[論文レビュー] Automated Classification of Helium Ingress in Irradiated X-750

Christopher M. Anderson, Jacob Klein+3 more|arXiv (Cornell University)|Dec 9, 2019

Nuclear Physics and Applications参考文献 19被引用数 5

ひとこと要約

本稿では、中性子照射を受けたインコネルX-750の透過電子顕微鏡（TEM）画像におけるヘリウムバブルを検出するための自動化手法を提案する。この手法は、Faster R-CNNという深層学習モデルを用いており、93%の正確性を達成するとともに、手動分析と比較して4桁の速度向上を実現した。これにより、さまざまな倍率やフレネル対比条件においても、高スループットで再現性のあるナノスケールのヘリウムバブル集団の定量分析が可能になった。

ABSTRACT

Imaging nanoscale features using transmission electron microscopy is key to predicting and assessing the mechanical behavior of structural materials in nuclear reactors. Analyzing these micrographs is often a tedious and labour intensive manual process. It is a prime candidate for automation. Here, a region-based convolutional neural network is adapted to detect helium bubbles in micrographs of neutron-irradiated Inconel X-750 reactor spacer springs. We demonstrate that this neural network produces analyses of similar accuracy and reproducibility to that produced by humans. Further, we show this method as being four orders of magnitude faster than manual analysis allowing for generation of significant quantities of data. The proposed method can be used with micrographs of different Fresnel contrasts and magnification levels.

研究の動機と目的

• 照射処理済みX-750合金のTEM顕微鏡像におけるヘリウムバブルの定量が、時間のかかる、誤差の多い、一貫性のない手動手法に起因する課題を解決すること。
• ノイズが多く対比が低いTEM画像においても、人間の正確性に匹敵する、自動化された深層学習ベースの手法を開発すること。
• 1枚あたり数時間もかかる手動分析と比較して、数秒で処理可能な、大規模な顕微鏡画像データセットの高スループット分析を可能にすること。
• さまざまな倍率やフレネル対比条件といった異なる画像撮影条件に対しても、耐性を示すことを保証すること。
• 原子炉材料におけるヘリウム誘発性微細構造損傷を定量するためのスケーラブルで再現性のあるフレームワークを提供すること。

提案手法

• 中性子照射処理済みX-750のTEM顕微鏡像における物体検出に適応させた、領域ベースの畳み込みニューラルネットワークであるFaster R-CNNを採用した。
• ネットワークの特徴抽出を向上させるために、画像正規化およびコントラスト強調による顕微鏡像の前処理を実施した。
• さまざまな倍率およびフレネル対比設定でのTEM画像から手動でアノテーションされたヘリウムバブルを含むカスタムデータセットを用いてモデルを学習させた。
• 収束性と検出正確性の向上を目的として、ベース学習率0.0003、ミニバッチサイズ6、20,000エポックのハイパーパramータ最適化を実施した。
• 限られたデータでも一般化性能を向上させるために、事前学習済みImageNetバックボーンを用いたトランスファーラーニングを適用した。
• 予測結果の精緻化のための後処理を実施し、最小限の手動作業で繰り返し訓練データセットを改善できるようにした。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みFaster R-CNNモデルは、ノイズが多く対比が低い照射処理済みX-750のTEM顕微鏡像において、人間レベルの正確性でヘリウムバブルを検出できるか？
• RQ2 深層学習は、手動分析と比較して、ヘリウムバブルの定量に要する時間をどの程度短縮できるか？
• RQ3 異なる倍率レベルや画像撮影条件において、自動検出はどの程度一貫性があり、再現可能か？
• RQ4 モデルは、焦点のずれやノイズ、FIBによる人工的欠損の程度が異なる顕微鏡像に対しても一般化可能か？
• RQ5 データ品質および前処理の影響は、モデルが真のヘリウムバブルと画像アーティファクトを区別する能力にどのように影響するか？

主な発見

• Faster R-CNNモデルは、高倍率のTEM顕微鏡像において93%の正確性を達成し、熟練した人間アナリストの性能と同等であった。
• 自動化手法では1枚の顕微鏡像を数秒で処理でき、手動分析が1枚あたり最大数時間もかかるのに対し、4桁の高速化が達成された。
• 学習時に使用した画像撮影条件と推論時の条件が一致する限り、さまざまな倍率やフレネル対比条件においてもモデルの耐性が確認された。
• モデル出力の手動後処理には、完全な手動アノテーションに比べてはるかに少ない時間で済み、訓練データセットの繰り返し改善が効率的に行えるようになった。
• 代表的なデータで学習されたモデルは、FIB損傷や表面欠陏といった一般的な画像アーティファクトとヘリウムバブルを適切に区別できた。
• 本研究は、適切に微調整された市販の深層学習モデルが、特に原子炉材料の特性評価分野において、自動欠陓分析に効果的に応用可能であることを確認した。