[論文レビュー] A Comprehensive Survey on Machine Learning Driven Material Defect Detection

Jun Bai, Di Wu+6 more|arXiv (Cornell University)|Jun 12, 2024

Industrial Vision Systems and Defect Detection被引用数 12

ひとこと要約

これは、材料欠陥検出（複合材料を含む）に対するML手法を分類し、利点と課題を分析し、今後の研究方向を概説する包括的な文献調査です。

ABSTRACT

Material defects (MD) represent a primary challenge affecting product performance and giving rise to safety issues in related products. The rapid and accurate identification and localization of MD constitute crucial research endeavors in addressing contemporary challenges associated with MD. In recent years, propelled by the swift advancement of machine learning (ML) technologies, particularly exemplified by deep learning, ML has swiftly emerged as the core technology and a prominent research direction for material defect detection (MDD). Through a comprehensive review of the latest literature, we systematically survey the ML techniques applied in MDD into five categories: unsupervised learning, supervised learning, semi-supervised learning, reinforcement learning, and generative learning. We provide a detailed analysis of the main principles and techniques used, together with the advantages and potential challenges associated with these techniques. Furthermore, the survey focuses on the techniques for defect detection in composite materials, which are important types of materials enjoying increasingly wide application in various industries such as aerospace, automotive, construction, and renewable energy. Finally, the survey explores potential future directions in MDD utilizing ML technologies. This survey consolidates ML-based MDD literature and provides a foundation for future research and practice.

研究の動機と目的

• ML駆動の材料欠陥検出（MDD）に関する最近の文献を系統的に収集し、分野全体の包括的な視点を提供する。
• MDDで用いられるML技術を分類し、その技術的特性・適用分野・長所と短所を分析する。
• 複合材料に特化したMDD技術を強調し、固有の課題を議論する。
• 未解決の課題を特定し、研究者と実務家を指導するための将来の研究方向を提案する。

提案手法

• MDDに適用されたML技術の系統的文献調査。
• ML技術を無監督、監督、半監督、強化、生成のカテゴリーに分類する。
• 各カテゴリーの原理、適用分野、利点・欠点の技術分析。
• 複合材料における欠陥検知に焦点を当てた議論。
• ML駆動MDDの未解決問題と将来の方向性の総合。

実験結果

リサーチクエスチョン

• RQ1 材料欠陥検出に適用されるML手法は何か、そしてそれらの中核原理は何か？
• RQ2 複合材料や他の文脈での欠陥検知に対するMLアプローチはどのように機能するか？
• RQ3 データ、リアルタイム、マルチモーダルデータ、解釈性、プライバシーの課題とML駆動のMDDの将来の方向性は何か？

主な発見

• MDDのML手法は5つのカテゴリーに整理される：無監督、監督、半監督、強化、生成学習。
• 深層学習は自動特徴抽出と複雑な背景や複数の欠陥タイプに対する頑健な欠陥検知を可能にする。
• 機械ビジョンを用いた欠陥検知はMDDの中心として強調され、非破壊・自動検査を高い精度と効率で提供する。
• 共通の課題にはサンプル不足、データ品質の問題、複雑な欠陥の検出、マルチモーダルデータ処理、リアルタイム要件、解釈性、プライバシー/セキュリティの懸念などが含まれる。
• 本調査は文献の統合的リファレンスを提供し、特に複合材料に重点を置き、今後の研究と産業実践の指針を示す。