[論文レビュー] Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net

Vivian Wen Hui Wong, Max Ferguson+3 more|arXiv (Cornell University)|Jan 22, 2021

Additive Manufacturing and 3D Printing Technologies参考文献 29被引用数 22

ひとこと要約

本論文は、添加製造部品のX線コンputedトモグラフィ（XCT）スキャンにおける欠陥のボリュメトリックなセグメンテーションを自動化するための3次元U-Netディープラーニングモデルを提案する。医療画像処理技術を追加製造分野に適応することで、本手法は平均交差率（IoU）88.4％を達成し、低コントラストで小さな欠陥が特徴的な課題的な条件下でも、添加製造分野における3次元U-Netを用いた欠陥セグメンテーションの最初の成功事例を示した。

ABSTRACT

Segmentation of additive manufacturing (AM) defects in X-ray Computed Tomography (XCT) images is challenging, due to the poor contrast, small sizes and variation in appearance of defects. Automatic segmentation can, however, provide quality control for additive manufacturing. Over recent years, three-dimensional convolutional neural networks (3D CNNs) have performed well in the volumetric segmentation of medical images. In this work, we leverage techniques from the medical imaging domain and propose training a 3D U-Net model to automatically segment defects in XCT images of AM samples. This work not only contributes to the use of machine learning for AM defect detection but also demonstrates for the first time 3D volumetric segmentation in AM. We train and test with three variants of the 3D U-Net on an AM dataset, achieving a mean intersection of union (IOU) value of 88.4%.

研究の動機と目的

• XCT画像における低コントラスト、小さなサイズ、外観のばらつきといった要因による、添加製造分野における自動欠陥セグメンテーションの課題に対処すること。
• 医療画像処理分野から取り入れた3次元畳み込みニューラルネットワーク、特に3次元U-Netアーキテクチャを、追加製造分野へ適応させること。
• 実際のAM欠陥データセットを用いて、複数の3次元U-Netバリアントのボリュメトリックセグメンテーション性能を評価すること。
• XCTデータを用いたAM部品における欠陥のディープラーニングベースの3次元セグメンテーションのベンチマークを確立すること。
• 3次元空間における正確な欠陥局所化を可能にすることで、自動的かつ信頼性の高い品質管理を実現すること。

提案手法

• 3次元ボリュメトリックXCTデータを用いて、3次元U-Netアーキテクチャをエンドツーエンドで学習し、欠陥のセグメンテーションを実行する。
• エンコーダ-デコーダ構造にスキップ接続を組み込み、空間分解能の保持とスケール間の特徴学習の向上を図る。
• 独自のAM欠陥データセットを用いて、3つの3次元U-Netバリアントを学習・評価し、性能差を分析する。
• データ拡張技術を適用することで、欠陥データセットのサイズが限られている状況でも一般化性能を向上させる。
• バイナリクロスエントロピー損失関数とシグモイド活性化関数を用いて、画素単位の欠陥確率を予測するようにネットワークを学習する。
• 3次元ボリューム上で推論を実行し、3次元空間における欠陥領域を特定する密なセグメンテーションマスクを生成する。

実験結果

リサーチクエスチョン

• RQ1 3次元U-Netモデルは、添加製造部品のXCTスキャンにおける小さな、低コントラストの欠陥を効果的にセグメンテーションできるか？
• RQ2 3次元U-Netの異なるアーキテクチャーバリアントは、AM欠陥セグメンテーションにおいてどのように性能を発揮するか？
• RQ3 医療画像処理分野から得たトランスファー学習技術を、添加製造分野における欠陥セグメンテーションの向上にどの程度適応できるか？
• RQ4 ディープラーニングを用いたAM欠陥の3次元ボリュメトリックセグメンテーションで達成可能な平均交差率（IoU）はどの程度か？
• RQ5 自動3次元セグメンテーションは、AM品質管理プロセスにおける手作業による点検の必要性を低減できるか？

主な発見

• 提案された3次元U-Netモデルは、AM欠陥データセット上で平均交差率（IoU）88.4％を達成し、高いセグメンテーション精度を示した。
• テストされた3つの3次元U-Netバリアントのうち、1つが最高のIoUを達成し、欠陥セグメンテーションにおけるアーキテクチャ設計の重要性を示した。
• 本モデルは、コントラストが低く、空間的スケールが小さい欠陥を効果的にセグメンテーションでき、XCTを用いたAM検査における一般的な課題に対応できた。
• 3次元U-Netの医療画像処理分野からの適応可能性が検証され、本分野における最初の成功事例となった。
• 本手法により、完全に自動化された3次元ボリュメトリックセグメンテーションが可能となり、手作業による欠陥アノテーションへの依存が低減された。
• 本研究は、XCTデータを用いたAM部品における欠陥のディープラーニングベースの3次元セグメンテーションの新しいベンチマークを確立した。