본 연구는 임업 및 목재 품질 분석에 필수적인 나무 단면의 심재(pith) 탐지를 자동화하기 위해 YOLOv9, U-Net, Swin Transformer, DeepLabV3, Mask R-CNN 등 딥러닝 모델의 성능을 평가했다. 582개의 레이블된 이미지 데이터셋을 동적으로 증강하여 일반화 성능을 향상시켰다. Swin Transformer가 가장 높은 정확도를 달성했으며, YOLOv9은 경계 상자 탐지에 강점을 보였으나, 경계 정밀도에서는 약점을 보였다. U-Net은 구조적 패턴에 효과적이었고, DeepLabV3는 다중 스케일 특징을 잘 포착했으나 경계 부정확성이 약간 있었다. Mask R-CNN은 중복 탐지로 인해 초기 성능이 낮았지만, Non-Maximum Suppression (NMS) 적용 후 IoU가 향상되었다. 오리건 주립대학교의 나무 고리 연구소에서 제공한 11개의 오크 데이터셋으로 일반화 성능을 추가로 테스트했다.
