서 론
재료 및 방법
1. 시험편 선정
2. 염수분무시험
3. 영상 데이터 획득 및 평가 기준
4. 영상 전처리 및 부식 정량화 알고리즘
결과 및 고찰
1. HSV-RGB 복합 필터링 알고리즘 기반 부식 가시화 결과
2. 정량적 부식 면적률 및 등급 산출
3. 제안 알고리즘의 유효성 및 한계 고찰
서 론
농업용 온실은 고온다습한 환경에서 장기간 운용됨에 따라 내부 결로와 수분 등에 지속적으로 노출된다. 이러한 환경조건은 온실을 구성하는 금속 구조부재의 부식을 가속화시키며, 장기간에 걸쳐 발생한 부식은 전체 구조물의 안정성을 크게 저하시키는 주요 원인이 된다(Hosking et al. 2007; Maraveas 2020). 온실의 구조적 안정성에 중요한 영향을 미치는 요소는 파이프 교차부를 결속하는 체결 부품으로, 강풍이나 폭설과 같은 외부 하중 발생 시 골조의 미끄럼을 방지하고 전체적인 구조를 유지하는 역할을 수행한다(Koo and Choi 2016). 특히, 파이프 골조를 결속하는 체결 부품의 부식이나 손상은 구조물의 하중 지지력에 직접적인 영향을 미친다(Choi et al. 2018). 일반적으로 파이프 교차 골조를 결속하는 부품으로는 강선 조리개와 강판조리개가 널리 사용된다. 하지만, 강선 조리개의 경우 두께가 얇은 선형 구조로 이루어져 있어 2D 영상 분석 시 배경 영역의 간섭이 심하고 부식 면적률을 산출할 연속적인 표면을 확보하기 어렵다는 한계가 존재한다. 강판조리개의 경우 염수분무시험 시 틈새에 염수가 고여 국부 부식을 일으킬 가능성이 존재한다. 반면, 새들 클램프 (Saddle clamp)는 비록 온실의 구조적 안정성에 영향을 덜 주지만 가혹한 부식 환경에 동일하게 노출되어 있어 정량적인 내구성 평가가 필요함과 동시에, 비교적 큰 면적을 가지고 있어 영상 분할 알고리즘의 성능을 검증하기 적합하다. 이러한 결속 부품에서 발생하는 도금층의 열화와 모재의 단면 감소는 단순한 외관 손상을 넘어, 국부 좌굴, 연결부 강성 저하, 장기 피로수명 감소로 이어질 수 있다(Rahgozar and Sharifi 2011; Apostolopoulos and Matikas 2018). 따라서 온실 구조물의 유지관리 및 내구성 평가를 위해서는 부식 정도를 정량적으로 분석할 수 있는 방법이 필요하다.
기존의 부식 평가는 부식 환경에 일정 시간 노출시킨 후 시편의 질량 변화를 측정하는 무게 감소법과 분극 시험 및 전기화학 임피던스 분석 등의 전기화학적 방법이 주로 활용된다(Finšgar and Jackson 2014). 먼저 무게 감소법은 시편의 질량 감소를 이용하여 평균적인 부식 속도를 정량적으로 평가할 수 있어 널리 사용되지만(Paterlini et al. 2024), 시험 후 부식 생성물을 제거하고 질량을 측정하는 과정에서 모재가 손상될 우려가 있다(ASTM 2003). 또한, 부식은 공간적으로 비균일하게 발생하며 동일 부재 내에서도 위치에 따라 부식 정도가 크게 달라지는 것으로 보고되고 있다(Xia et al. 2023). 따라서 질량 변화 기반 평가는 이러한 국부적 부식 및 공간적 분포를 충분히 반영하기 어려울 수 있다. 전기화학적 기법 역시 부식 거동을 정밀하게 분석할 수 있는 유용한 방법이지만, 전해질 환경 조성과 기준 및 보조전극 설치 등 시험 장비 의존성이 높다(Lazanas and Prodromidis 2023). 따라서 온실내부와 같이 온습도가 수시로 변동하는 실제 운용 환경에 직접 적용하기에는 공간적, 환경적 제약이 따른다(Popova and Prošek 2022).
이러한 한계를 극복하고 시각적 평가의 주관성을 배제하고 평가의 일관성을 확보하기 위해, 컴퓨터 비전 및 영상 처리 기술을 활용한 자동화된 부식 검출 연구가 다양한 산업 분야에서 활발히 진행되고 있다(Ali et al. 2023; Das et al. 2024). 통제된 촬영 조건에서 획득한 디지털 영상을 픽셀 단위로 분석하면, 명시적인 수치적 임계값에 따라 부식 영역을 자동 분류하고 객관적인 면적률을 산출할 수 있어 관찰자의 주관적 개입을 최소화할 수 있다(Dhonde et al. 2022). 기존의 영상 처리 기반 부식 검출 연구에서는 색상 채널 기반 임계값 분할이나 색상 특징을 활용한 영상 처리 기법이 활용되고 있다(Khayatazad et al. 2020; Kim et al. 2021). 그러나 이러한 방법은 조명 조건, 표면 반사 특성, 그리고 금속 표면의 색상 변화에 따라 검출 결과가 영향을 받을 수 있어 실제 농업용 온실 구조용 도금 부품과 같은 복잡한 표면 조건에 적용하는 데 제약이 있다(Naik et al. 2020). 이에 따라 본 연구에서는 실제 적청 영역을 보다 안정적으로 검출하기 위해 HSV(Hue, Saturation, Value) 색상 공간 변환과 RGB(Red, Green, Blue) 채널 간 상대 강도 비교를 결합한 복합 임계값 기반 영상 분할 알고리즘을 제안한다. 본 연구의 영상처리 알고리즘은 OpenCV 환경에서 수행되었으며, 입력 영상은 OpenCV의 기본 채널 순서인 BGR 형식으로 처리하였다. 다만 본 연구에서 사용하는 RGB 성분이라는 표현은 색 성분의 물리적 의미를 설명하기 위한 것이며, 실제 연산 과정에서는 BGR 배열 내에서 각 색 성분을 구분하여 적용하였다. 단일 색상 공간이 가지는 한계를 보완하기 위해 이중 조건 구조를 적용함으로써 조명 변화에 따른 색상 왜곡과 비부식 영역의 오검출을 최소화할 수 있는 판정 기준을 설계하였다.
본 연구의 목적은 제안된 영상 분석 방법을 통해 염수 노출 시간에 따른 적청의 발생 및 확산 거동을 정량적으로 분석하고, 산출된 부식 면적률을 KS D 9502 규격에 따른 부식 등급으로 환산하여 시각적 판정 방식의 보조 도구로서 적용가능성을 검토하는데 있다(Korean Agency for Technology and Standards 2022). 이를 통해 향후 온실 구조물 유지관리 과정에서 활용 가능한 비파괴, 비접촉 기반 부식 정량 평가 방법의 기초 자료를 제시하고자 한다.
재료 및 방법
1. 시험편 선정
본 연구에서는 농업용 온실 구조물 시공에 사용되는 새들 클램프를 시험편으로 선정하였다. 시험편은 시중 농자재 판매처에서 구매하였다. 제조사에 시험편의 정확한 재질을 문의하였으나, 명확한 소재 정보를 확인하지 못하였다. 또한, 픽셀 단위 영상 분석의 신뢰성을 높이기 위해 외경 48mm 파이프 결속용 새들 클램프를 채택하여 가용한 관측 면적을 극대화하였다. 본 연구에서 ROI(Region of Interest)는 카메라 정면을 향해 노출된 새들 클램프의 외부 표면 전체로 정의하였다. ROI 산정 시, 나사 구멍, 시편 외부의 배경 영역은 분석 대상에서 제외하였다. 시험편의 형상 및 체결 방식은 Fig. 1에 나타내었다. 시간 경과에 따른 부식 진행 거동을 분석하기 위해 24, 48, 72 ,96, 120h 노출용으로 총 5개의 시편을 준비하였다.
실험에 사용한 새들 클램프 총 5개 개체의 치수를 개별 측정하여 그 평균값을 산출하였다. 자세한 치수는 Table 1에 나타난 바와 같이, 시험편의 전체 폭()은 110.4mm, 너비()는 35.6mm, 곡면부 높이()는 52.1mm이며, 두께()는 2.3mm이다.
Table 1
Measured average dimensions of the commercial saddle clamp specimens used for the corrosion test (n=5)
 | ||||
| 110.4 mm | 35.6 mm | 52.1 mm | 2.3 mm |
2. 염수분무시험
본 연구에서는 단기간에 정량적 데이터를 확보하기 위해 Neutral Salt Spray(NSS) test를 적용하였다. 실험은 관련 국가 표준인 KS D 9502규격에 의거하였으며, 시험은 해당 조건을 구현할 수 있는 염수분무시험기(Q-FOG CRH1100-HTCR, Q-Lab, USA)로 수행하였다(Fig. 2). 구체적인 시험 조건은 Table 2에 나타내었다.
Table 2
Conditions of Neutral Salt Spray (NSS) test
| Test Standard | Method | Temperature | NaCl concentration | pH | Exposure time |
| KS D 9502 | NSS test | 35 ± 2℃ | 5 % | 6.5 | 24, 48, 72, 96, 120 h |
챔버 내부 온도는 35±2℃, 분무되는 염화나트륨(NaCl) 농도는 5%로 설정하였다. 부식 진행 단계에 따른 알고리즘의 탐지 성능을 비교하기 위해, 24시간 간격(24, 48, 72, 96, 120h)으로 시편을 회수하여 표면에 잔류한 염수 및 불순물을 정제수로 세척하고 상온에서 자연 건조하여 표면의 수분을 완전히 건조한 후 디지털 영상 데이터를 획득하였다.
일반적으로 도금 처리된 강재 부품이 부식 환경에 노출되면, 표면의 보호층이 먼저 산화되어 희생 양극 작용을 하며 백청(White rust)을 형성한다(El-Mahdy et al. 2000). 이후 내부의 철 모재가 부식되기 시작하면 적청(Red rust)이 발생하게 된다. 백청은 모재를 보호하기 위한 반응 산물인 반면, 적청은 부품의 두께 감소 및 구조적 내력 저하를 일으킨다(Beaulieu et al. 2010; Autengruber et al. 2012). 따라서 본 연구에서는 획득한 영상 데이터로부터 시편 표면에 넓게 퍼진 백청 영역은 알고리즘의 이중 필터링을 통해 분석 대상에서 효과적으로 배제하고, 실질적인 부식 진행도와 직결되는 적청 영역만을 선택적으로 추출하여 최종 Rating Number(RN) 산출에 반영하도록 데이터 처리 기준을 확립하였다.
3. 영상 데이터 획득 및 평가 기준
본 연구에 사용된 부식 영상 데이터는 스마트폰(Apple iPhone 14 Pro, Apple Inc, Cupertino, CA, USA)을 이용하여 촬영하였다. 영상 획득 장비로 스마트폰을 채택한 이유는, 스마트폰은 별도의 전문 촬영 장비 없이 고해상도 영상을 획득할 수 있으며, 현장 관리자가 일상적으로 휴대하는 장비라는 점에서 접근성과 사용 편의성이 높기 때문이다. 또한, 촬영 즉시 데이터를 전송, 저장할 수 있다는 장점도 있다. 분석 이미지의 재현성을 확보하기 위해 스마트폰을 삼각대에 고정하고 일정한 조명(H1000, Fomex, Seoul, Korea)을 유지하여 시편 수직 방향 50cm 거리에서 촬영을 진행하였으며, 알고리즘의 원활한 배경 분리를 위해 검은색 판 위에 위치시켰다. 세부 사양은 Table 3과 같다.
Table 3
Specifications for image acquisition
|
Color temperature |
Camera angle (°) | Format | Aperture | ISO | Image size | Effective pixel |
Shooting distance (cm) |
| 3200K | 90 | RAW | f/2.8 | 1000 | 3024×4032 | 12MP | 50 |
본 연구에서는 분석의 객관성을 검증하기 위해 KS D 9502의 RN 표준도와 NSS test 후 시편 데이터를 분석 대상으로 사용하였다. RN 표준도란 전체 표면적 대비 부식이 차지하는 비율에 따라 부식 등급을 시각적으로 분류해 놓은 표준 이미지이다. RN 표준도는 0부터 10으로 구분되며, RN 10은 육안으로 식별할 수 없는 부식을 나타내고, RN 0은 부식 결함의 최댓값을 나타낸다. 자세한 부식 면적률과 RN의 관계는 Table 4에 나타내었다. RN 표준도에 알고리즘을 적용하여 결과의 정확도를 확인함으로써, 제안된 알고리즘이 부식 영역을 정확하게 산출해 내는지 확인하였다.
Table 4
RN classification criteria based on corrosion area ratio (A) according to KS D 9502
4. 영상 전처리 및 부식 정량화 알고리즘
본 연구는 획득한 2D 영상 데이터를 기반으로 시편 표면의 복잡한 부식 거동을 정량화 하고, 기존 육안 평가의 주관성을 배제하기 위해 일관된 기준을 적용하는 자동화된 영상 처리 알고리즘을 구축하였다.
4.1 영상 ROI 추출 및 공통 전처리
수집된 부식 영상으로부터 배경에 의한 간섭을 최소화하고 분석 대상인 온실 부품 영역을 명확히 정의하기 위해 시편에 해당하는 영역을 ROI(Region of Interest)로 추출하고 분석에 불필요한 배경을 제거하였다. 또한 영상 분석 과정의 일관성을 확보하기 위해 모든 입력 영상에 대해 공통 전처리를 수행하였다.
공통 전처리 단계에서는 모든 원본 영상을 OpenCV 처리 기준에 맞추어 4채널 BGRA(Blue, Green, Red, Alpha) 형식으로 통일하였다. 일반적인 디지털 영상이 3채널(RGB) 구조로 구성되는 것과 달리 RGBA 형식은 각 픽셀의 공간적 유효성을 표현할 수 있는 Alpha(α)채널을 포함한다. 본 연구에서는 색상 정보(RGB)와 시편의 공간적 분석 영역을 하나의 영상 객체 내에서 함께 관리하기 위해 이러한 형식을 적용하였다. 이후 색상 변환 과정에서 발생할 수 있는 배경 노이즈의 영향을 최소화하기 위해 Alpha 채널 값이 0인 투명 배경 영역을 모두 흰색(RGB: 255, 255, 255)으로 치환하였다.
4.2 평균 채도 기반 영상 분류 및 표준도 전처리
이후 영상의 HSV 색공간에서 평균 채도를 계산하여 영상의 종류를 분류하였다. 영상의 평균 채도가 0을 초과할 경우 실제 부식이 발생한 시편 영상으로 판단하고, 실제 시편 영상으로 분류된 경우, 별도의 색상 재매핑 없이 OpenCV에서 입력된 BGR 형식의 원본 채널 정보를 유지한 상태로 후속 부식 감지 단계를 수행하였다. 반면 영상의 평균 채도가 0일 경우 KS D 9502의 RN 표준도로 분류하였다. 분류 기준으로 설정된 임계값 0은 RN 1부터 9까지의 표준도 및 모든 실제 시편 영상을 대상으로 진행한 실험을 통해 도출된 수치로, 표준도는 평균 채도가 0인 반면, 적청이 분포한 실제 시편은 노출 시간(24, 48, 72, 96, 120h)에 따라 평균 채도가 각각 22.47, 17.36, 24.41, 26.65, 27.73으로 산출되었다. 이 결과를 바탕으로 평균 채도가 0을 기준으로 RN 표준도와 실제 시편 영상을 구분하였다.
RN 표준도의 경우 부식 모사 점을 효과적으로 식별하기 위해 원본 영상을 HSV 색공간으로 변환하여 명도 채널을 분리하였다. 이후 명도 40을 임계값으로 설정하고 해당 값 이하의 어두운 픽셀을 추출하는 논리 연산 기반의 마스킹 처리를 수행하였다. 40이라는 수치는 명도 임계값 변동에 따른 분석을 통해 도출된 최적값이다. 임계값을 30, 40, 50으로 변경하며 전체 표준도의 면적률을 분석한 결과, V=30과 V=40 조건에서는 전체 RN 등급의 규격 기준을 안정적으로 만족하는 것을 확인하였다. 반면 임계값을 너무 높게 설정한 V=50 조건에서는 배경의 미세 노이즈가 부식 면적으로 포함되어 특정 등급(RN 4)에서 부식 면적률이 5.09로 과대평가되는 오분류가 발생하였다. 결과적으로 노이즈 오검출 한계점(V=50)으로부터 여유를 확보하는 동시에, 임계값을 과도하게 하향 설정할 경우 발생할 수 있는 흑점 경계 픽셀의 누락을 방지하여 유효 면적만을 온전히 추출하고자 V=40을 최종 임계값으로 적용하였다(Fig. 3). 이후 추출된 흑점 영역이 실제 시편의 적청 후보 영역과 동일한 절차로 처리될 수 있도록, OpenCV의 BGR 형식에 맞추어 Red 성분이 최대가 되도록 적색으로 매핑하였다. 또한 표준도 외곽 경계선에서 발생할 수 있는 흑색 노이즈의 영향을 배제하기 위해 영상의 외곽 영역 8픽셀 영역을 분석 대상에서 제외하는 마스킹(Masking)을 추가로 수행하였다. 8픽셀로 선정한 이유는 6픽셀로 축소할 경우, 테두리의 노이즈가 완전히 제거되지 않아 흑점으로 인식하는 문제가 발생하였으며, 10픽셀로 확대할 경우 유효 분석 영역 내의 정상적인 흑점까지 인식하지 않는 경우가 존재하였다(Fig. 4).
4.3 복합 채널(HSV-RGB) 기반 시편 부식 감지 알고리즘
시편 내에서 적청 부위를 식별하기 위하여 HSV 및 RGB 복합 임계값 기반 색상 분할 알고리즘을 적용하였다. 본 알고리즘은 NSS test 시험 시편에서 발생하는 적청 영역을 검출하기 위해 설계되었다. 금속 표면은 조명 조건 및 표면 반사 특성에 따라 밝기와 색상 분포가 변동될 수 있으므로, 단일 색상 공간에만 의존할 경우 오검출 가능성이 존재한다. 이에 본 연구에서는 색상 분리가 용이한 HSV 색공간을 1차 기준으로 사용하고, RGB 채널 조건을 보조적으로 결합하는 이중 필터링 구조를 설계하였다. 또한, 동일한 분석 절차를 KS D 9502의 RN 표준도 영상에도 적용하여 알고리즘의 적용 가능성과 검출 일관성을 검증하였다. 제안된 알고리즘의 전체적인 처리 및 데이터 흐름은 Fig. 5와 같다.
모든 전처리를 마친 입력 영상은 OpenCV에서 사용되는 8-bit HSV 색공간(H: 0–179, S: 0–255, V: 0–255)으로 변환하였다. Hue채널은 0
에서 360 사이의 원형 모델로 정의되나, OpenCV에서는 0~179의 범위를 갖는다. 적색 스펙트럼은 0 부근에 연속적으로 위치하기 때문에, Hue 값 0－15 및 165－179 범위를 적색 후보 영역으로 설정하였다. 또한 저채도 및 과도하게 어두운 영역을 배제하기 위해 채도 하한값을 80, Value 하한값을 45로 적용하였다. 두 Hue 구간에 대해 생성된 이진 마스크는 비트 단위 논리합(Bitwise-OR) 연산을 통해 통합하여 1차 부식 후보 마스크를 구성하였다. HSV 기반 분할 결과의 오검출을 줄이기 위하여, OpenCV의 BGR 형식에서 분리한 Red, Green, Blue 성분 간의 상대 강도 조건을 추가하였다. 구체적으로, BGR 배열 내에서 Red 성분이 Green 및 Blue 성분보다 각각 30 intensity level 이상 높은 경우에만 해당 픽셀을 적청 후보로 인정하였다. 이 조건은 적색 성분이 상대적으로 우세한 영역만을 선별하기 위한 논리적 제약으로 작용한다.
최종 부식 픽셀은 HSV 기반 적색 조건, R채널 우세 조건을 모두 만족하는 경우로 정의하였다(Fig. 6). 조건은 논리곱(AND) 연산을 통해 결합되었으며, 이를 통해 배경 영역 및 색상 유사 영역의 오검출을 최소화하였다.
이후 검출된 이진 마스크에 대해 4×4 구조 요소를 이용한 형태학적 열림 연산을 적용하여 미세 잡음 및 단일 픽셀 수준의 노이즈를 제거하였다. 해당 연산은 침식 후 팽창을 순차적으로 수행하는 과정으로, 조명의 난반사나 표면의 미세 불순물로 인해 발생한 고립된 픽셀 수준의 노이즈를 효과적으로 소거할 수 있다. 이를 통해 부식 영역의 주된 형상과 면적은 보존하면서 오검출 영역을 정제하여, 최종적으로 산출되는 부식 면적률의 정확도를 확보하고자 하였다. 앞서 설명한 알고리즘을 실제 시편에 적용하여 부식 영역을 검출하는 과정을 Fig. 7에 나타내었다. Fig. 7의 대표 시편으로는 염수분무 96시간 경과 시편을 선정하였다. 이는 적청이 본격적으로 발생하여 확산되는 부식 진행 구간의 중간 단계에 해당하여 실제 부식 영역만을 정밀하게 분리해 내는 필터링 성능을 검증하기 적합하기 때문이다. Fig. 7의 왼쪽부터 차례대로 원본 이미지, 배경 제거 이미지, 붉은색 계열의 픽셀을 1차적으로 추출한 HSV 1차 마스크 이미지, RGB 조건과 형태학적 연산을 적용한 이미지, 검출된 부식 영역을 배경 제거 이미지 위에 적색으로 오버레이 하여 실제 부식을 보여주는 최종 시각화 결과를 나타낸다.
Fig. 8은 무채색으로 구성된 RN 표준도에 대한 처리과정을 보여준다. 표준도로는 RN 5등급을 선정하였다. 이는 부식 면적률이 중간 수준으로 미세한 점 형태의 부식이 적정 밀도로 분포되어 있어 픽셀 단위의 정량화 정확도와 경계 마스킹의 유효성을 확인하기에 적합한 모델이기 때문이다. 왼쪽부터 차례대로 원본 표준도 이미지, 알고리즘이 표준도의 낮은 채도를 인식하여 흑색 점을 적색으로 강제 변환한 적색 매핑 및 배경 제거 이미지, 변환된 적색 점들을 추출한 HSV 1차 마스크 이미지, 이미지 가장자리에 발생할 수 있는 테두리 노이즈를 8픽셀 마스킹으로 제거한 경계 노이즈 제거 마스크 이미지, 표준도의 검은 점들이 알고리즘에 의해 부식 픽셀로 인식되었음을 적색으로 오버레이하여 보여주는 최종 시각화 결과를 나타낸다.
4.4 정량적 부식 면적률 및 RN 산출
최종적으로 산출된 부식 픽셀 수()는 시편 영역 전체 픽셀 수() 대비 비율로 계산되었으며, 부식 면적률 A(%)는 다음 식에 따라 산출하였다.
where is the corrosion area ratio (%), is the Number of pixels identified as rust, and is the total number of pixels in the specimen image.
산출된 면적률은 KS D 9502 기준에 따른 RN 산출의 기반으로 활용되었으며, 시험 시간에 따른 부식 진행 정도를 정량적으로 비교하는 지표로 사용되었다.
부식 시편의 정량 분석을 위해, 앞서 Table 4에서 기술한 KS D 9502의 RN 판정 기준을 바탕으로 등급을 산출하였다. 이 기준은 영상에서 추출된 부식 면적률을 기반으로 한다. 세부적인 정량적 RN 수치는 KS D 9502에 기술된 로그 기반 환산식을 이용하여 도출하였다.
where is the corrosion rating number, and is the corrosion area ratio (%) calculated from Eq. 1.
결과 및 고찰
1. HSV-RGB 복합 필터링 알고리즘 기반 부식 가시화 결과
실제 부식 시편 분석에 앞서 알고리즘의 산출 정확도를 검증하고 결과의 신뢰성을 확보하기 위해, 제안된 영상 처리 알고리즘을 KS D 9502의 RN 표준도 영상에 선행 적용하였다. 개발한 알고리즘은 원본 영상의 HSV 명도 채널을 활용하여 부식 모사 흑점을 일관되게 추출하였으며, 알고리즘으로 선별한 부식 영역은 붉은색으로 표시하였다. 이는 본 알고리즘이 정해진 규격 내의 부식 형태를 일관된 기준으로 가시화하는데 활용될 수 있음을 보여준다. 전체 규격 중 부식 정도에 따라 3가지 등급(RN 1, 5, 9)을 선별하였으며, 자세한 RN 표준도 알고리즘 가시화 결과 예시는 Fig. 9에 나타내었다. Fig. 9의 상단 A, B, C는 각각 RN 1, 5, 9 등급의 원본 표준도 이미지이며, 하단의 D, E, F는 이에 대응하여 제안된 알고리즘이 부식 영역을 적색으로 검출해 낸 최종 가시화 결과를 나타낸다.
이어서 동일한 HSV–RGB 복합 임계값 기반 영상 처리 알고리즘을 NSS test 시편에 적용하였다(Fig. 10). Fig. 10A는 염수 노출 시간별(24, 48, 72, 96, 120h)에 따라 각각 독립적으로 준비된 서로 다른 5개의 개체 시편의 원본 영상을 나타내며, Fig. 10B는 각 시편에 알고리즘을 적용하여 적청 영역을 검출한 결과를 나타낸다. 본 연구는 영상 처리 기반 평가 방법론의 타당성을 검토하기 위한 예비 연구로서, 각 시간 조건별 반복 시험을 수행하지 않고 조건당 단일 시편을 대상으로 분석을 진행하였다.
육안 관찰 결과, 염수 노출 24h 및 48h 시편 표면에는 보호 도금층의 반응에 의한 백청만이 광범위하게 발생하였으며, 적청은 관찰되지 않았다. 알고리즘 적용 결과, 시편 표면의 난반사 및 하얀 백청 영역이 이중 필터링 조건에 의하여 배제되었으며, 적청으로 오인되어 마스킹된 영역이 시각적으로 전혀 나타나지 않음을 확인하였다.
염수 노출 72시간 시편에서는 표면 전반이 산화물과 백청으로 덮여 있으나, 시편의 우측 하단 가장자리 부근에서 미세한 점 형태의 적청이 최초로 확인되었다(Fig. 10A). 알고리즘 검출 결과 Fig. 10B를 살펴보면, 알고리즘이 주변의 복잡한 노이즈에 간섭받지 않고 해당 부위의 붉은색 픽셀을 효과적으로 분리해 냄으로써, 초기 부식에 대한 검출 가능성을 확인하였다.
96시간 시편에서는 부식이 점진적으로 확산되어 시편 가장자리 및 체결부 인접 영역에 국부적으로 분포하는 양상이 관찰되었다(Fig. 10A). 알고리즘 검출 결과(Fig. 10B)에 나타난 바와 같이, HSV 색공간 기반 적색 범위 조건과 BGR 배열 내 Red 성분 우세 조건을 동시에 만족하는 픽셀만이 검출되었으며, 백청 및 배경 영역은 효과적으로 배제되었다. Alpha 채널을 이용한 시편 영역 분할을 통해 배경 및 내부의 비어있는 영역 역시 분석 대상에서 제외되었다.
120시간 시편에서는 적청 영역이 표면을 따라 확산되며 기존 부식 반점과 인접 영역이 부분적으로 연결되는 양상이 관찰되었다(Fig. 10A). 알고리즘 검출 마스크(Fig. 10B)는 분산된 부식 픽셀을 연속적인 영역 형태로 표현하였으며, 특히 가장자리 부근에서 부식 분포 범위가 확대되는 경향이 정상적으로 확인되었다.이러한 결과는, 제시된 영상 분석 알고리즘이 상 검출을 넘어 부식의 진행 단계를 명확하게 구분해 낼 수 있음을 보여준다. 본 알고리즘은 적청 발생 이전, 미세한 초기 발생 단계, 국부적 발생 단계, 적청 확산 단계를 시각적으로 검출하였다. 결론적으로 시간 경과에 따른 적청의 공간적 진행 상황을 일관되게 모니터링하고, 이를 바탕으로 부식 면적률을 산출해 내는 데 효과적인 도구로 활용될 수 있음을 보여준다.
2. 정량적 부식 면적률 및 등급 산출
제안된 영상 분할 알고리즘의 픽셀 추출 및 면적률 계산 정확도를 객관적으로 검증하기 위해, KS D 9502의 RN 표준도의 정량 분석을 선행하였다. Table 5에 나타난 바와 같이, 알고리즘은 각 등급별 부식 밀도 변화를 픽셀 단위로 본 조건에서 산출 가능하였다.
Table 5
Quantitative verification results of the proposed algorithm using KS D 9502 standard images
| Standard Reference | Detection Results | ||||||
| RN | Standard image | Detected image | Total pixel | Detected pixel | Ratio (%) | Calculated RN | RN |
| 1 |  | 1,147,608 | 486,563 | 42.40 | 1.12 | 1 | |
| 2 |  | 1,155,128 | 216,955 | 18.78 | 2.18 | 2 | |
| 3 |  | 998,244 | 69,616 | 6.97 | 3.47 | 3 | |
| 4 |  | 988,400 | 47,429 | 4.80 | 3.96 | 4 | |
| 5 |  | 1,061,424 | 22,018 | 2.07 | 5.05 | 5 | |
| 6 |  | 985,536 | 8,816 | 0.89 | 6.15 | 6 | |
| 7z |  | 996,864 | 4,660 | 0.47 | 6.98 | 7 | |
| 9 |  | 999,696 | 811 | 0.08 | 9.29 | 9 | |
이때, 규격상 RN 7과 RN 8 등급은 동일한 표준도 영상을 공유하고 있다. 해당 영상에 대한 알고리즘 도출 값이 RN 7에 해당하였으므로 RN 8에 대한 분석을 제외하였다. 본 논문에서 도출된 데이터를 살펴보면, 최고 부식 단계인 RN 1에서 면적률 42.40%(산출된 RN 1.12), 중간 단계인 RN 5에서 면적률 2.07%(산출된 RN 5.05), 그리고 가장 미세한 단계인 RN 9에서 면적률 0.08%(산출된 RN 9.29)가 도출되었다. 이는 알고리즘이 산출한 수치가 규격이 정의하는 원본 등급과 유의미한 일관성을 보여주며, 제안한 알고리즘의 정량적 평가 도구로서의 적용 가능성을 확인해 준다. RN 4와 RN 7의 경우 각각 가장 가까운 정수인 4와 7으로 반올림하여 판정하였다.
이러한 검증 결과를 바탕으로 실제 NSS test를 거친 시편의 부식 면적률 및 RN 산출을 진행하였다. 부식 초기 단계인 24시간 및 48시간 경과 시편을 분석한 결과, 부식 픽셀이 전혀 검출되지 않아() 최종 부식 면적률 0%를 기록하였다. 부식 면적률이 0%인 경우에는 로그 연산이 불가한 점을 고려하여 최고 등급인 RN 10으로 판정하였다.
24시간, 48시간은 적청이 발생하지 않아, 본격적인 부식이 검출된 72시간, 96시간, 120시간 시편으로 한정하여, 시간 경과에 따른 각 시편의 유효 픽셀 수, 정량적 부식 면적률(%) 및 최종 판정 등급을 산정하여 Table 6에 요약하였다.
Table 6
Quantitative evaluation area ratio and RN for saddle clamp specimens by NSS test exposure time
표에 나타난 바와 같이, 적청이 최초로 식별된 72시간 시편은 전체 1,186,781 픽셀 중 1,149개의 부식 픽셀이 검출되어 0.10%의 부식 면적률을 기록하였으며, 환산식에 의해 도출된 RN은 9.00으로 나타났다. 이후 96시간 동안 염수에 노출된 단일 시편을 분석한 결과, 부식 픽셀은 24,234 개가 검출되었으며, 이에 따라 면적률은 2.00%, 산출된 RN은 5.10으로 나타났다. 최종적으로 120시간 경과 시편에서는 검출 픽셀 29,024개, 면적률 2.40%로 산출되며 계산된 RN이 4.85로 도출되었다.
이러한 시간에 따른 가속 부식 시편의 정량적 변화 추이는 Fig. 11을 통해 살펴볼 수 있다. 노출 시간별로 확보된 단일 시편의 측정 데이터를 살펴보면, 72시간 노출 시편과 비교하여 96시간 및 120시간 노출 시편에서 더 높은 부식 면적률이 관찰되었으며, 특히 120시간 시편은 96시간 시편 대비 지속적인 부식 면적 확대와 등급 저하 양상을 수치적으로 보여준다. 결론적으로 기존의 시각적 평가에 의존하던 방식과 달리, 제안된 영상 기반 부식 면적률(%) 데이터가 실제 시편의 물리적 부식 진행 및 등급 저하 양상을 반영할 수 있는 가능성을 확인하였다.
3. 제안 알고리즘의 유효성 및 한계 고찰
본 연구에서는 NSS test 환경에 노출된 온실 구조용 체결 부품의 부식 등급을 객관적으로 판정하기 위해, 영상 규격화, 영역 분할, 적청 검출, 정량 분석으로 구성된 4단계의 HSV 기반 색상 조건 및 BGR 배열 기반 Red 성분 우세 조건을 결합한 임계값 기반 영상처리 알고리즘을 적용하였다. 영상 전처리 및 영역 분할 단계에서는 OpenCV 처리 기준에 따라 4채널 BGRA 형식을 적용하고, Alpha 채널을 시편 영역 정의를 위한 이진 마스크로 활용하였다. 이를 통해 영상 내에서 실제 시편의 유효 표면만을 정밀하게 추출하였다.
제안된 알고리즘의 정량적 정확도를 확인하기 위해 RN 표준도를 대상으로 선행 검증을 수행하였다. 분석 결과, 알고리즘에 의해 산출된 부식 면적률과 로그 기반 환산 등급은 규격에서 정의하는 원본 등급과 일관된 경향성을 보였다. 이는 본 알고리즘이 픽셀 단위의 부식 밀도 변화를 추적할 수 있음을 확인하였으며, 기존 육안 평가가 지닌 주관적 편차를 줄이기 위한 보조 도구로서의 활용 잠재력을 보여준다.
이러한 검증 결과를 바탕으로 실제 NSS test 시편에 알고리즘을 적용한 결과, 부식 면적률이 72시간(0.10%), 96시간(2.00%), 120시간(2.40%)으로 증가함에 따라 산출된 RN 등급은 각각 9.00, 5.10, 4.85로 하락하는 양상을 확인하였으며, 영상 기반의 부식 면적률 데이터가 시편의 물리적 부식 상태를 일관되게 반영함을 확인하였다.
그러나 본 연구는 영상 처리 기반 적청 면적률 평가를 검토한 연구로서 몇 가지 한계점이 존재한다. 우선, 각 노출 시간 조건별 단일 시편(n=1)만을 대상으로 실험을 수행하여 거동의 경향성을 제시하기 어렵다는 한계가 있다. 시험편이 일반적인 온실 구조 부재에 대한 도금의 기준을 만족하는지 확인되지 않았으며, 금속의 부식 거동에 직접적인 영향을 미치는 요소인 시편의 구체적인 성분, 도금의 종류, 도금 두께 등을 명확히 규명하지 못하였다는 제약이 있어 향후 연구가 필요하다. 또한, RN 표준도를 이용한 선행 검증은 알고리즘의 픽셀 면적을 확인하는데 국한되었으며, 실제 시편에 적용된 적청 색상 검출 결과의 정확도를 객관적으로 교차 평가할 수 있는 독립적 검증 지표를 확보하지 못하였다. 연구에 적용된 고정 임계값 기반의 색상 분할 방식은 조명 밝기 및 카메라 설정 등 촬영 조건에 민감하게 영향을 받을 수 있다. 나아가 단일 시점의 2차원 영상 분석 특성상 입체적 곡면을 지닌 부품의 경우, 표면 난반사에 따른 부식 면적의 기하학적 왜곡을 완전히 배제하기 어렵다. 따라서 본 연구의 실험 결과를 온실 구조용 부품 전반의 일반적인 부식 특성으로 확장하여 일반화하기에는 어려움이 있다.
