1. 서 론
2. 연구 방법
2.1 풍화등급 평가를 위한 색공간
2.2 연구 대상 및 데이터 구성
2.3 색공간별 색상분포 및 통계 특성 산출
2.4 색상특징 기반 SVM 모델
2.5 이미지 기반 딥러닝 모델과 확률 결합
2.6 분류성능 평가 및 모델 비교
3. 연구 결과
3.1 풍화등급에 따른 색상분포 특성
3.2 색상특징 기반 SVM 모델의 분류성능
3.3 이미지 기반 딥러닝 모델의 분류성능
4. 결 론
1. 서 론
암석과 암반의 풍화상태는 시추코어 검층과 현장 암반분류의 기초자료로 활용되며, 터널 및 암반구조물의 조사·설계에서 암질을 판단하는 주요 지표로 고려된다. 실무적으로 코어 검층에서의 풍화등급 판정은 상부 풍화단면의 하한 심도를 결정하고, 절리·파쇄대를 따라 심부에 국부적으로 발달한 풍화 구간을 식별하는 근거로 활용된다. 풍화가 진행되면 구성광물의 화학적 변질과 함께 미세균열 증가, 입자 간 결합력 저하, 조직 이완 및 표면 박리가 발생하며, 이는 암석의 강도와 변형특성, 공극 및 투수특성을 변화시키며 불연속면의 역학적 거동에도 영향을 미친다(Alavi Nezhad Khalil Abad et al., 2016). 풍화등급은 이와 같은 암질 저하 정도를 일정한 범주로 구분한 지표로서(Dearman et al., 1978), 실제 판정은 조사자가 코어의 색상, 조직, 입자 상태, 균열 발달 정도 및 강도를 종합적으로 관찰하는 방식으로 이루어진다. 그러나 이러한 판정은 조사자의 경험과 판단기준, 조명과 코어 표면의 건조·습윤 상태에 따라 달라질 수 있다. 특히 인접 등급에서는 변색과 조직 변화가 연속적으로 나타나므로 경계를 명확히 구분하기 어렵다. 따라서 육안 판정의 주관성을 보완하고 검층 결과의 일관성과 재현성을 확보하기 위한 정량자료가 요구된다.
암석 표면의 풍화상태는 이미지의 색상정보를 이용하여 정량화할 수 있다. 풍화가 진행되면 장석류의 변질과 철 함유 광물의 산화·수화에 의해 표면색이 황색 또는 적갈색 계열로 변화하며(Nagano and Nakashima, 1989), 이러한 변색은 RGB, HSV 및 CIELAB 색공간의 좌표와 분포로 수치화할 수 있다. Nagano and Nakashima(1989)는 화강암의 가시광 확산반사 분광 측정을 통해 풍화 진행 정도와 표면색 변화의 관계를 제시하였고, Yusoff et al.(2023)은 터널 막장면의 이미지 분석으로 화강암 풍화도를 정량화하여 암반분류에 적용하였으며, Mohamad Nasir and Misro(2024)는 암반 이미지를 CIELAB으로 변환한 뒤 a*와 b*를 군집화하여 풍화등급별 색상영역을 구분하였다. 또한, Nicolás-Sáenz et al.(2023)은 기존 색공간이 다중라벨 픽셀 분류에 적합하지 않은 점을 지적하고 색상분석과 픽셀 분류를 함께 수행할 수 있는 새로운 색공간을 제안하였다. 그러나 이미지의 색상값에는 고유색뿐만 아니라 조명, 노출 및 표면수분의 영향이 함께 반영되므로 촬영조건의 통제 또는 보정이 전제되어야 한다. 이와 관련하여 기준 색상표를 이용한 디지털 암석 사진의 색상보정 절차와 불규칙한 조명조건에서 촬영된 이미지의 색상보정 방법이 제시된 바 있으며(Potočnik et al., 2015; Baek et al., 2023), 색공간과 이미지 분석을 이용하여 암반 표면의 풍화영역을 구분하고 풍화도를 정량화하려는 시도가 지속되어 왔다.
한편 기계학습과 딥러닝을 이용하여 암석 이미지로부터 암종과 풍화등급을 직접 분류하려는 연구도 진행되어 왔다. Pham and Shin(2020)은 심층 합성곱 신경망을 암석 이미지에 적용하여 암종 자동분류의 적용 가능성을 검토하였고, Tse et al.(2025)은 검출 트랜스포머 기반 기법을 시추코어 이미지에 적용하여 암종과 풍화등급을 함께 분류하였다. 이들 딥러닝 연구는 색상을 별도의 변수로 분리하지 않고 이미지 전체에서 특징을 학습하므로 색상정보가 판정에 기여하는 정도를 직접 확인하기 어렵고, 반대로 색상분석 계열의 연구는 색상축별 기여를 명시적으로 다룰 수 있으나 변색부의 공간적 배치와 조직정보를 반영하기 어렵다. 이와 같이 두 계열은 동일한 RGB 영상에서 서로 다른 표현방식과 분석단위를 사용하지만, 국내 화강암 시추코어를 대상으로 동일한 평가단위와 자료분할 조건에서 두 계열을 비교하고 색상정보의 추가 기여를 검토한 연구는 제한적이다.
본 연구에서는 국내 화강암 시추코어 이미지를 대상으로 건조·습윤 상태와 조도조건에 따른 RGB, HSV 및 CIELAB 색상분포를 분석하고, 색상특징 기반 SVM과 RGB 타일 기반 ResNet-18 모델의 분류성능을 비교하였다. 동일 물리 코어의 반복촬영 이미지가 서로 다른 자료군에 포함되지 않도록 물리 코어 단위로 학습·검증·시험자료를 분할하였다. 또한 이미지의 국부적 변색과 조직 특성을 반영하기 위해 타일 수준 예측을 물리 코어 단위로 통합하였다. R1의 코어 단위 예측확률과 색상특징 SVM의 예측확률을 결합한 R2를 구성하고, RGB·HSV 특징만을 사용하는 S1 결합을 대조조건으로 비교 실험하여 S2의 CIELAB 기반 특징 결합에 따른 성능변화를 검토하였다.
2. 연구 방법
2.1 풍화등급 평가를 위한 색공간
본 연구에서는 화강암 시추코어의 풍화에 따른 표면색 변화를 정량적으로 분석하기 위하여 RGB, HSV 및 CIELAB 색공간을 활용하였다(Fig. 1). RGB (Red, Green, Blue) 색공간은 디지털 이미지 처리에서 가장 기본적으로 사용되는 색 표현 체계로, 빨간색(R), 초록색(G), 파란색(B)의 3가지 기본 색의 조합으로 모든 색을 표현한다. 각 색상 성분은 일반적으로 0~255 범위의 정수 값으로 나타나며, 세 값의 조합에 따라 하나의 픽셀 색상이 결정된다. 예를 들어, (255, 0, 0)은 순수한 빨간색을, (255, 255, 255)는 흰색을 의미한다. HSV는 색상을 인간의 시각적 인지 방식에 가깝게 표현하는 색상 모델로, Hue(색조), Saturation(채도), Value(명도)의 세 가지 구성 요소로 이루어진다. 색조는 빨강, 파랑, 노랑과 같은 색의 종류를 나타내며 0°에서 360°까지의 각도로 표현되고, 채도는 색의 선명도, 명도는 밝기를 의미한다. 마지막으로 CIELAB 색공간은 국제조명위원회(CIE)에서 제안한 색 표현 체계로, 인간의 시각적 인지 방식과 유사하게 색을 수학적으로 표현할 수 있는 모델이다. 세 가지 축으로 구성되며, L*는 밝기(Lightness), a*는 적-녹(Red-Green) 축, b*는 황-청(Yellow-Blue) 축을 나타낸다. CIELAB은 지각적 균등성을 고려한 좌표계이므로, 촬영조건과 색상변환 절차가 표준화된 경우 미세한 표면색 차이를 정량적으로 비교하는 데 유용하다.
2.2 연구 대상 및 데이터 구성
암종에 따라 광물조성, 바탕색 및 풍화에 따른 변색 양상이 다르므로 서로 다른 암종을 동일한 색상 기준으로 평가하기는 어렵다. 이에 본 연구에서는 분석 대상을 국내 화강암 시추 코어로 한정하였다. 화강암은 석영과 장석류를 주성분으로 하며, 풍화가 진행됨에 따라 장석류의 변질과 철 함유 광물의 산화 및 수화로 황색, 적색 및 갈색 계열의 변색이 나타난다. 이러한 특성을 고려하여 RGB와 HSV의 색상 성분을 함께 분석하였으며, CIELAB 색공간에서는 적색–녹색 축을 나타내는 a*, 황색–청색 축을 나타내는 b* 및 색도 C*ab를 주요 변수로 사용하였다. 따라서 본 연구의 색상분석 및 분류결과는 화강암 자료에 한정되며, 광물조성과 바탕색이 다른 암종에 적용하기 위해서는 별도의 검증이 필요하다.
본 연구의 원자료는 AI-Hub에서 공개한 기반암 시추 시료를 이용한 암반 등급 분류 데이터로(AI-Hub, 2024), 화강암 시추코어의 표면 코어 이미지와 JSON 형식의 라벨정보로 구성된다. 풍화등급은 JSON 파일의 rw 항목을 기준으로 설정하였으며, 코어 이미지 촬영에는 Sony ILCE-6400 카메라가 사용되었다. 촬영조건은 ISO 500과 조리개 f/8로 설정되었으며, 조도는 4,500, 8,000 및 13,000 lux의 세 단계로 구분되었다. 코어 표면은 건조 및 습윤 상태에서 각각 촬영되었으므로, 하나의 물리 코어에서 최대 6장의 조건별 반복 코어 이미지가 생성되었다. 원자료의 촬영조건과 본 연구에서 적용한 분석조건은 Table 1에 정리하였다. 또한 타일 품질관리 임계값은 배경, 그림자 및 과노출 영역이 분석결과에 미치는 영향을 줄이기 위해 설정하였다.
Table 1.
Image acquisition and analysis conditions
본 연구의 자료는 용도에 따라 두 단계로 구분하였다. 색상분석에는 동일한 물리 코어를 건조·습윤의 두 가지 표면 상태와 4,500, 8,000 및 13,000 lux의 세 가지 조도 조건에서 반복 촬영하여 생성한 전체 182,624장의 이미지를 사용하였다. 해당 자료는 촬영 조건과 풍화등급에 따른 색상분포를 기술통계적으로 해석하는 데에만 활용하였다. 분류실험에는 이 가운데 이미지와 JSON 라벨 간 대응 관계가 확인되고, 단일 등급 또는 재판정을 통해 D5로 확정된 물리 코어 2,297개를 선별하여 해당 코어에서 촬영된 코어 이미지 8,057장을 사용하였다. 즉, 분류실험 자료는 색상분석 자료와 동일한 원자료에서 선별된 것이며, 코어당 이미지 수는 촬영 조건의 가용성에 따라 최대 6장, 평균 3.5장이었다. 동일한 물리 코어에서 파생된 반복 이미지는 서로 독립된 물리 표본으로 간주하지 않았으며, 색상분석 결과를 분류모델의 학습 입력으로 직접 사용하지 않았다
원자료의 rock_depth 메타데이터는 동일한 물리 코어의 반복 촬영값을 코어별 중앙값으로 통합하였다. 그 결과 분류실험에 사용한 2,297개 물리 코어의 심도 범위는 1.0–168.5 m이고 전체 중앙값은 41.5 m였다. 등급별 심도 중앙값은 D1 63.0 m, D2 42.7 m, D3 36.3 m, D4 26.6 m 및 D5 27.5 m로, 전반적으로 풍화가 진행된 등급이 더 얕은 심도에 분포하는 경향을 보였다. 다만 본 연구에서는 심도정보를 모델 입력, 자료 분할 또는 판정 보정에 사용하지 않았으며, 이미지와 심도정보의 결합 및 시추공 단위 독립 검증은 향후 과제로 남겨두었다.
풍화라벨별 자료 구성은 Table 2에 제시하였다. 하나의 풍화등급만 기록된 단일 등급 자료는 68,040장으로 전체의 37.26%를 차지하였으며, 두 개 또는 세 개의 풍화등급이 함께 기록된 구간형 자료는 114,584장으로 62.74%를 차지하였다. 단일 등급 자료는 풍화등급별 색상특성을 분석하는 데 사용하였고, 구간형 자료는 인접한 풍화등급의 특성이 공존하는 색상 전이와 코어 표면의 불균질성을 확인하기 위한 보조자료로 활용하였다.
Table 2.
Distribution of weathering labels in the granite acquisition images
이중 구간 및 삼중 구간 자료는 하나의 물리 코어에서 인접한 두 개 또는 세 개 풍화등급의 특성이 함께 나타나거나, 등급 간 연속적인 중간 상태가 관찰되는 자료이다. 이러한 자료를 하나의 대표 등급 또는 별도의 중간 등급으로 환산할 경우 원래의 풍화 상태가 왜곡될 수 있으므로, 본 연구에서는 원자료의 구간형 라벨을 그대로 유지하였다. 따라서 해당 자료는 단일 등급의 대표 색상범위 산정과 분류실험에서 제외하였으며, 등급 경계에서 나타나는 색상 전이와 코어 표면의 불균질성을 확인하기 위한 보조자료로만 활용하였다.
Table 3은 건조 상태 및 8,000 lux 조건에서 촬영된 화강암 코어의 표면 이미지를 전문가가 육안으로 판정한 D1–D5 단일 등급 라벨에 따라 제시한 것이다. 코어의 표면색은 대체로 D1–D2의 회백색 계열에서 D3의 부분적인 황색·갈색 변색을 거쳐 D4–D5의 뚜렷한 황갈색·적갈색 계열로 변화하는 경향을 보였다. 그러나 동일한 코어에서도 신선한 광물 영역과 변색 또는 파쇄된 영역이 국소적으로 공존하므로, 인접한 풍화등급 간에는 색상분포가 중첩될 수 있다. 이러한 표면 불균질성은 코어 전체의 색상특성을 하나의 평균값이나 중앙값으로 요약할 경우 충분히 반영되기 어렵다. 이에 본 연구에서는 국소적인 색상 및 표면 특성을 반영하기 위해 코어 이미지를 타일 단위로 분석한 후, 타일별 분석결과를 코어 단위로 통합하였다.
Table 4는 동일한 조건에서 촬영된 이중 구간 및 삼중 구간 화강암 코어의 표면을 나타낸다. 이들 자료는 하나의 단일 풍화등급으로 판정하기 어렵거나, 하나의 코어 내에 서로 다른 풍화 구간이 혼재된 사례에 해당한다. 원칙적으로 구간형 자료는 특정 단일 등급으로 임의 변환하지 않고 분류실험에서 제외하였다. 다만 단일 등급 D5 코어 수가 매우 적어 학습자료의 불균형이 큰 점을 고려하여, 구간형 자료 가운데 D4–D5 구간에 한하여 전문가가 표면 전반을 재판정하고 D5에 가까운 것으로 확인된 코어에만 운영 라벨 D5를 부여하였다. 삼중 구간 자료와 D4–D5 이외의 구간형 자료는 재판정 대상에서 제외하였으며, 화강암과 외관이 유사한 다른 암종의 고풍화 코어를 추가하는 대신 동일한 화강암 자료 내에서만 후보를 선별함으로써 암종 차이에 따른 색상 및 조직 특성의 혼입을 줄이고자 하였다. 그 결과 시험 물리 코어 347개는 단일 등급 코어 318개와 재판정 코어 29개로 구성되며, 시험자료의 D5 표본 39개는 단일 등급 D5 코어 10개와 재판정 D5 코어 29개의 합이다. 따라서 이하에서 D5로 표기한 등급은 단일 등급 D5와 재판정 D5를 함께 포함하는 운영 라벨을 의미한다.
기계학습 및 딥러닝 분류실험에는 원본 이미지와 JSON 라벨의 대응 관계를 점검하여 구축한 분류자료를 사용하였다. 자료증강 이전의 코어 이미지는 8,057장이며, 이에 대응하는 물리 코어는 2,297개이다. 동일한 물리 코어를 건조·습윤 상태와 서로 다른 조도 조건에서 반복 촬영한 이미지는 하나의 코어 식별자로 관리하였다. 자료는 물리 코어를 기준으로 학습 1,599개, 검증 351개 및 시험 347개로 분할하였으며, 동일한 코어에서 파생된 모든 이미지는 하나의 자료군에만 배정하여 자료군 간 정보 중복을 방지하였다.
Table 4.
Representative granite core surfaces for multi-grade weathering labels
| Label range | Core surface |
| D1-D2 |  |
| D2-D3 |  |
| D3-D4 |  |
| D4-D5 |  |
| D1-D3 |  |
| D2-D4 |  |
| D3-D5 |  |
Table 5에는 학습·검증·시험 자료군별 물리 코어 수와 자료증강 이전의 코어 이미지 수를 제시하였다. 각 자료군의 비율은 이미지 수가 아닌 물리 코어 수를 기준으로 산정하였으며, 반복 촬영 조건에 따라 하나의 물리 코어에서 여러 장의 이미지가 생성되므로 이미지 수와 물리 코어 수를 구분하여 관리하였다.
Table 5.
Composition of the training, validation, and test datasets
| Dataset | Physical cores | Natural images | Share of physical cores (%) |
| Training | 1,599 | 5,656 | 69.61 |
| Validation | 351 | 1,211 | 15.28 |
| Test | 347 | 1,190 | 15.11 |
| Total | 2,297 | 8,057 | 100.00 |
Table 6은 분류실험에 사용한 D1–D5 물리 코어의 자료군별 분포를 나타낸다. 표에 제시된 수치는 촬영 이미지 수나 타일 수가 아닌 물리 코어 수를 기준으로 산정한 값이다. 코어 이미지는 가로 방향으로 길기 때문에 전체 이미지를 정사각형 입력 크기로 축소할 경우 색상, 균열 및 조직 정보가 압축되어 손실될 수 있다. 또한 하나의 코어에서도 위치에 따라 풍화 상태가 다르게 나타날 수 있으므로, 국소 영역의 특징을 타일 단위로 학습한 후 각 타일의 예측 결과를 물리 코어 단위로 통합하여 최종 풍화등급을 평가하였다.
Table 6.
Physical-core distribution by weathering grade and dataset split
| Dataset | D1 | D2 | D3 | D4 | D5 | Total |
| Training | 403 | 410 | 379 | 234 | 173 | 1,599 |
| Validation | 86 | 87 | 85 | 52 | 41 | 351 |
| Test | 90 | 84 | 83 | 51 | 39 | 347 |
| Total | 579 | 581 | 547 | 337 | 253 | 2,297 |
딥러닝 모델 학습을 위해 각 코어 이미지의 세로 방향 중앙부에서 수평 방향으로 한 줄의 타일을 추출하고, 이를 256 × 256픽셀 크기로 분할하였다. 생성된 256 × 256픽셀 타일은 전처리 과정에서 224 × 224픽셀 크기로 조정하여 모델 학습에 사용하였다. 타일의 이동 간격은 타일 크기와 동일한 256픽셀로 설정하였으므로, 이미지 중앙의 정규 구간에서는 인접한 타일이 서로 중첩되지 않는다. 다만 코어 이미지의 가로 길이가 256의 배수가 아닌 경우 오른쪽 끝에 256픽셀에 미치지 못하는 잔여 영역이 남으므로, 해당 영역이 분석에서 제외되지 않도록 이미지의 오른쪽 경계에 맞추어 마지막 타일을 하나 추가하였다. 이 마지막 타일만 바로 앞의 타일과 중첩되며, 중첩 폭은 잔여 영역의 크기에 따라 0~255픽셀 사이에서 결정된다. 따라서 중첩은 코어 이미지당 최대 1회로, 오른쪽 경계에 한정된다. 타일 내 검은색 영역의 비율이 0.10을 초과하거나 흰색 영역의 비율이 0.08을 초과하는 경우에는 배경, 그림자 또는 과노출의 영향이 큰 것으로 판단하여 분석에서 제외하였으며, 품질 기준을 통과한 타일은 77,756개이다. 동일한 물리 코어에서 생성된 타일은 서로 독립된 물리 표본으로 간주하지 않고 동일한 코어 식별자로 묶어 하나의 자료군에만 배정하였다. 물리 코어 단위의 자료 분할, 타일 생성, 품질관리 및 코어 단위 예측 통합 과정은 Fig. 2에 제시하였다.
2.3 색공간별 색상분포 및 통계 특성 산출
본 연구에서는 화강암 시추코어의 풍화에 따른 색상 변화를 정량화하고, 후속 분류모델에 포함할 색상축과 분포통계량의 선정 근거를 마련하기 위해 코어 이미지의 색상분포를 분석하였다. 동일한 물리 코어에서 건조·습윤 상태와 세 가지 조도 조건으로 촬영된 이미지를 함께 관리하였으며, 촬영 조건별 색상 변화와 풍화등급 간 분포 차이를 비교하였다. 이 분석은 색상축별 수치 가중치를 산정하는 절차가 아니라, a*, b* 및 C*ab와 분위수·IQR 기반 파생특징을 S2의 입력특징으로 채택한 근거를 마련하고 그 결과를 해석하기 위한 것이다. 원본 RGB 이미지는 HSV 및 CIELAB 색공간으로 변환하였다. MATLAB에서는 imread, rgb2hsv 및 rgb2lab 함수를 사용하였으며, Python에서는 OpenCV의 cv2.imread와 cv2.cvtColor 함수를 사용하였다. OpenCV로 이미지를 불러올 때 적용되는 BGR 채널 순서는 RGB 순서로 변환한 후 분석하였다. CIELAB의 색도 C*ab는 a*와 b*를 이용하여 식 (1)과 같이 산정하였다.
각 색상 성분에 대해 평균과 p05, p25, p50, p75 및 p95를 산정하였다. 평균은 전체적인 색상 수준을 나타내지만, 그림자, 반사, 표면 오염 및 국부적인 산화 영역과 같은 극단값의 영향을 받을 수 있다. 이에 색상분포의 중심은 p50으로 나타내고, 밝은 영역과 짙은 변색 영역의 특성은 각각 p05와 p95를 이용하여 분석하였다. 또한 사분위 범위(interquartile range, IQR)는 식 (2)와 같이 p75와 p25의 차이로 산정하였다.
IQR은 극단값의 영향을 상대적으로 적게 받으면서 색상분포 중앙 50%의 변동 범위를 나타낸다. 화강암 코어에서는 신선한 광물 영역과 황색·갈색의 변색 영역이 국소적으로 공존하므로, p50이 유사하더라도 표면의 불균질성은 다르게 나타날 수 있다. 따라서 IQR은 코어 표면의 색상 불균질성과 등급 내 변동성을 정량화하고, 평균이나 중앙값만으로 구분하기 어려운 인접 풍화등급 간 분포 차이를 보완하기 위한 지표로 사용하였다.
이미지에서 산출된 색상값에는 조도, 색온도, 화이트밸런스, 노출 및 표면의 건조·습윤 상태가 함께 반영될 수 있다. 따라서 색상값은 암석의 절대적인 색상이 아니라 구분된 촬영 조건에서 풍화등급별 상대적 색상분포를 비교하기 위한 지표로 해석하였다. 색상 공간별 분위수와 IQR은 풍화등급과의 관련성 및 등급 간 분리 정도를 기준으로 평가하였으며, 그 결과를 S1과 S2의 입력특징 구성 및 결과 해석에 활용하였다.
2.4 색상특징 기반 SVM 모델
색상 특징 기반 분류모델은 S1과 S2로 구성하였다. 두 모델에는 방사기저함수(radial basis function, RBF) 커널 기반의 서포트 벡터 머신(support vector machine, SVM)을 적용하였다(Cortes and Vapnik, 1995). S1은 RGB 및 HSV 색상 특징만을 사용하는 기준모델이며, S2는 여기에 CIELAB 색상 특징과 적색·갈색 관련 파생 특징을 추가한 확장모델이다. 이러한 구성은 일반적인 디지털 이미지 색상 정보만으로 풍화등급을 어느 정도 구분할 수 있는지 확인하고, 풍화에 따른 황색·적갈색 변색을 보다 직접적으로 표현하는 CIELAB 정보가 추가적인 분류 정보를 제공하는지를 비교하기 위해 설정하였다. 두 모델에는 동일한 물리 코어 분할 자료와 학습 조건을 적용하여 입력 특징 구성에 따른 차이를 중심으로 평가하였다.
S1의 이미지 단위 입력 특징은 RGB 및 HSV 성분의 p05, p50, p95 및 IQR을 기본으로 하며, R/B와 R/G 채널비, R·G·B 정규화 비율 및 저·중·고 명도 구간의 픽셀 점유율을 포함한 총 28개로 구성하였다. p50은 이미지의 대표적인 색상 수준을 나타내지만, 화강암 코어 표면에는 신선한 광물 영역과 국부적인 산화·변색 영역이 함께 나타나므로 하나의 중심값만으로는 표면 상태를 충분히 설명하기 어렵다. 이에 p05와 p95를 이용하여 저색상 및 고색상 영역을 반영하고, IQR을 이용하여 극단값의 영향을 상대적으로 줄이면서 색상분포 중앙부의 변동 범위를 나타내었다. 채널비와 명도 구간 점유율은 전체 밝기의 차이와 상대적인 적색 성분의 변화를 보완적으로 표현하기 위해 추가하였다.
S2는 S1의 특징에 a*, b* 및 C*ab의 p05, p50, p95와 IQR, 그리고 적색·황색·갈색 관련 파생 특징을 추가하여 이미지당 총 43개 특징으로 구성하였다. a*와 b*는 각각 적색 및 황색 방향의 변화를 나타내고, C*ab는 색도의 크기를 나타내므로 화강암의 풍화 과정에서 발생하는 황색화와 적갈색화를 정량적으로 표현할 수 있다. 적색·황색·갈색 관련 파생특징에 포함된 고정계수는 각 파생변수를 정의하기 위한 계산계수이며, 학습과정에서 색상축별 중요도를 조정한 가중치나 R2의 모델 간 결합계수 α와는 다른 개념이다. 따라서 S2는 단순히 특징 수를 늘리기 위한 모델이 아니라, RGB와 HSV만으로 충분히 표현되지 않을 수 있는 풍화 변색 정보가 분류성능에 기여하는지를 검토하기 위한 모델로 구성하였다.
각 이미지에서 산정한 특징은 물리 코어별로 묶은 후 코어 내 평균과 표본표준편차로 집계하였다. 평균은 여러 촬영 조건에서 공통으로 나타나는 중심 경향을, 표준편차는 건조·습윤 및 조도 조건에 따른 변동성을 나타낸다. 이에 따라 최종 입력 특징은 S1 56개, S2 86개가 되었다. 이러한 집계는 동일한 코어에서 반복 촬영된 이미지를 서로 독립된 표본으로 과대평가하지 않고, 실제 풍화등급 판정 단위인 물리 코어 수준에서 모델을 학습하기 위해 적용하였다.
입력 특징은 채널비, 픽셀 점유율 및 색공간별 통계량처럼 단위와 범위가 서로 다르므로, 특정 특징이 RBF 커널의 거리 계산에 과도하게 반영되는 것을 줄이기 위해 StandardScaler로 표준화하였다. 스케일러는 학습자료에서만 적합하고, 동일한 변환을 검증 및 시험자료에 적용하였다. 색상분포와 풍화등급 사이에는 단순한 선형관계뿐 아니라 인접 등급의 중첩과 비선형 경계가 존재할 수 있으므로 RBF 커널을 사용하였다.
규제상수는 두 모델의 고정 비교 조건으로 C=10을 적용하였으며, 이를 별도의 최적화 결과로 해석하지 않았다. 커널 폭은 gamma="scale"로 설정하여 각 모델의 표준화된 학습자료와 특징 수를 기준으로 자동 산정되도록 하였다. 따라서 S1과 S2에는 동일한 산정 규칙이 적용되지만, 특징 수가 서로 다르므로 실제 γ 값은 동일하지 않다. 등급별 가중치는 적용하지 않아 본 비교에서는 클래스 가중치의 영향보다 입력 특징 구성의 차이를 우선적으로 확인하였다. 이는 최적 성능을 탐색하기 위한 설정이라기보다, RGB·HSV 특징에 CIELAB 기반 변색 정보를 추가했을 때의 상대적인 변화를 통제된 조건에서 검토하기 위한 설계이다.
2.5 이미지 기반 딥러닝 모델과 확률 결합
본 연구에서는 시추코어 이미지로부터 D1–D5 풍화등급을 분류하기 위해 R1과 R2를 구성하였다. R1은 RGB 타일만을 입력으로 사용하는 ResNet-18 기준모델이며, R2는 R1의 물리 코어 단위 예측확률과 색상 특징 기반 SVM의 예측확률을 가중 결합한 확률 후단결합 모델이다(Fig. 3).
R1에는 각 코어 이미지에서 추출한 256 × 256픽셀 타일을 사용하였다. 각 타일의 중앙 224 × 224픽셀 영역을 잘라내어 ImageNet-1K V1 가중치로 사전학습된 ResNet-18에 입력하였다(He et al., 2016). 픽셀값은 ImageNet 통계로 정규화하였으며, 학습·검증·시험자료에 동일한 전처리를 적용하였다. 최종 완전연결층은 D1–D5의 다섯 등급을 출력하도록 변경하였다. 타일별 예측확률은 물리 코어별로 산술평균하여 코어 단위 예측확률을 산정하였다. 풍화 판정에 필요한 원래의 색상정보를 유지하기 위해 별도의 색상변환이나 자료증강은 적용하지 않았다.
R1은 AdamW optimizer를 사용하여 최대 100 epoch까지 학습하였다. ResNet-18 backbone과 최종 분류층의 초기 학습률은 각각 4 × 10-5와 4 × 10-4로 설정하였으며, weight decay는 1 × 10-3으로 적용하였다. 학습률은 100 epoch 주기의 cosine annealing scheduler를 이용하여 최소 1 × 10-7까지 감소시켰고, gradient의 L2 norm은 최대 1.0으로 제한하였다. 매 epoch에서 타일별 예측확률을 물리 코어 단위로 통합하여 검증 Macro-F1을 산정하였으며, 이전 최고값을 초과한 경우에만 checkpoint를 저장하였다. 최종적으로 검증 Macro-F1이 0.7706으로 가장 높았던 epoch 35의 가중치를 R1의 최종 checkpoint로 선택하였다.
손실함수에는 학습 타일 수의 역비율을 평균 1이 되도록 정규화한 클래스 가중 Cross-Entropy loss를 적용하였다. 등급 g의 손실 가중치 wg는 전체 학습 타일 수 N과 해당 등급의 학습 타일 수 ng를 이용하여 식 (3)과 같이 산정하였다.
산정된 손실 가중치는 D1=0.826714, D2=0.899303, D3=0.930678, D4=0.866730 및 D5=1.476574였다. 가중치의 범위는 0.05–5.0으로 제한하였으나, 이번 학습에서는 어느 등급에도 상한값이 적용되지 않았다.
클래스 가중 손실과 별도로 weighted random sampling을 적용하여 물리 코어별 타일 수와 등급별 물리 코어 수의 차이를 보정하였다. 물리 코어 i에서 생성된 타일의 표본 가중치 si는 식 (4)와 같이 산정하였다.
여기서 ti는 물리 코어 i에서 생성된 타일 수, cgi는 해당 코어가 속한 등급의 물리 코어 수이며, fi는 표본 가중계수이다. 클래스 가중 Cross-Entropy loss는 등급별 학습 타일 수의 불균형을 보정하고, weighted random sampling은 코어별 타일 수와 등급별 코어 수의 차이를 보정하도록 구성하였다.
R2는 새로운 신경망을 추가로 학습하지 않는다. R1의 물리 코어 단위 예측확률 PR1과 색상 특징 기반 SVM의 예측확률 PS2를 식 (5)와 같이 선형 결합한 후, 가장 높은 확률을 갖는 등급을 최종 예측등급으로 결정하였다.
여기서 α는 S2 예측확률의 반영 비율이다. 이 구성은 R1이 RGB 타일로부터 학습한 국소적인 색상·조직·공간 정보와 S2가 코어 이미지 전체에서 산정한 전역 색상분포 정보가 서로 다른 오분류 사례를 보완할 수 있는지를 평가하기 위한 것이다. R2는 독립적으로 학습되는 신경망이 아니므로 optimizer, 손실함수, learning-rate scheduler 및 checkpoint는 R1에만 적용하였으며, R2에서는 검증자료를 이용하여 결합계수 α만 선택하였다.
결합에 사용한 SVM은 2.4절과 동일한 특징 구성과 규제상수를 유지하되, 클래스별 예측확률을 산출하기 위해 Platt 보정(Platt, 1999)을 적용하여 재적합하였다. 재적합 모델의 경성 판정 기준 시험 정확도는 S1 61.67%, S2 58.79%로 산정되었다. 다만 확률 보정 이후 최대 예측확률에 따른 판정은 원래의 경성 판정과 일부 다를 수 있으므로, 결합에는 보정된 클래스별 예측확률을 사용하였다.
CIELAB 기반 특징이 포함된 S2 결합의 추가 효과를 확인하기 위해 RGB·HSV 특징만을 사용하는 S1 결합을 대조조건으로 설정하였다. R1+S1은 식 (5)의 PS2 대신 PS1을 사용한 결합조건이며, R1과 S2를 결합한 모델을 R2로 정의하였다. 두 조건에는 동일한 α 탐색 범위와 선택 기준을 적용하였다. 따라서 R1+S1은 CIELAB 특징 없이 서로 다른 분류기 계열을 결합한 효과를 확인하기 위한 대조조건이며, R1+S2와의 비교를 통해 CIELAB 기반 특징의 추가 기여를 검토하였다.
R1과 결합에 사용한 SVM은 동일한 8,057장의 코어 이미지와 동일한 물리 코어 분할자료를 사용하였다. 동일한 물리 코어에서 생성된 이미지와 타일은 하나의 자료군에만 배정하였으며, 모든 모델에서 동일한 학습·검증·시험 분할과 물리 코어 단위 평가방법을 유지하였다. 시험자료는 모델 구조, R1 checkpoint 및 결합계수 α의 선택에 사용하지 않았으며, 모델 구성과 분석계획을 고정한 후 최종 예측성능과 사전에 정의한 민감도 분석에만 사용하였다.
Table 7은 두 모델의 입력정보와 구성을 비교한 것이다. R1은 RGB 타일의 공간·조직 정보를 학습하는 ResNet-18 기준모델이며, R2는 R1과 색상 특징 기반 SVM의 코어 예측확률을 결합한 융합모델이다. 이를 통해 기계학습과 딥러닝의 상보적 결합 효과와 S2에 포함된 CIELAB 색상정보의 추가 효과를 평가하였다.
Table 7.
Inputs and configurations of the R1 and R2 classification models
Table 8은 R1과 R2의 입력정보, 전처리 및 결합방식을 비교한 것이다. R2는 별도의 신경망을 추가하거나 R1의 구조를 변경하지 않고, R1과 색상 특징 기반 SVM의 코어 단위 예측확률을 결합한다. 따라서 두 모델의 차이는 색상 특징 모델의 적용 여부와 결합계수 α에 따른 반영 비율에 있다.
Table 8.
Input and model configurations of the R1 and R2 classifiers
Table 9는 R1에 적용한 주요 학습조건과 설정 근거를 정리한 것이다. 사전학습 가중치의 급격한 변화를 줄이면서 새 분류층을 충분히 학습하기 위해 기반 신경망보다 분류층에 높은 학습률을 적용하였고, 과적합과 클래스 불균형을 완화하기 위해 weight decay와 상한이 설정된 클래스 가중치를 사용하였다. 또한 GPU 메모리 조건과 관계없이 유효 배치 크기를 일정하게 유지하였으며, 풍화 판정에 필요한 원래의 색상정보를 보존하기 위해 자료증강은 적용하지 않았다.
Table 9.
Training settings for the R1 RGB baseline model
2.6 분류성능 평가 및 모델 비교
본 연구에서는 S1, S2, R1 및 R2의 분류성능을 공통 시험자료인 물리 코어 347개를 기준으로 평가하였다. CIELAB 특징의 효과와 단순한 분류기 결합 효과를 구분하기 위해 R1과 S1을 결합한 조건도 대조조건으로 추가하였다. 동일한 물리 코어에서 생성된 반복 이미지와 타일은 독립된 표본으로 간주하지 않고 하나의 그룹으로 관리하였으며, 최종 성능은 모두 물리 코어 단위로 산정하였다.
전체 성능은 Accuracy, Balanced Accuracy, Macro-F1 및 Weighted-F1로 평가하고, 등급별 Precision, Recall, F1 및 혼동행렬을 함께 제시하였다. Accuracy와 Weighted-F1은 전체 예측성능을 나타내지만 등급별 표본 수의 영향을 받을 수 있으므로, 각 등급을 동일한 비중으로 반영하는 Balanced Accuracy와 Macro-F1을 함께 사용하였다. 특히 Macro-F1은 소수 등급을 포함한 균형 성능을 판단하는 주요 지표로 적용하였다.
풍화등급은 D1–D5의 순서형 범주이므로, D5를 D4로 판정한 경우와 D1로 판정한 경우의 오류 심각도는 다르다. 이를 반영하기 위해 Cohen’s kappa(Cohen, 1960)와 quadratic weighted kappa(QWK; Cohen, 1968)를 산정하였다. 또한 실제 등급과 예측 등급의 차이가 한 단계 이내인 비율을 ±1등급 정확도로, 두 단계 이상 차이가 발생한 비율을 2등급 이상 오류율로 정의하여 인접 등급 오차와 원거리 오분류를 구분하였다.
S1과 S2는 전역 색상분포의 통계 특징을 이용하는 SVM 모델이며, S1은 RGB·HSV 특징을, S2는 여기에 CIELAB 관련 특징을 추가하였다. R1은 RGB 타일에서 색상·조직·공간정보를 학습하는 ResNet-18 모델이고, R2는 R1과 S2의 코어 단위 예측확률을 결합한 확률 수준의 후단 결합모델이다. SVM 단독 조건에서는 S2의 성능 향상이 일관되게 나타나지 않았으나, SVM은 색상축별 특징을 명시적으로 반영할 수 있다. 반면 ResNet-18은 RGB 이미지에서 색상정보를 이미 학습하므로 CIELAB 정보를 내부에 직접 추가할 경우 정보가 중복될 수 있으며, 보완실험에서도 성능 향상은 제한적이었다. 이에 R1의 구조는 유지하고, SVM의 전역 색상분포 정보와 R1의 국소 정보를 예측확률 수준에서 결합하였다.
결합에는 Platt 보정으로 산정한 SVM의 클래스별 예측확률을 사용하였다. R1+S1은 단순한 분류기 결합 효과를 확인하기 위한 대조조건이며, R1+S2는 CIELAB 특징을 포함한 결합모델로서 R2로 정의하였다. 결합계수 α는 SVM 예측확률의 반영 비율을 의미하며, 0.00–0.50 범위에서 0.01 간격으로 탐색하여 검증 코어 351개의 Macro-F1이 최대가 되는 값을 선택하였다. α=0은 R1만 사용하는 조건이며, SVM이 최종 판정을 지배하지 않도록 탐색범위는 0.50 이하로 제한하였다. 선택된 α는 R1+S1에서 0.03, R1+S2에서 0.42였다. R1의 최종 체크포인트와 α는 모두 검증자료만으로 결정하였으며, 시험자료는 선택 과정에 사용하지 않고 최종 성능평가에만 사용하였다. 모델 간 성능 차이는 물리 코어 단위 부트스트랩으로 확인하였으며, 그 절차는 Efron and Tibshirani(1993)을 참고하였다.
3. 연구 결과
3.1 풍화등급에 따른 색상분포 특성
풍화등급에 따른 색상 변화를 분석하고 분류모델에 적용할 색상축과 분포통계량 선정의 근거를 마련하기 위해, 건조·습윤 상태와 세 가지 조도 조건에서 촬영된 화강암 코어 이미지 182,624장을 분석하였다. 동일한 물리 코어에서 촬영 조건을 달리하여 생성된 이미지는 독립된 물리 표본으로 간주하지 않았으며, 촬영 조건별 색상 변동과 풍화등급에 따른 RGB, HSV 및 CIELAB 분포의 변화 방향을 확인하는 데 활용하였다. 등급별 대표 색상분포는 D1–D5 단일 등급 자료를 기준으로 산정하였고, 이중 구간과 삼중 구간 자료는 인접 등급 간 색상 중첩과 표면 불균질성을 확인하기 위한 보조자료로 사용하였다.
Table 10은 풍화등급별 a*, b* 및 C*ab의 p05, p50 및 p95를 나타낸다. p50은 색상분포의 중심을 나타내며, p05와 p95는 각각 분포의 하위 및 상위 범위를 나타낸다. a*의 p50은 D1의 −2.85에서 D5의 1.69로 증가하였고, b*의 p50은 −1.24에서 11.53으로, C*ab의 p50은 4.44에서 12.16으로 증가하였다. 이는 풍화가 진행될수록 화강암 표면이 회백색에서 황색·갈색 및 적갈색 계열로 이동하는 경향과 부합한다(Nagano and Nakashima, 1989; Yusoff et al., 2023).
Fig. 4는 풍화등급별 a*, b* 및 C*ab의 p05, p50 및 p95를 나타낸다. a*의 p50은 D1의 −2.85에서 D5의 1.69로 증가하였고, b*의 p50은 −1.24에서 11.53으로, C*ab의 p50은 4.44에서 12.16으로 증가하였다. D1에서 D5까지 a* p50의 변화량은 4.54인 반면, b* p50의 변화량은 12.77로 약 2.8배 크게 나타나 본 자료에서는 적색화보다 황색·갈색화 방향의 변화가 상대적으로 뚜렷하였다. C*ab도 등급이 높아질수록 증가하여 풍화에 따른 표면색의 채도 증가 경향을 보였다. 이러한 결과는 철 함유 광물의 산화·수화와 장석류의 변질에 따라 황색 및 적갈색 계열의 변색이 나타난다는 선행연구와 부합한다(Yusoff et al., 2023).
Table 10.
Quantile analysis of a*, b*, and C*ab by weathering grade
등급별 중심값은 전반적으로 일정한 방향으로 증가하였으나, p05–p95 범위에서는 인접 등급 간 중첩도 확인되었다. 예를 들어 b*에서 D3의 p95는 9.18로 D4의 p05인 3.04보다 높았으며, D1과 D2의 C*ab p50은 각각 4.44와 4.49로 유사하였다. 또한 C*ab의 p05–p95 범위는 D1의 4.35에서 D5의 12.49로 확대되어, 고풍화 등급에서 색상분포의 변동 폭이 증가하는 경향을 보였다. 이는 하나의 코어 표면에 변색부, 잔존 광물입자 및 서로 다른 표면 상태가 함께 나타나는 특성을 반영한다. 따라서 Fig. 4의 분위수는 풍화등급별 색상분포의 중심과 변동 범위, 중첩 정도를 함께 해석하기 위한 지표로 활용하였다.
조도와 건조·습윤 상태는 이미지의 밝기와 색상분포에 영향을 줄 수 있으므로, L*와 V는 촬영조건에 따른 변화를 확인하는 보조지표로 활용하였다. 반면 a*, b*, C*ab 및 S는 풍화에 따른 변색 방향을 검토하는 주요 변수로 사용하였다. 원자료에서 단일 등급 D5 촬영 이미지가 262장으로 상대적으로 적고, D4–D5 구간 자료에는 두 등급의 특성이 함께 나타날 수 있으므로 색상정보만으로 D5의 보편적인 임계값을 설정하거나 구간형 자료를 하나의 중간 등급으로 환산하지 않았다. 분석 결과, 풍화등급 증가에 따른 색상축의 변화 경향은 확인되었으며, 분위수 기반 색상정보는 단독 판정 기준보다는 분류모델의 입력특징 구성과 결과 해석에 활용할 수 있는 정보로 판단하였다.
Fig. 5는 시험자료의 물리 코어 347개를 a*와 b*의 p50 평면에 도시한 것이다. 각 점은 하나의 물리 코어를 나타내며, 색상은 풍화등급을 의미한다. 풍화등급이 증가할수록 분포의 중심은 대체로 좌하단에서 우상단으로 이동하여, 풍화에 따른 화강암 표면의 적색화와 황색·갈색화를 정량적으로 확인할 수 있었다. D1은 비교적 낮은 a*와 b* 영역에 집중된 반면, D4와 D5는 높은 값의 영역까지 넓게 분포하였다.
다만 D2–D5의 분포가 일부 중첩되고, 일부 고풍화 코어도 낮은 색상값 영역에 위치하였다. 이는 국부적인 고풍화 또는 변색 영역이 존재하더라도 코어 전체의 p50으로 요약할 경우 신선한 영역의 영향으로 해당 특성이 희석될 수 있음을 의미한다. 따라서 이러한 중첩군과 예외군은 별도의 검토가 필요하며, p50뿐 아니라 p95와 같은 고분위수 특징을 함께 사용하면 국부적인 고풍화 영역의 색상 신호를 보다 민감하게 반영할 가능성이 있다. 이에 a*와 b*의 분위수 특징은 단독 경계값보다 풍화 변색의 방향과 국부적 색상 이상을 보완적으로 해석하기 위한 변수로 활용하였다.
3.2 색상특징 기반 SVM 모델의 분류성능
S1과 S2의 분류성능은 시험 물리 코어 347개를 기준으로 평가하였다. 두 모델에는 동일한 StandardScaler와 RBF-SVM을 적용하였으며, C=10, γ=scale 및 class weight 미적용 조건을 사용하였다.
Table 11은 두 모델의 전체 분류성능을 정리한 것이다. 분석 결과, CIELAB 분위수와 적색·갈색 파생 특징을 추가한 S2는 여섯 개 지표 모두에서 S1보다 낮은 성능을 보였다. Accuracy는 61.67%에서 58.79%로, Macro-F1은 62.35%에서 58.54%로, QWK는 0.7048에서 0.6740으로 각각 감소하였다.
Table 11.
Classification performance of the color-feature-based SVM models on the test set
| Model | Correct cores |
Accuracy (%) |
Balanced Accuracy (%) |
Macro-F1 (%) |
Weighted-F1 (%) | Cohen's κ | QWK |
| S1 | 214/347 | 61.67 | 61.59 | 62.35 | 61.73 | 0.5083 | 0.7048 |
| S2 | 204/347 | 58.79 | 57.90 | 58.54 | 58.51 | 0.4706 | 0.6740 |
Table 12는 순서형 지표와 D5 성능을 정리한 것이다. ±1등급 정확도는 87.61%에서 85.88%로 낮아졌으며, 가장 큰 변화는 D5 Recall에서 나타나 58.97%에서 48.72%로 10.25%p 감소하였다. 이는 상관성이 높은 색상 특징이 추가되면서 결정경계가 복잡해지고, 시험 코어가 39개로 가장 적은 D5의 분류성능이 상대적으로 크게 영향을 받은 결과로 해석할 수 있다.
Table 12.
Within-one-grade and D5 classification performance of the color-feature-based SVM models
| Model |
Within-one-grade accuracy (%) |
Grade error rate (%) |
D5 Precision (%) |
D5 Recall (%) |
D5 F1 (%) | D5 support |
| S1 | 87.61 | 12.39 | 71.88 | 58.97 | 64.79 | 39 |
| S2 | 85.88 | 14.12 | 70.37 | 48.72 | 57.58 | 39 |
Table 13은 등급별 Precision, Recall 및 F1을 나타낸다. 두 모델 모두 D2에서 세 지표가 가장 낮았으며, S2는 D1에서만 F1이 높고 나머지 네 등급에서는 모두 낮았다. 이는 색상 특징의 추가 효과가 모든 등급에 균일하게 나타나지 않았으며, 인접 등급 간 색상분포가 크게 중첩되는 구간에서는 오히려 불리하게 작용했음을 의미한다.
Table 13.
Grade-specific classification performance of the color-feature-based SVM models
Fig. 6은 Table 11과 Table 12의 지표를 함께 도시한 것이다. (a)의 여섯 지표 전부에서 S1이 높고, 값이 낮을수록 좋은 2등급 이상 오류율은 S2에서 오히려 높다. (b)에서 차이가 가장 크게 벌어지는 지표는 D5 Recall이며, 전체 지표의 감소폭보다 고풍화 등급의 감소폭이 크다는 점에서 특징 확장의 불리한 영향이 소수 등급에 집중되었음을 알 수 있다.
Fig. 7은 두 SVM 모델의 혼동행렬이다. 오분류는 두 모델 모두 대각선 인접 칸에 집중되어 인접 등급 혼동이 주된 오류 형태였으며, D2 행에서는 예측이 여러 등급으로 분산되었다. S2에서는 D5 행의 대각선 값이 S1보다 옅어, 고풍화 등급의 재현율 저하가 혼동행렬에서도 확인된다.
D2, D3 및 D5는 모두 전이적 성격을 갖는다. D2는 신선한 조직이 유지된 채 일부 광물과 균열 주변에서만 초기 변색이 나타나고, D3는 D2에 가까운 잔존 조직과 D4에 가까운 황색·갈색 변색이 한 코어에 공존한다. D5에서도 강한 조직소실이 일어난 코어의 색상변화가 제한적일 수 있으며, 반대로 국부적인 산화부가 발달한 저풍화 코어가 높은 적색·갈색 특징값을 가질 수 있다. 이러한 표면상태를 분위수로 집계하면 변색의 위치와 형태가 사라지므로 인접 등급의 경계를 안정적으로 구분하기 어려운 것으로 판단되었다.
CIELAB 색상값으로 풍화등급을 구분하려는 시도는 이전에도 있었다. Mohamad Nasir and Misro(2024)는 암반 이미지를 CIELAB으로 변환한 뒤 a*와 b*를 K-평균으로 군집화하여 풍화등급을 구분하고, 육안 판정에 의존하던 절차를 자동화할 수 있음을 보였다. 본 연구의 S1과 S2도 같은 계열에 속하며, 분위수를 사용하여 색상분포의 중심과 폭을 함께 기술함으로써 등급별 변화 경향을 재현 가능한 수치로 확보하였다. 다만 인접 등급의 경계에서는 성능이 개선되지 않았는데, 이는 대표값을 어떻게 고르느냐의 문제가 아니라 집계 과정에서 변색의 공간적 위치가 사라지기 때문이다.
이러한 등급별 오류는 화강암의 풍화가 D1에서 D5까지 연속적으로 진행된다는 점과 관련된다. 전문가의 판정도 색상뿐 아니라 광물의 변질, 입자상태, 균열 및 조직소실을 종합해 결정한다. 반면 S1과 S2는 표면의 색상분포를 하나의 특징벡터로 압축하므로, 색상분포가 비슷하면서 공간적 배치와 조직상태가 다른 코어를 구분하는 데 근본적인 한계가 있다.
RBF-SVM은 입력특징 사이의 비선형 관계를 다룰 수 있으나, 본 연구에서는 D1-D5를 독립된 다섯 범주로 학습하여 등급의 순서관계는 평가 단계에서만 확인하였다. QWK와 ±1등급 정확도는 평가 단계에서 순서형 오류를 확인하는 지표이며 분류경계 결정에는 관여하지 않는다. 이 구조에서는 인접 등급과 비인접 등급의 오류에 서로 다른 비용을 부여하기 어렵다.
p05, p50, p95와 IQR, 그리고 RGB·HSV·CIELAB 특징은 서로 상관성을 가진다. 특징 수가 56개에서 86개로 늘면서 중복정보와 커널 거리구조의 변화가 동시에 발생하였을 가능성이 있다. S2의 성능 저하는 이러한 특징공간의 복잡성 증가와 색상 집계 과정의 공간정보 소실이 복합적으로 작용한 결과로 해석하였다. 다만 학습·검증 성능과 반복실험 결과가 없으므로 과적합 여부는 판단을 보류하였다.
종합하면, 분위수와 CIELAB 특징은 풍화에 따른 색상분포의 중심과 범위를 설명하는 데 유효하였다. 다만 이를 RBF-SVM의 입력특징으로 단순 확장한 방법은 현재 자료와 모델조건에서 부적합하였다. 색상정보가 유효하지 않다는 뜻이 아니라, 집계 과정에서 변색부의 공간적 위치와 암석조직 정보가 사라지기 때문이다. 이에 다음 절에서는 광물입자, 균열 및 표면조직의 공간적 특징을 함께 학습할 수 있는 이미지 기반 딥러닝 모델을 적용하였다.
3.3 이미지 기반 딥러닝 모델의 분류성능
R1과 두 결합모델의 분류성능은 동일한 물리 코어 분할과 시험 물리 코어 347개를 기준으로 산정하였다. R1은 RGB 타일에서 색상, 표면 조직 및 공간적 특징을 학습하는 기준모델이며, 결합모델은 R1의 물리 코어 단위 예측확률에 색상특징 SVM의 예측확률을 가중 결합한 모델이다. RGB·HSV 특징만 사용하는 S1을 결합한 조건을 대조군으로 포함하여, S2에 포함된 CIELAB 기반 확장 색상특징의 결합이 추가적인 성능 변화를 보이는지를 검토하였다.
Fig. 8은 R1의 학습 경과와 결합계수 α에 따른 검증지표 변화를 나타낸다. Fig. 8(a)에서 학습손실은 초기 약 0.720에서 감소하여 100 epoch 시점에는 4.3 × 10-5까지 낮아졌다. 반면 Fig. 8(b)의 검증지표는 초기 구간 이후 변동을 보였으며, 후반 학습에서 검증성능의 추가적인 개선은 뚜렷하지 않았다. 이에 최종 모델은 마지막 epoch가 아니라 검증 Macro-F1이 가장 높았던 epoch 35의 가중치로 선택하였다. Fig. 8(c)와 (d)는 α에 따른 검증 Macro-F1과 QWK를 나타낸다. R1 + S1 조건에서는 α = 0.03이 선택되어 S1 예측확률의 반영 비율이 매우 낮았으며, R2(R1 + S2)에서는 α = 0.42가 선택되었다.
Table 14는 세 모델의 전체 분류성능을 정리한 것이다. R1 + S1의 정답 코어 수는 247개로 R1과 같았고, Accuracy도 71.18%로 변화가 없었다. 이 결과는 사전에 고정한 SVM 설정과 결합조건에서 RGB·HSV 전역 색상특징의 추가적인 결합 이득을 확인하지 못했음을 의미한다. 반면 R2(R1 + S2)의 정답 코어 수는 259개로 증가하였고, Accuracy, Balanced Accuracy 및 Macro-F1은 각각 74.64%, 75.74% 및 75.38%로 나타났다. QWK도 R1의 0.8018에서 0.8132로 증가하였다.
Table 14.
Overall classification performance of the R1 baseline and probability-fusion models on the test set
Table 15는 순서형 지표와 D5 성능을 나타낸다. ±1등급 정확도는 R1의 92.22%에서 두 결합모델 모두 91.64%로 낮아졌고, 2등급 이상 오류율은 7.78%에서 8.36%로 증가하였다. 따라서 R2의 결합이 전체 순서형 오류를 일관되게 줄였다고 보기는 어렵다. 반면 R2의 D5 Precision은 81.25%에서 83.78%로, Recall은 66.67%에서 79.49%로, F1은 73.24%에서 81.58%로 증가하였다. D5 정답 코어 수도 26개에서 31개로 늘었다. 다만 이 D5 성능은 단일등급 D5 10개와 재판정 D4–D5 운영라벨 29개를 포함한 39개 코어 기준임을 함께 고려할 필요가 있다.
Table 15.
Within-one-grade and D5 classification performance of the R1 baseline and probability-fusion models
Table 16의 등급별 성능에서 R2의 F1은 D1에서 80.00%에서 80.83%로, D3에서 69.68%에서 76.25%로, D4에서 72.27%에서 79.63%로, D5에서 73.24%에서 81.58%로 증가하였다. 반면 D2의 F1은 60.38%에서 58.60%로 감소하였다. 특히 D5의 F1 증가폭이 가장 컸으며, D4와 D3에서도 비교적 큰 성능 향상이 나타났다.
Table 16.
Grade-specific classification performance of the R1 baseline and probability-fusion models
D1에서는 정답 코어 수가 76개에서 78개로 증가하였고 Recall은 84.44%에서 86.67%로 높아졌다. 반면 Precision은 76.00%에서 75.73%로 소폭 낮아져, D1으로 예측한 코어 수가 실제 표본 수보다 많은 경향은 유지되었다. D2에서는 정답 코어 수가 48개에서 46개로 감소하였고 Precision과 Recall이 모두 낮아졌다. 3.1절에서 D1과 D2의 C*ab p50이 각각 4.44와 4.49로 유사하게 나타난 점은 두 등급의 전역 색상분포가 충분히 분리되지 않았다는 해석과 부합한다.
D3에서는 정답 코어 수가 54개에서 61개로 증가하였고, Precision과 Recall이 모두 상승하였다. D4에서는 정답 코어 수가 두 모델 모두 43개로 같고 Recall도 84.31%로 유지되었으나, D4로 예측한 코어 수가 68개에서 57개로 줄면서 Precision이 63.24%에서 75.44%로 증가하였다. D5에서는 정답 코어 수가 26개에서 31개로 증가하였으며, D5로 예측한 코어 수는 32개에서 37개로 늘었지만 거짓양성 수는 두 모델 모두 6개였다. 따라서 R2의 D5 성능 변화는 단순한 고풍화 등급 과대예측보다는 Precision과 Recall이 함께 증가한 결과로 해석할 수 있다.
R1 + S1은 D1의 정답 코어가 76개에서 77개로, D4의 정답 코어가 43개에서 42개로 변한 것을 제외하면 R1과 유사한 등급별 성능을 보였다. 즉, 이 고정 결합조건에서는 S1의 RGB·HSV 전역 특징이 R1의 코어 단위 판정을 실질적으로 변화시키지 못했다. 세 모델의 전체 성능, 순서형 지표 및 D5 성능 비교는 Fig. 9에 함께 제시하였다.
Fig. 10의 혼동행렬에서도 R1과 R1 + S1은 유사한 형태를 보인 반면, R2에서는 실제 D3의 정답 수가 54개에서 61개로, D5의 정답 수가 26개에서 31개로 증가하였다. 다만 실제 D5를 D3 이하로 예측한 사례는 두 모델 모두 5개로, 고풍화 코어의 심각한 오분류가 완전히 해소된 것은 아니었다. 또한 2등급 이상 오류는 R1의 27개에서 R2의 29개로 증가하였다. 이는 R2에서 D4 예측 수가 감소하는 과정에서 일부 D4 코어가 낮은 등급으로 분류된 변화와 함께 나타난 결과로, D4의 Precision 향상과 순서형 오류 증가 사이의 상충관계로 해석할 필요가 있다.
R2와 R1의 성능 차이를 검토한 결과, Macro-F1의 향상은 비교적 일관되게 나타났으나 Accuracy와 QWK의 향상은 통계적으로 명확하지 않았다. R2와 R1+S1의 비교에서도 Macro-F1은 증가하였지만, Accuracy, QWK 및 D5 F1의 차이는 뚜렷하지 않았다. 반면 R1+S1은 R1과 거의 동일한 성능을 보여, 단순히 서로 다른 분류기를 결합하는 것만으로는 성능이 향상되지 않았다.
S2의 단독 분류성능은 S1보다 낮았으나, 결합모델의 성능은 개별 모델의 정확도뿐 아니라 두 모델의 오분류 양상과 예측확률의 차이에 영향을 받는다. 동일한 검증기준에서 R1 + S1은 α = 0.03이 선택된 반면, R2에서는 탐색 상한인 0.50에 가까운 α = 0.42가 선택되었다. 이는 S1의 예측확률이 R1의 판정을 거의 바꾸지 못한 것과 달리 S2의 예측확률은 더 큰 비율로 반영될 때 검증 Macro-F1이 높아졌음을 의미하며, CIELAB 기반 전역 색상정보가 RGB 타일 모델과 상보적으로 작용할 가능성을 시사한다. 다만 α는 검증자료에서 격자탐색으로 선택된 모델 간 결합비율이므로 그 크기가 색상정보의 양이나 상보성의 크기를 직접 측정하는 값은 아니며, 탐색범위를 0.50 이하로 제한한 설정의 영향도 함께 고려하여야 한다. 시험자료에서 S2는 R1과 다른 확률분포를 제공하여 일부 경계 코어의 오분류를 보완한 것으로 판단된다. 특히 D1–D2 구간에서는 개선이 제한적이었으나, D3–D5 구간에서는 상대적으로 큰 예측 변화가 나타났다. 다만 S1과 S2는 CIELAB 특징 외에도 입력 차원과 파생 특징 구성이 다르므로, 이러한 결과를 CIELAB 정보만의 독립적인 효과로 단정하지 않았다.
단일 등급 라벨만 보유한 318개 코어에서도 R2의 Accuracy와 Macro-F1이 R1보다 높아 전체 시험자료와 같은 변화 방향이 확인되었다. 그러나 이 자료에서 D5 코어는 10개에 불과하였고, D5 F1은 세 모델에서 동일하였다. 따라서 운영 D5에서 나타난 성능 향상은 재판정된 D4–D5 코어를 포함한 결과로 한정하여 해석하였다.
정리하면, R2는 추가 학습자료나 별도의 신경망을 사용하지 않고 R1과 S2의 코어 단위 예측확률을 결합한 모델이다. 본 결과는 S2 기반의 전역 색상 특징이 R1의 이미지 특징을 보완하여 Macro-F1을 높일 가능성을 보여준다. 다만 Accuracy와 QWK의 향상이 명확하지 않고 단일 등급 D5 자료가 적으며 한 번의 학습 결과에 기반하므로, 일반적인 성능 향상으로 확대하여 해석하지 않았다. 향후에는 반복 학습과 독립 자료를 이용한 추가 검증이 필요하다.
본 연구의 결과를 해석할 때에는 다음과 같은 조건을 함께 고려할 필요가 있다. 첫째, 풍화등급은 심도와 밀접한 관련을 가질 수 있으나 본 연구에서는 심도를 모델 입력이나 자료 분할의 변수로 사용하지 않았다. 따라서 향후에는 시추공 단위의 독립 검증에서 이미지 단독모델과 심도정보를 함께 사용하는 모델을 비교하여 심도의 추가 기여와 현장별 편향을 평가할 필요가 있다. 둘째, 심부 화강암에서 관찰되는 황색·적갈색 변색은 지표에서 진행된 풍화뿐 아니라 열수변질에 기인할 수 있으며 양자의 공학적 의미는 서로 다르지만, 색상정보만으로는 이를 구분하기 어렵다. 본 자료에는 시추공별 지하수위와 지하수 유입구간 정보 및 열수변질 판별에 필요한 광물학적·지화학적 자료가 포함되어 있지 않아 변색 원인을 분리하여 검증하지 못하였다. 따라서 색상 기반 판정에는 지하수 조건과 지질기록, 광물학적·지화학적 보조자료를 함께 활용한 확인이 필요하다. 셋째, 본 결과는 단일 카메라와 4,500, 8,000 및 13,000 lux의 통제된 조도, 그리고 건조·습윤 두 가지 표면 상태라는 표준화된 촬영환경에 조건부인 결과이다. 조명과 색온도가 통제되지 않는 현장 코어박스 촬영에 적용하려면 촬영 시 컬러차트(기준 색상표)를 함께 배치하여 화이트밸런스와 색상보정을 수행하고, 장비와 현장이 다른 독립자료에서 재검증하는 절차가 필요하다. 넷째, 본 연구의 분류실험은 건조·습윤 상태와 세 가지 조도 조건을 구분하지 않고 동일한 물리 코어의 이미지를 함께 학습·평가하였으므로, 제시된 성능은 여러 촬영조건이 혼재된 평균적인 결과에 해당한다. 습윤 상태에서는 표면 반사와 명도 변화가, 조도 변화에서는 명도축과 채도가 직접 영향을 받으므로 전역 색상특징을 사용하는 SVM 계열이 이미지 기반 모델보다 촬영조건 변화에 민감할 수 있다. 따라서 향후에는 동일한 물리 코어에 대하여 촬영조건별로 자료를 층화한 뒤 조건별 분류성능과 조건 간 판정 일치도를 산정하고, 학습조건과 다른 촬영조건에서 나타나는 성능 저하 폭을 정량화할 것을 제안한다.
4. 결 론
본 연구에서는 화강암 시추코어 이미지의 RGB, HSV 및 CIELAB 색상분포를 정량화하고, 색상 특징 기반 SVM 모델(S1, S2), 이미지 기반 ResNet-18 모델(R1) 및 두 계열의 코어 단위 예측확률을 결합한 융합모델(R2)의 풍화등급 분류성능을 비교하였다. 본 연구에서 얻어진 주요 결론을 요약하면 다음과 같다.
(1) 건조·습윤 상태와 세 가지 조도 조건에서 촬영된 화강암 코어 이미지 182,624장을 분석한 결과, 풍화등급이 D1에서 D5로 증가함에 따라 a*, b* 및 C*ab가 전반적으로 증가하였다. 특히 b*의 변화량이 a*보다 크게 나타나, 화강암의 풍화에 따른 표면 변색은 적색화보다 황색·갈색화 방향이 상대적으로 뚜렷하였다. 다만 인접 등급의 색상분포가 중첩되었으므로 평균값이나 단일 임계값 대신 p05, p50, p95 및 IQR을 이용한 분위수 분석을 적용하였다. 이를 통해 그림자, 반사, 표면 오염 및 국부 변색이 평균값에 미치는 영향을 완화하고, 색상분포의 중심과 변동 범위를 함께 반영할 수 있었다.
(2) 분류실험에는 이미지와 JSON 라벨의 대응 관계가 확인된 물리 코어 2,297개와 코어 이미지 8,057장을 사용하였다. 구간형 라벨은 원칙적으로 제외하였으나, 단일 등급 D5의 자료 불균형을 완화하기 위해 D4–D5 구간 중 재판정을 통해 D5에 가까운 것으로 확인된 코어에만 운영 라벨 D5를 부여하였다. 또한 가로로 긴 코어 이미지의 축소에 따른 정보 손실을 줄이고 국부적인 변색과 조직 특성을 반영하기 위해 256 × 256픽셀 타일을 생성하였다. 동일한 물리 코어에서 파생된 반복 이미지와 타일은 하나의 자료군에만 배정하였으며, 타일별 예측확률을 산술평균하여 물리 코어 단위의 최종 풍화등급을 평가하였다.
(3) RGB·HSV 특징을 사용한 S1에 CIELAB 분위수와 적색·갈색 파생 특징을 추가한 S2는 단독 분류에서 Accuracy, Macro-F1 및 QWK가 모두 감소하였다. 그러나 두 모델은 47개 코어에서 서로 다른 등급을 예측하였으며, S1만 정답인 코어는 23개, S2만 정답인 코어는 13개, 두 모델이 모두 오답이지만 서로 다른 등급을 예측한 코어는 11개였다. 이는 S2의 단독 성능은 낮았으나, S1과 다른 결정경계와 예측정보를 제공하였음을 의미한다. 따라서 SVM은 전역 색상분포와 인접 등급의 중첩을 해석하는 데 유용하지만, 변색부의 공간적 위치와 조직 정보를 반영하기 어렵다는 한계가 확인되었다.
(4) 이미지 기반 R1은 Accuracy 71.18%, Macro-F1 71.11%, QWK 0.8018 및 운영 D5 F1 73.24%로 SVM 계열보다 높은 성능을 나타냈다. R1과 S1의 결합에서는 4개 코어의 예측만 변경되었고 정답 증가와 감소가 각각 1개로 순이득이 없었다. 반면 R1과 S2를 결합한 R2에서는 46개 코어의 예측이 변경되었으며, 26개 오답이 정답으로, 14개 정답이 오답으로, 6개 오답이 다른 오답으로 전환되어 정답 코어 수가 247개에서 259개로 12개 증가하였다. 특히 D3과 운영 D5에서 순개선이 나타난 반면, 일부 D2 코어는 더 높은 풍화등급으로 과대판정되었다. 검증자료에서 선택된 결합계수는 R1과 S1의 결합에서 α = 0.03, R2에서 α = 0.42였으며, 시험자료의 예측 변화는 주로 R1의 예측확률 차이가 작은 경계 코어에서 나타났다. 이는 동일한 RGB 영상에서 전역 색상분포를 명시적으로 입력받는 S2와 색상·조직·공간특징을 함께 학습하는 R1의 표현방식 차이가 일부 저확신 경계 코어에서 조건부로 상보적인 판정을 제공했을 가능성을 시사한다. 다만 두 모델은 동일한 RGB 영상에서 산출되므로 이를 독립적인 관측정보의 추가로 해석할 수 없으며, α의 크기 자체도 색상축별 기여도나 상보성의 크기를 나타내는 값은 아니다. 다만 단일 등급 D5 10개만을 사용한 민감도 분석에서는 R1과 R2의 D5 F1이 모두 0.5455로 동일하였으므로, 운영 D5의 성능 향상을 일반적인 D5 판별력 향상으로 확대하여 해석해서는 안 된다.
종합하면, CIELAB 분위수는 화강암의 풍화에 따른 색상 변화를 정량화하고 등급별 색상분포의 중첩을 해석하는 데 유효하였다. 그러나 색상 특징을 SVM 입력에 단순히 추가하는 방식만으로는 분류성능이 향상되지 않았으며, ResNet-18 역시 색상축별 기여를 직접 설명하기에는 한계가 있었다. 따라서 본 결과는 SVM의 전역 색상분포 정보가 ResNet-18의 일부 경계 코어 판정에서 보조적으로 활용될 가능성을 시사한다. 정답 코어 수는 12개 증가했으나 2등급 이상 오류도 R1의 27개에서 R2의 29개로 증가하였으므로, 본 결과를 전반적인 성능 향상으로 확대하여 해석하지 않았다. 이러한 결합 효과의 재현성과 순서형 오류의 상충관계는 반복학습과 독립 현장자료를 통해 추가로 검증되어야 한다. 본 연구의 R2는 별도의 메타모델을 학습하는 스태킹이 아니라 두 모델의 예측확률을 결합하는 확률 수준의 앙상블 모델이며, 향후에는 등급 간 거리와 오분류의 심각도를 반영하는 순서형 확률결합과 독립 현장자료 기반 검증이 필요하다.
