2.1. 스케일 바 인식 및 변환 비율 계산

입력된 이미지를 기반으로 스케일 바를 인식하고 변환 비율을 산출하는 과정은 다음과 같이 수행되었다. 먼저 OpenCV의 cv2.selectROI() 함수를 활용하여 사용자가 스케일 바가 위치한 관심영역(Region Of Interest, ROI)을 직접 선택함으로써 스케일 바 크기나 모양에 따른 인식 실패 가능성을 낮추어 분석 정확도를 높였다. 선택된 ROI는 cv2.cvtColor()를 이용해 회색조(grayscale)로 변환된 후, cv2.threshold()를 통해 이진화하여 스케일 바와 배경을 명확히 구분하였다. 이후, Tesseract 라이브러리의 광학 문자 인식(optical character recognition, OCR) 기술을 활용하여 스케일 바의 실제 길이(숫자)를 추출하였으며 인식된 텍스트는 정규 표현식을 통해 필요한 수치 데이터, 즉 마이크로미터(µm)로 단위 변환이 이루어졌다^[13]. 이를 통해 픽셀당 변환 비율을 산출하여 층상 간격 데이터를 실제 길이로 변환하였다.

2.2. 이미지 전처리

층상 간격의 정확한 분석을 위해 입력 이미지는 스케일 바 부분을 제거하는데 이때 층상구조 데이터의 손실을 최대한 방지하기 위해 이미지 하단 10%만 제거한 후 다음과 같은 전처리 과정을 거쳤다. 먼저, 입력된 컬러 이미지는 OpenCV의 cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 함수를 이용하여 회색조로 변환되었다(그림 3(a), 그림 4(a), 그림 5(a)). 이 과정은 각 픽셀의 밝기 정보만을 유지하여 색상 정보를 제거하여 이후 전처리 과정을 보다 원활하게 하기 위해 실행하였다. 다음으로, 노이즈를 줄이고 α/β 경계선을 부드럽게 표현하기 위해 가우시안 필터(Gaussian filter)를 적용하였다(그림3(b), 그림4(b), 그림 5(b)). 이 필터링은 OpenCV의 cv2.GaussianBlur() 함수를 이용해 커널(필터) 크기와 표준편차(σ)를 지정한 뒤, 각 픽셀을 중심으로 필터 내 픽셀의 밝기값을 가우시안(정규) 분포에 따라 가중 평균해 미세한 잡음을 효과적으로 제거하는 방식이다^[14]. 커널 크기를 조절하면 어느 정도 크기의 노이즈까지 지울 것인지를 직관적으로 결정할 수 있는데, 지나치게 큰 커널을 사용하면 층상 간격의 세밀한 구조까지 흐려져 측정 정확도가 떨어질 수 있으므로 주의가 필요하다. 이어서, 이미지의 국부적 대비를 개선하기 위해 제한적 적응형 히스토그램 평활화(Contrast Limited Adaptive Histogram Equalization, CLAHE) 기법을 적용하였다(그림 3(c), 그림 4(c), 그림 5(c)). CLAHE는 작은 입력 이미지를 분할(tileGridSize=())해 영역별로 밝기 값 히스토그램을 평활화하여 명암 대비를 조정하며, 밝기의 최대값 제한 설정(clipLimit=)을 통해 과도한 밝기 변화를 방지함으로써 전체적인 미세구조의 경계를 더욱 뚜렷하게 표현하였다. 해당 과정은 cv2.createclahe(clipLimit=, tileGridSize=()) 함수를 통해 수행되었다^[15]. 다음으로 그레이 스케일 및 대비 조정이 완료된 이미지는 Otsu의 이진화 기법을 적용하여 cv2.threshold() 함수로 처리되었으며(그림 3(d), 그림 4(d), 그림 5(d)), 이는 이미지 히스토그램을 기반으로 최적의 임계값을 자동으로 선택하여 원본 이미지에서 흰 부분(α상)과 검은 부분(β상)을 흰색과 검정색으로 명확히 구분하였다^[16]. 이후 이진화된 이미지에 대해 cv2.morphologyEx() 함수를 활용한 닫힘 연산(침식 후 팽창)이 적용되어 작은 노이즈가 제거되고 미세조직 이미지에서 층상이 끊긴 부분을 연결시켜 구조적 연결성이 강화되었다(그림 3(e), 그림 4(e), 그림 5(e))^[17]. 마지막으로, 과에칭, 스크래치 자국과 같이 큰 크기로 인해 이전 이미지 전처리 단계에서 제거할 수 없었던 노이즈 제거를 위해 cv2.bitwise_not() 함수를 활용해 픽셀의 집단 중 특정 개수 이하의 집단을 골라내 측정에 방해가 될 수 있는 노이즈를 확실하게 제거하였다(그림 3(f), 그림 4(f), 그림 5(f)). 특정 개수, 즉 임계값은 배율별 노이즈의 크기를 고려하여 200배율, 500배율, 1000배율에서 각각 50 픽셀, 125 픽셀, 250 픽셀로 설정하였다. 본 연구에서 적용한 CLAHE 평활화 기법 및 Otsu 이진화 기법은 동일 광학현미경에서 촬영된 이미지에서 나타날 수 있는 광원 조건 변화와 에칭 정도의 미세한 차이 등 현실적인 이미지 변동 가능성을 고려하여 그 영향을 완화하기 위해 적용되었다. 이러한 전처리 과정은 동일한 광학현미경 촬영 조건에서 발생할 수 있는 이미지 편차를 안정적으로 보정하는 것을 목표로 한다. 그러나 서로 다른 장비 환경이나 현저히 상이한 에칭 조건(과에칭 경우)과 같이 이미지 품질이 크게 변화하는 경우에는 추가적인 조건 최적화가 필요하다.

2.3. 층상 간격 측정

층상 간격을 측정하기 위해 특정지점에서 다양한 각도로 패턴 간의 간격을 분석하는 방법을 구상하였다. 먼저, 이미지의 모든 영역에서 일정한 간격으로 기준점(하늘색 점)을 선택하였으며, 이는 층상 간격 패턴을 대표할 수 있도록 전체적으로, 균일하게 배치되었다(그림 6). 이후 각 기준점을 지나는 빨간색 직선을 그어 방사형 탐색이 수행되었다. 이 과정에서 선의 한쪽 말단에서 다른 말단까지 이동하면서, 직선이 지나가는 모든 영역의 α상과 β상 간의 경계를 탐지하였다. 이어서 β상에서 시작하여 다음 β상까지 탐지된 두 경계점 간의 간격을 scipy.spatial.distance.euclidean() 함수를 사용하여 직선 거리로 측정하였으며, 이 값은 층상 간격을 나타낸다(그림 7). 이후 측정되지 않는 영역을 최대한 줄이기 위해 이미지의 전체 영역에 있는 300개의 기준점에서 한 지점당 동일한 과정을 0^o부터 180^o까지 3^o 간격으로 촘촘하게 반복 시행하여 데이터를 수집했다. 이때, 서로 다른 기준점에서 그어진 선이 동일한 경우에는 중복 측정으로 인한 오차가 발생할 수 있다. 이를 방지하기 위하여, 두 선분이 동일한 방향(각도 차이 0^o)을 가지며 시작점과 끝점의 좌표 차이가 각각 1 픽셀 이하일 경우 동일 경로로 판정하고, 두 선 중 하나의 측정값만을 사용하도록 설정하였다.

Fig. 6. Uniformly spaced measurement points (1000× Magnification)

Fig. 7. Linear measurement in a single direction(45^o) at one measurement point (1000× magnification)

여기서 1 픽셀은 해당 이미지 해상도에서의 최소 공간 단위에 해당하며, 동일 경로 여부를 판단하기 위한 실질적 허용 오차로 설정하였다. 이러한 중복 제거 기준은 알고리즘 내에서 정량적으로 적용되며, 각 기준점에서 수집된 다수의 거리 값은 데이터로 저장된 후 평균값을 산출하여 전체 층상 간격의 대표값으로 선정하였다.

2.4. 결과 시각화 및 분석

측정된 층상 간격 데이터는 다양한 시각화 기법을 통해 분석되었다. 수집된 간격 데이터는 이미지 자체에서 층상 간격이 끊어져 있어 극단적으로 넓게 측정된 것과 같은 이상치 제거를 통한 정확도 향상을 위해 제1사분위수에서 제3사분위수의 사이의 데이터만을 추출하였고 가로축을 층상 간격으로, 세로축을 빈도수로 나타낸 막대형 그래프로 시각화해 각 측정값의 빈도수와 그 분포를 나타내게 하였다(그림 8). 이후 각 기준점과 층간 간격 또한 원본 이미지에 점과 선으로 표시되어 이미지의 전체 구역에서 측정이 빠짐없이 정상적으로 이루어졌는지에 대해 시각적으로 확인할 수 있게 하였으며(그림 9) 마지막으로, 데이터를 심층적으로 분석할 수 있게 추출한 데이터를 스프레드 시트(엑셀 등)로 따로 저장할 수 있게 하였다.

Fig. 8. Visualized data with a histogram

Fig. 9. Final image after completing the lamellar spacing measurement process (1000× magnification)

2.5. 수동 층상 간격 측정

자동 측정의 정확성 및 시간적 효율성을 검증하기 위한 수동 측정은 다음과 같은 방식으로 수행되었다. 먼저, 전체 이미지에 걸쳐 층상 구조가 명확히 보이는 관심 영역을 선택하였으며, 각 지점에서 두 층상 구조의 경계 간의 거리를 측정하였다. 거리 측정은 이미지 편집 소프트웨어(ImageJ)의 측정 도구를 활용하여 직선 거리를 측정하였고, 측정된 값은 일정 간격으로 수집했다. 모든 지점에서 측정된 거리는 평균을 내어 층상 간격의 대표값을 선정하였다. 층상 영역이 명확히 보이는 지점에서 작업을 수행하였기 때문에 이상치 제거를 위한 제 1사분위수에서 제 3사분위수까지의 데이터 선별은 진행하지 않았다.

수동 측정의 과정에서는 측정자의 관찰과 판단에 따라 약간의 차이가 발생할 수 있으며, 각 측정 지점에서 반복적인 측정을 통해 오차를 최소화하였다. 이를 통해 이미지 내의 전체적인 층상 간격을 수집하였으며, 수집된 데이터를 프로그램 측정 결과와 비교하여 분석하였다.

3.1 프로그램을 이용한 결과

본 연구에서는 Ti-6Al-4V 합금 단조재의 층상 간격을 200배율, 500배율, 1000배율의 이미지를 이용해 분석하였다. 프로그램을 통한 자동화 측정의 평균값은 각각 200배율에서 6.976 μm, 500배율에서 7.487 μm, 1000배율에서 7.543 μm로 나타났다. 특히 500배율와 1000배율에서 층상 구조가 명확하게 나타나 보다 일관된 결과를 얻을 수 있었으며 모든 배율에서 측정 결과의 표준편차가 작아 데이터의 신뢰성과 일관성을 확인할 수 있었다.

200배율에서는 층상 구조가 복잡하고 불명확하여 약간의 변동이 발생했으나, 프로그램 측정 결과는 전반적으로 수동 측정 방식에 비해 시간이 덜 소요되면서도 동일한 데이터를 신속하게 처리할 수 있었다. 실제로 각 미세조직을 분석하는 데에 있어 일반적인 사무용 컴퓨터(RAM 8GB, CPU Intel(R) Core(TM) i5-10500 CPU @ 3.10GHz 등)에서 최대 3분이 소요되었으며, 프로그램의 자동화된 방식은 다양한 배율에서 데이터를 효율적으로 분석하여 시간과 자원의 절약 효과를 보였다. 또한 프로그램에서 추출된 층상 간격 데이터는 정규화 과정을 거쳐 그래프로 시각화(그림 10)하여 평균과 표준편차의 경향성을 시각적으로 보여주었으며, 500배율과 1000배율에서 유사한 평균을 보이는 것을 확인하였다.

Fig. 10. Normalized graph of program measurements for each magnification (200×, 500×, 1000×)

3.2 수동 측정을 이용한 결과

수동 측정은 층상 구조가 명확히 보이는 관심 영역을 선택한 뒤, ImageJ 소프트웨어를 사용하여 두 층상 구조 경계 간의 거리를 수동으로 측정하였다. 배율별로 200배율서 200개, 500배율와 1000배율에서 각각 150개의 층상 간격을 측정하였으며, 평균값은 200배율에서 6.853 μm, 500배율에서 7.848 μm, 1000배율에서 7.564 μm로 나타났다.

수동 측정은 각 배율에서 평균적으로 대략 25분이 소요되었으며, 높은 정밀도를 요구하는 개별적인 관찰로 데이터를 수집하였기에 프로그램에 비해 시간이 더 많이 소요되었다. 특히, 500와 1000배율에서는 상대적으로 안정적인 결과를 얻을 수 있었으나, 200배율에서는 해상도의 문제로 층상 구조의 경계가 명확하지 않아 결과에 변동성이 나타났다.

수집된 데이터는 정규화 과정을 거쳐 시각화 되었으며(그림 11), 이를 통해 각 배율에서의 평균값과 표준편차의 경향성을 파악할 수 있었다. 또한, 수동 측정 방식은 분석자의 숙련도와 주관적 판단에 따라 결과가 다소 달라질 수 있음을 감안하였고 이를 최소화하기 위해 반복 측정을 수행하였다.

Fig. 11. Normalized graph of manual measurements for each magnification (200×, 500×, 1000×)

3.3 비교 및 고찰

프로그램(Program)을 통한 자동화된 층상 간격 측정과 수동 측정(ImageJ)의 결과는 표 2에 각 배율(200×, 500×, 1000×)에서 측정된 평균값과 표준편차를 명확히 정리하였다. 또한 평균의 경향성을 파악하기 위해 표준화를 거친 후 그래프로 시각화 했다(그림 12(a), (b), (c)).

200배율(그림 12(a))에서 프로그램 측정의 평균값은 6.976 μm로, 수동 측정의 평균값인 6.853 μm와 비교했을 때 평균 오차는 1.8%로 매우 작은 차이를 보였다. 500배율(그림 12(b))와 1000배율(그림12(b))에서는 각각 4.6%와 2.5%의 평균 오차를 기록하였으며, 수동 측정과 비교했을 때 프로그램의 결과가 모든 배율에서 5%이내로 정확한 값을 보였다.

표준편차를 살펴보면, 프로그램을 통한 측정에서 모든 배율에서 수동 측정보다 표준편차가 작게 나타났다. 200배율(그림 12(a))에서는 프로그램의 표준편차가 1.643 μm로, 수동 측정의 표준편차인 3.152 μm보다 약 50% 이상 작았다. 500배율(그림 12(b))와 1000배율(그림 12(c))에서도 각각 프로그램 측정의 표준편차는 2.126 μm와 2.386 μm로, 수동 측정의 표준편차인 3.315 μm와 3.312 μm보다 현저히 작은 값을 보였다. 이는 프로그램을 통한 측정 방식이 수동 측정 방식에 비해 결과의 일관성이 높고, 측정값의 변동이 적다는 것을 의미한다.

여기서 200배율의 경우 다른 배율과의 측정값에 있어 차이가 나는데 각 배율별 촬영 부위가 다르고 500배율와 1000배율의 경우는 국부적인 값이라는 점을 감안한다면 다른 배율과의 측정값 차이를 설명할 수 있다. 그러나 배율별 차이를 논하기보다는 측정 방식 간의 비교에 초점을 맞추었을 때, 프로그램 측정과 수동 측정 간의 평균 차이는 상당히 적었으며 수동 방식보다 더 좁은 분포를 나타낸다. 이러한 결과는 프로그램 측정 방식이 수동 방식에 필적하는 높은 정확성을 가지고 있을 뿐 아니라 더 균일한 결과를 낼 수 있음을 시사한다.

표 3의 검정 값은 두 측정 방식 간의 통계적 차이를 평가하기 위해 Welch의 t-검정을 통해 산출된 값이다^[18]. 표는 200배율, 500배율, 1000배율에서 t-값, 자유도(degree of freedom), p-값을 보여준다. t-값은 프로그램 측정과 수동 측정 두 그룹 간의 평균 차이를 나타낸다. 양의 값일 경우 수동 측정보다 자동 측정의 평균값이 크다는 것을 의미하며 음의 값의 경우 수동 측정보다 자동 측정의 평균값이 작다는 것을 의미한다. t-값은 표본 크기와 분산 차이를 고려하여 Welch의 t-검정 공식(Eq. 1)을 통해 계산한 결과 200배율, 500배율, 1000배율에서 각각 -0.552, -1.333, -0.078로 계산되었다.

자유도(degree of freedom)는 데이터 집합에서 독립적으로 변할 수 있는 값의 수를 의미하며 Eq. 2을 통해 계산되었다. 200배율, 500배율, 1000배율에서 각각 199.055, 149.125, 149.300으로 산출되며 이는 p-값 계산에 이용된다.

p-값은 Eq. 3. 을 통해 계산되며 이때 F_t는 t-분포의 누적 분포 함수이다.

p-값은 200배율에서 0.582, 500배율에서 0.148, 1000배율에서 0.938로 나타나 모든 경우에서 p>0.05임을 확인할 수 있었다. 통계에 있어 p값이 0.05보다 크다는 것은 귀무가설(두 집단의 평균의 차이가 없음)을 만족한다는 의미이며 이는 프로그램과 수동 측정 방식 간의 평균값 차이가 통계적으로 유의미하지 않음을 의미한다. 다시 말해, 프로그램을 통한 자동 측정이 수동 측정과 통계적으로 동일한 수준의 신뢰성을 지니고 있음을 나타낸다.

이와 같은 결과는 자동 측정이 단순한 시간 단축을 넘어, 미세조직 정량 분석의 기준을 표준화할 수 있음을 보여준다. 본 프로그램은 다수의 층상 간격 데이터를 동일한 알고리즘 구조와 판단 기준 하에서 처리함으로써, 평균값뿐 아니라 분포 특성까지 일관되게 도출할 수 있다. 평균값은 층상 간격의 전체적인 수준을 대표하는 지표로서 시편 간 비교 및 공정 조건에 따른 경향 분석에 활용될 수 있으며, 분포 정보는 조직 내 국부적 불균일성이나 공정 조건에 따른 층상 구조 형성 차이를 반영할 수 있다. 이는 동일 조성 조건에서도 열처리 이력이나 변형 조건에 따라 달라질 수 있는 미세조직 특성 평가에 활용될 수 있다. 또한 전 과정이 자동화된 구조로 설계되어 측정자의 주관적 판단 개입을 최소화함으로써, 동일 조건에서 반복 측정 시 재현성과 공정성을 확보할 수 있다. 이는 데이터의 신뢰성과 객관성을 확보하는 데 중요한 의미를 갖는다.