[論文レビュー] Aircraft Fuselage Defect Detection using Deep Neural Networks

Touba Malekzadeh, Milad Abdollahzadeh+2 more|arXiv (Cornell University)|Dec 26, 2017

Industrial Vision Systems and Defect Detection被引用数 35

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）とSURFキーポoin検出を用いた、自動航空機胴体欠陥検出のためのディープラーニングベースの手法を提案する。VGG-Fを特徴量抽出器として使用し、線形SVM分類器を用いることで、ラップトップ上で2000万画素の画像を約15秒で処理し、96％以上の精度を達成する。これは、このタスクにおける最初のDNNベースのエンドツーエンドシステムである。

ABSTRACT

To ensure flight safety of aircraft structures, it is necessary to have regular maintenance using visual and nondestructive inspection (NDI) methods. In this paper, we propose an automatic image-based aircraft defect detection using Deep Neural Networks (DNNs). To the best of our knowledge, this is the first work for aircraft defect detection using DNNs. We perform a comprehensive evaluation of state-of-the-art feature descriptors and show that the best performance is achieved by vgg-f DNN as feature extractor with a linear SVM classifier. To reduce the processing time, we propose to apply SURF key point detector to identify defect patch candidates. Our experiment results suggest that we can achieve over 96% accuracy at around 15s processing time for a high-resolution (20-megapixel) image on a laptop.

研究の動機と目的

• 航空機胴体の欠陥を自動的に検出するための、ディープラーニングベースのシステムを開発し、保守効率と飛行安全を向上させること。
• 高解像度航空機画像における欠陥検出に適した、最先端のディープニューラルネットワークアーキテクチャを特徴量抽出器として評価すること。
• SURFキーポイント検出を用いた効率的な候補領域検出により、高解像度画像（20 MP）の処理時間を短縮すること。
• 実世界の視覚的点検データを用いて、航空機構造物点検におけるディープラーニングのベンチマークを確立すること。

提案手法

• 著者らは、航空機胴体画像からの高レベル表現を抽出するために、事前学習済みのVGG-Fディープニューラルネットワークを特徴量抽出器として使用する。
• VGG-Fが抽出した特徴量をもとに、線形サポートベクターマシン（SVM）分類器を訓練し、欠陥あり領域と欠陥なし領域を区別する。
• SURFキーポイント検出を用いて、潜在的な欠陥候補パッチを特定し、画像全体に対する計算負荷を低減する。
• 本システムは、SURFで検出された領域に焦点を当てることで、高解像度（2000万画素）画像を処理し、精度を落とさずに処理速度を向上させる。
• 複数の最先端特徴記述子を包括的に評価し、最適な特徴量抽出器と分類器の組み合わせを同定する。
• 標準のラップトップハードウェア上で実時間性能を最適化し、保守ワークフローへの実用的導入を想定してパイプラインを最適化する。

実験結果

リサーチクエスチョン

• RQ1 航空機胴体欠陥検出の特徴量抽出器として、どのディープニューラルネットワークアーキテクチャが最も優れた性能を示すか？
• RQ2 SURFベースのキーポイント検出は、検出精度を低下させることなく、処理時間を著しく短縮できるか？
• RQ3 高解像度航空機胴体画像に対して、DNNベースのシステムが達成可能な精度と推論時間はどの程度か？
• RQ4 提案手法のDNNベースのアプローチは、従来の特徴記述子と比較して、欠陥検出性能で優れているか？

主な発見

• VGG-Fネットワークと線形SVM分類器の組み合わせが、評価された特徴量抽出器の中で最高の検出性能を達成した。
• 本システムは、2000万画素の航空機胴体画像において、96％以上の精度で欠陥を検出できた。
• 標準のラップトップ上で、1枚あたりの処理時間が約15秒にまで短縮され、実用的運用に適した性能を示した。
• SURFキーポイント検出の導入により、候補領域の数が顕著に減少し、処理速度が向上した一方で、高い精度を維持した。
• 本研究は、視覚的点検データを用いた、航空機胴体欠陥検出における最初のエンドツーエンドDNNベースのシステムを確立した。