[論文レビュー] MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach

Matan Rusanovsky, Gal Oren+2 more|arXiv (Cornell University)|Feb 27, 2020

Mineral Processing and Grinding参考文献 14被引用数 4

ひとこと要約

MLographyは、工業用合金内の金属組織的不純物における自動的・定量的な異常検出のための、深層学習およびデータマイニングのフレームワークを提案する。空間的、形状的、面積的の3つの補完的異常尺度を距離ベースの指標、オートエンコーダー、マーケットクラスタリングを用いて導入し、異常な不純物を同定・スコア化する。妥当性評価により、モデルが予測した異常と物理的検査結果の間に強い整合性が確認された。

ABSTRACT

The micro-structure of most of the engineering alloys contains some inclusions and precipitates, which may affect their properties, therefore it is crucial to characterize them. In this work we focus on the development of a state-of-the-art artificial intelligence model for Anomaly Detection named MLography to automatically quantify the degree of anomaly of impurities in alloys. For this purpose, we introduce several anomaly detection measures: Spatial, Shape and Area anomaly, that successfully detect the most anomalous objects based on their objective, given that the impurities were already labeled. The first two measures quantify the degree of anomaly of each object by how each object is distant and big compared to its neighborhood, and by the abnormally of its own shape respectively. The last measure, combines the former two and highlights the most anomalous regions among all input images, for later (physical) examination. The performance of the model is presented and analyzed based on few representative cases. We stress that although the models presented here were developed for metallography analysis, most of them can be generalized to a wider set of problems in which anomaly detection of geometrical objects is desired. All models as well as the data-set that was created for this work, are publicly available at: https://github.com/matanr/MLography.

研究の動機と目的

• 金属組織分析における専門家による異常評価に代わる、客観的かつ定量的な代替手法の開発。
• AIを用いて、工業用合金内の不純物異常の自動検出とスコア化を実現すること。
• 定量的金属組織学における再現可能性のある研究を促進するため、公開可能なデータセットおよびモデルの構築。
• マルチスケールの異常スコアリングにより、潜在的な欠険な材料領域の早期同定を可能にすること。

提案手法

• k番目の近隣距離に基づく新しい空間的異常尺度を提案。対象の面積に応じて調整される。
• オートエンコーダーを用いて不純物の輪郭を再構築し、通常の形状からの逸脱を定量化することで、形状的異常スコアを導入。
• マーケットクラスタリングを用いて不純物を領域にグループ化し、クラスタの凝集度および外れ値の含みに基づいて面積的異常スコアを計算。
• 空間的および形状的異常スコアを乗算的に組み合わせ、各クラスタの複合異常スコアを生成。
• テスト画像における形状的異常を検出するために、正常な不純物のみで訓練されたオートエンコーダーを用いる。
• 式2を用いてクラスタを異常スコアの順に並べ替え、物理的検査の優先順位を決定。

実験結果

リサーチクエスチョン

• RQ1 専門家の意見に依存せずに、データ駆動型の深層学習ベースの手法が、金属組織画像における異常な不純物を信頼性高く検出できるか。
• RQ2 空間的・形状的・面積的異常尺度をどのように組み合わせることで、合金内の潜在的な欠険な領域の検出を向上させられるか。
• RQ3 モデルが予測する異常スコアと、微硬さや化学組成といった物理的欠陥指標との相関度はどの程度か。
• RQ4 物理的試験で顕著な差が認められない状況において、モデルは正常な不純物と異常な不純物を区別できるか。

主な発見

• テストスキャンにおける最も異常度の高いクラスタは、全1653個のクラスタの中でそれぞれ1588番目、1642番目、916番目にランク付けされ、最も異常度の高いクラスタは最初の10パーセンタイル内に位置した。
• 異常な不純物と正常な不純物との間で微硬さやEDS組成に有意差は認められず、視覚的異常が物理的性質の変化と常に一致するわけではないことが示唆された。
• 空間的および形状的異常尺度は、物理的試験で欠际が確認されない場合でも、通常パターンからの著しい逸脱を効果的に同定した。
• マーケットクラスタリングを用いた面積的異常尺度は、内部の異常スコアが高かったクラスタを効果的に特定し、さらなる検査の優先順位付けを可能にした。
• モデルの異常スコアは、異常度の増加に伴い単調に増加しており、スコアフレームワークの数学的整合性が妥当であることが裏付けられた。
• 本モデル、ならびに243枚のアノテート済み金属組織スキャンからなるデータセットは、すべてGitHubで公開されている（https://github.com/matanr/MLography）。