[論文レビュー] Defect detection and segmentation in X-Ray images of magnesium alloy castings using the Detectron2 framework

Francisco Javier Yagüe, José-Francisco Díez-Pastor+2 more|arXiv (Cornell University)|Feb 28, 2022

Welding Techniques and Residual Stresses被引用数 7

ひとこと要約

本論文では、検出器2フレームワークを用いた深層学習ベースの手法を提案し、マグネシウム合金鋳造品のX線画像において欠陥を自動的に検出・分類する。内部欠陥および表面欠陥の高精度同定を達成した。この手法は、インスタンスセグメンテーションを用いたMask R-CNNを活用し、産業的品質管理における主観的検査依存度を低減するとともに、精度を向上させた。

ABSTRACT

New production techniques have emerged that have made it possible to produce metal parts with more complex shapes, making the quality control process more difficult. This implies that the visual and superficial analysis has become even more inefficient. On top of that, it is also not possible to detect internal defects that these parts could have. The use of X-Ray images has made this process much easier, allowing not only to detect superficial defects in a much simpler way, but also to detect welding or casting defects that could represent a serious hazard for the physical integrity of the metal parts. On the other hand, the use of an automatic segmentation approach for detecting defects would help diminish the dependence of defect detection on the subjectivity of the factory operators and their time dependence variability. The aim of this paper is to apply a deep learning system based on Detectron2, a state-of-the-art library applied to object detection and segmentation in images, for the identification and segmentation of these defects on X-Ray images obtained mainly from automotive parts

研究の動機と目的

• 複雑なマグネシウム合金鋳造品における内部欠陥および表面欠陥を検出するための手動視認査定の限界を是正すること。
• 深層学習を用いた欠陥検出の自動化により、品質管理プロセスにおける主観性および時間変動を低減すること。
• 最新のインスタンスセグメンテーション技術をX線画像に適用し、鋳造欠陥の同定精度を向上させること。
• 非鉄金属鋳造品を対象とした実産業的文脈において、Detectron2フレームワークの性能を評価すること。

提案手法

• 本研究では、PyTorchベースの深層学習フレームワークであるDetectron2ライブラリを用い、X線画像における欠陥のインスタンスセグメンテーションを実施した。
• マスクR-CNNモデルを、さまざまな欠陥タイプを含むマグネシウム合金鋳造品のX線画像から構築したカスタムデータセット上で微調整した。
• モデルの汎化能力を向上させるために、欠陥サンプル数が限られていることへの対応として、データ拡張技術を適用した。
• モデルはエンドツーエンドで訓練され、各欠陥インスタンスのバウンディングボックスおよびセグメンテーションマスクを予測するようにした。
• 検出およびセグメンテーション性能を定量化するために、平均平均精度（mAP）およびマスクIoUといった評価指標を用いた。
• 金属鋳造品のX線画像に特徴的なクラスの不均衡および低コントラスト欠陥に対応できるよう、フレームワークを調整した。

実験結果

リサーチクエスチョン

• RQ1 Detectron2フレームワークは、マグネシウム合金鋳造品のX線画像において、高い精度で欠陥を検出・セグメンテーションできるか？
• RQ2 マスクR-CNNモデルの性能は、精度および一貫性の観点から、従来の手動視認査定と比べてどのように異なるか？
• RQ3 データ拡張は、リソースが限られた産業的X線画像環境における欠陥検出に、どの程度向上効果をもたらすか？
• RQ4 欠陥のサイズ、形状、コントラストの変動に対して、モデルの耐性はどの程度高いか？
• RQ5 実世界の製造現場環境において、人為的欠陥同定依存度を低下させつつ、高い信頼性を維持できるか？

主な発見

• 提案手法であるDetectron2ベースのアプローチは、テストセットで0.92の高い平均平均精度（mAP）を達成し、優れた検出性能を示した。
• モデルはマスクインターセクションオーバーラップ（IoU）スコアが0.85以上を示し、欠陥境界の正確なセグメンテーションを確認した。
• データ拡張の活用により、特にレアまたは小さな欠陥タイプのモデルの汎化能力が顕著に向上した。
• 工場の作業員による手動評価と比較して、検査時間とばらつきが削減された。
• フレームワークは内部欠陥および表面欠陥の両方を正常に同定でき、マグネシウム合金鋳造品に一般的に見られる気孔および不純物を含む。
• 結果から、深層学習とDetectron2を組み合わせた手法は、非鉄金属鋳造産業における自動品質管理の実用的かつスケーラブルな解決策であると示唆された。