주사전자현미경(SEM) 미세조직 이미지를 활용한 WC-Co 초경합금 조성 추론용 머신러닝 아키텍처의 비교평가

다국어 초록 (Multilingual Abstract)

This study compares CNN architectures for predicting the composition of WC–Co cemented carbides from SEM microstructure images. Because microstructural inhomogeneity formed during powder sintering can degrade mechanical performance, image-based composition assessment is important for quality and process control. Microstructure images of WC–Co with different Co contents were collected and converted into a trainable dataset through up-scaling, sliding-window cropping, rotation, and resizing. EfficientNet, ResNet, and MobileNet were applied to this dataset, and their classification performance was analyzed using accuracy, precision, recall, specificity, F1-score, and confusion matrices.
The results indicate that CNN-based classifiers can accurately predict WC–Co composition from SEM images, with EfficientNet achieving the most balanced overall metrics and confirming the feasibility of image-based, data-driven composition assessment.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 이론적 배경 4
• 2.1 초경합금과 미세조직 4
• 2.1.1 WC-Co 초경합금 4
• 2.2 머신러닝/딥러닝 응용 6
• 2.2.1 합성곱 신경망 9
• 2.2.2 전이학습과 미세조정 15
• 2.3 딥러닝 아키텍처 17
• 2.3.1 ResNet 19
• 2.3.2 MobileNet 24
• 2.3.3 EfficientNet 35
• 2.4 데이터 전처리 40
• 2.5 분류 및 회귀 모델링 이론 44
• 2.6 모델 성능 평가 지표 46
• 제3장 연구 방법 50
• 3.1 데이터 셋 및 실험 개요 50
• 3.1.1 WC-Co 시편 및 조성 범위 50
• 3.1.2 SEM 촬영 50
• 3.1.3 데이터 분할 51
• 3.2 데이터 전처리 및 증강 51
• 3.3 딥러닝 모델 구성 및 하이퍼파라미터 52
• 3.3.1 ResNet 52
• 3.3.2 MobileNet V2 55
• 3.3.3 EfficientNet 58
• 제4장 연구결과 및 고찰 61
• 4.1 조성 분류 결과 61
• 4.1.1 ResNet50 61
• 4.1.2 MobileNetV2 65
• 4.1.3 EfficientNetB0 70
• 4.2 조성 회귀 결과 73
• 4.2.1 EfficientNetB0 73
• 제5장 결론 75
• 참고 문헌 76
• Abstract 83
• 감사의 글 84