Rapid advancements in deep learning fostered by recent developments of superior graphical processing units has had the most contributions to an exciting development of AI and computer science in the last decade. One of the domains that has benefitted the most is the field of computer vision, which has been able to tackle challenges in image analysis that were once considered formidable such as real-time object detection, instance segmentation, image annotation, and more. These technical accomplishments, however, have been made in limited domains such as driving scene, human-scale everyday objects, or biomedical images. Therefore, there are still many fields of science and engineering where the potential of these latest technologies has not yet been tested. In this thesis, the proven competence of deep learning-based computer vision is applied to two specific engineering domains of interest: manufacturing and heat transfer. For field of manufacturing, annealing fabrication-based Germanium-on-Nothing (GON) structures are analyzed to predict their sub-surface morphology based on its corresponding surface pattern. In addition, their transformation of both surface and sub-surface morphology during annealing is simulated, and Atomic Force Microscopy (AFM) topographies are predicted from Optical Microscopes (OM) using machine learning and deep learning. For heat transfer domain, dropwise condensation phenomenon is quantitatively analyzed its temporal heat transfer performance based on droplet morphologies recorded by a CCD camera. Furthermore, factors contributing to high heat transfer performance are analyzed by tracking dynamic droplet behavior on surfaces with different wettability.
최근 우수한 그래픽 처리 장치의 개발로 촉진된 심층 학습의 급속한 발전은 지난 10년 동안 AI 및 컴퓨터 과학의 빠른 발전에 가장 큰 기여를 했다. 그 중 가장 많은 혜택을 받은 도메인 중 하나는 컴퓨터 비전으로, 실시간 객체 감지, 인스턴스 분할, 이미지 주석, 물체 생성 등과 같이 한때 어려울 것으로 간주되었던 문제를 해결할 수 있게 되었다. 그러나 이러한 기술적 성과는 운전 장면, 인간 규모의 일상 사물, 생체 의학 영상과 같은 제한된 데이터에서 이루어졌다. 이에, 아직까지 이러한 최신 기술의 잠재력이 시험되지 못한 과학, 공학 분야가 많고, 다양한 가능성이 열려 있다. 본 논문에서는 심층 학습 및 기계 학습 기반 컴퓨터 비전의 이미지 및 동영상 분석 역량을 제조 및 열 전달이라는 두 가지 엔지니어링 영역에 적용하였다. 제조 분야에서는 어닐링을 통해 제조되는 GON(Germanium-on-Nothing) 구조를 분석하여 해당 표면 패턴을 기반으로 표면 아래 공동 형상을 예측하였다. 또한, 제조 중 표면 및 표면 아래 형태의 변형이 시뮬레이션 되었으며, GON 구조의 표면을 분석하여 광학 현미경에서 원자 현미경 지형을 예측하였다. 열전달 도메인의 경우, 액적 응축 현상을 다양한 젖음성 표면에서 액적 형태를 기반으로 시간에 따른 열전달 성능을 정량적으로 분석하였다. 또한, 액적들의 거동을 추적하여 높은 열전달 성능에 기여하는 요소들을 분석하였다.
