 불충분하다는 점을 강조합니다. 동시에 GLCM, LBP 및 Gabor 필터와 같은 고전적인 특징 기반 방법은 특히 데이터가 적은 시나리오에서 해석 가능성과 계산 효율성 면에서 지속적인 이점을 제공합니다. 전반적으로 본 종설은 고전적 접근법과 딥러닝 접근법의 상호보완적 활용을 강조하며, AI 기반 재료 특성화의 신뢰성과 일반화 능력을 향상시키기 위한 표준화된 데이터셋, 도메인 적응 및 물리학 기반 모델링을 포함한 향후 방향을 제시합니다.