[論文レビュー] Deep learning applications for quality control in particle detector construction

N. Akchurin, J. Damgov+8 more|arXiv (Cornell University)|Mar 16, 2022

Particle Detector Development and Performance被引用数 4

ひとこと要約

本論文では、LHCのHGCALに搭載される高チャネル密度型検出器向けに、畳み込みニューラルネットワーク（CNN）を用いたワイヤーボンディング分類とオートエンコーダーを用いたセンサーにおける異常検出により、シリコン粒子検出器の組立における品質管理の自動化を目的としたディープラーニングベースのコンピュータビジョンを提案する。ワイヤーボンディングの品質分類では94–100%の精度を達成し、欠陥検出では88%の正確性を示した。これにより、人的な検査時間とバイアスが顕著に削減され、高チャネル密度型検出器向けにスケーラブルかつリアルタイムのQCが可能となった。

ABSTRACT

The growing complexity of particle detectors makes their construction and quality control a new challenge. We present studies that explore the use of deep learning-based computer vision techniques to perform quality checks of detector components and assembly steps, which will automate procedures and minimize the need for human interventions. This study focuses on the construction steps of a silicon detector, which involve forming a mechanical structure with the sensor and wire bonding individual cells to electronics for reading out signals. Silicon detectors in high energy physics experiments today have millions of channels. Manual quality control of these and other high channel-density detectors requires enormous amounts of labor and can be prone to errors. Here, we explore computer vision applications to either augment or fully replace visual inspections done by humans. We investigated convolutional neural networks for image classification and autoencoders for anomalies detection. Two proof-of-concept studies will be presented.

研究の動機と目的

• LHCのHGCALのような高複雑性・高チャネル密度型粒子検出器における、人的な品質管理の増大する課題に対処する。
• 数百万本のワイヤーボンディングやセンサー欠陥の視覚的検査における人的労働と誤差を低減する。
• ディープラーニングを活用した自動的でスケーラブルかつ信頼性の高いコンピュータビジョンツールを開発し、人的QC手順の置き換えまたは補完を可能にする。
• 熟練者の介入を最小限に抑え、一貫性を高めるリアルタイムで継続的な検査システムを実現する。
• 新規欠陥や部品の出現に応じて、段階的学習および転移学習によりモデルの長期的適応性を確保する。

提案手法

• ワイヤーボンディング領域のラベル付き画像705枚を用いて、畳み込みニューラルネットワーク（CNN）を訓練し、6つの品質カテゴリ（ワイヤーなし、接着剤、断線、1/3、2/3、全ワイヤー）に分類する。
• センサーサブストレートの再構築により、物理的欠陥（傷、欠け、チリ）としての偏差を特定することで、教師なし異常検出のためのオートエンコーダーを用いる。
• マイクロスコープを搭載したプログラマブルなゲントリを用いて、検出器部品の均一で高解像度の画像収集を実施。
• データ拡張技術（クロップ、回転、明るさ変更）を適用し、訓練データにおける欠陥画像の数を増やし、モデルの頑健性を向上させる。
• 新規データの追加に伴う完全再訓練を回避できるよう、段階的学習および転移学習を可能にするモデル設計。
• スマートフォンの顔認識にインspiredされたリアルタイム推論パイプラインを検討し、ストリーミングで即時の検査を実現。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのコンピュータビジョンは、高精度でシリコン検出器モジュールのワイヤーボンディング品質を分類できるか？
• RQ2 オートエンコーダーは、物理的欠陥（傷、染み、欠け）を高感度かつ低偽陰性率でセンサーフェースで検出できるか？
• RQ3 欠陥サンプルが訓練データに極めて少ない状況において、データ拡張技術がディープラーニングモデルの性能をどのように向上させるか？
• RQ4 自動化されたQCは、検出器品質管理における人的労働と主観的バイアスをどの程度削減できるか？
• RQ5 新規欠陥や部品の出現に伴い、継続的に新しいデータでモデルを更新できるか、そのモデルは進化する生産工程に適応可能か？

主な発見

• CNNベースの分類モデルは、全6カテゴリのワイヤーボンディング品質分類において94%～100%の精度を達成し、自動検査における高い信頼性を示した。
• センサー品質分類のためのCNNモデルは88%の正確性を示したが、3%の欠陥画像が正常と誤分類されたことから、中程度の偽陰性リスクがあると判明した。
• オートエンコーダーを用いた異常検出は、再構築誤差を検出することで、センサーフェースの傷、染み、欠けなどの物理的欠陥を効果的に同定した。
• 回転、クロップ、明るさ変更といったデータ拡張技術により、照明やアライメントの変動に対するモデルの頑健性が向上した。
• 提案されたシステムにより、人的な検査時間と目の疲れが顕著に削減され、欠陥評価における人為的バイアスも最小限に抑えられた。
• フレームワークは将来的なリアルタイム処理および段階的学習をサポートしており、最小限の人的介入で継続的なモデル改善が可能である。