Fiber Volume Fraction (FVF) and Void Volume Fraction (VVF) are critical indicators of Carbon Fiber Reinforced Plastics (CFRP) performance. Traditional methods such as the burn-out process (ASTM D3171-22) suffer from oxidation-induced errors and complex sample preparation. This study proposes a deep learning-based image analysis method using FE-SEM images to quantify fiber and void fractions efficiently. By applying Convolutional Neural Networks (CNN) and Transformer Neural Networks (TNN), the method achieves precise and automated evaluation without additional processing. Compared to the burn-out method, it demonstrates improved consistency and reduced measurement errors. This approach enhances the accuracy and efficiency of CFRP analysis, contributing to process optimization and quality control.

탄소섬유강화플라스틱(CFRP)의 주요 성능은 섬유체적율(FVF)과 기공체적율(VVF)에 의해 결정된다. 기존의 고온연소법(ASTM D3171-22)은 산화로 인한 오차와 복잡한 전처리 과정의 한계를 가진다. 본 연구에서는 전계방사형 주사전자현미경(FE-SEM) 이미지를 활용한 딥러닝 기반 이미지 분석법을 제안하였다. 컨볼루션 신경망(CNN)과 트랜스포머 신경망(TNN)을 적용하여 섬유 및 기공을 자동 정량화하며, 기존 방법 대비 높은 정밀도와 일관성을 보였다. 본 연구는 CFRP 주요물성의 정량 분석을 위한 효율적 대안으로, 제조 공정 최적화와 품질 관리에 기여할 수 있다.

Keywords: 섬유체적율(Fiber Volume Fracrion), 딥러닝(Deep Learning), 이미지 자동화 정량 분석(Image Automated Quantitative Analysis), MIPAR, 탄소섬유강화플라스틱(Carbon Fiber Reinforced Plastic)