X-ray 컴퓨터 단층 촬영 (XCT)을 통한 항공우주용 SiC/SiC 복합재의 비파괴 검사는 전문가의 시각적 평가에 의존하고 있으며, 현재의 워크플로우는 합격/불합격 결정에 대한 추적 가능성(traceability)이 제한적입니다. 심층 합성곱 신경망 (Deep convolutional networks)은 결함 탐지를 자동화할 수 있지만, 그 블랙박스 (black-box) 특성은 산업 검사 관행이 요구하는 투명성과 충돌합니다. 이러한 격차를 해소하기 위해, 우리는 높은 탐지 정확도와 사례 기반 설명 (case-based explanations)을 결합한 프로토타입 레이어 (prototype layer)가 확장된 합성곱 프레임워크인 p-ResNet-50을 소개합니다. 6개의 학습된 프로토타입은 전문가가 정의한 의미론적 범주인 건전한 매트릭스 (healthy matrix), 매트릭스-공기 계면 (matrix--air interfaces), 기공 (pores), 선형 결함 (line-like defects), 그리고 혼합 형태 (mixed morphologies)와 명시적으로 정렬되어 있어, 모든 분류가 물리적으로 의미 있는 참조값으로 추적될 수 있습니다. 두 가지 새로운 정규화 항 (regularisation terms)인 앵커 기반 (anchor-based) 및 메도이드 기반 (medoid-based) 방식은 프로토타입을 전문가가 선택한 패치에 결합하고 프로토타입 붕괴 (prototype collapse)를 방지하여, 프로토타입 네트워크의 알려진 한계를 해결합니다. UMAP을 통한 잠재 공간 (Latent-space) 분석은 의미론적으로 일관된 하위 도메인을 묘사하고 오분류가 집중되는 불확실성 영역을 매핑하여, 검사자에게 모델이 신뢰할 수 있는 부분과 그렇지 않은 부분에 대한 명확한 그림을 제공합니다. 이 프레임워크는 결함이 풍부한 4개의 SiC/SiC 실험실 시편에서 추출한 약 12,000개의 패치로 구성된 XCT 패치 데이터셋을 통해 검증되었습니다. 블랙박스 ResNet-50을 베이스라인 (ROC-AUC = 0.991)으로 설정했을 때, 프로토타입 확장 모델은 유사한 성능 (정확도 0.957 대 0.959; ROC-AUC 0.994 대 0.993)을 달성하면서도, 민감도 (sensitivity)의 약간의 감소를 대가로 더 높은 정밀도 (precision)와 특이도 (specificity)를 확보했습니다. 각 결정은 대표적인 증거 패치에 의해 뒷받침되며, 모델은 불확실성 영역을 명시적으로 표시합니다. 결함 매핑을 넘어, 이 프레임워크는 도메인 전문가의 지식을 프로토타입 네트워크에 내장하기 위한 재사용 가능한 방법론을 구축하며, 이는 추적 가능하고 감사 가능한 (auditable) 결정이 필요한 다른 XCT 검사 시나리오에도 적용 가능합니다.