[論文レビュー] Recognition Of Surface Defects On Steel Sheet Using Transfer Learning

Jingwen Fu, Xiaoyan Zhu+1 more|arXiv (Cornell University)|Sep 7, 2019

Industrial Vision Systems and Defect Detection参考文献 28被引用数 15

ひとこと要約

本論文では、微調整されたVGG16を特徴量抽出器として用い、カスタムCNNを分類器として用いる、転移学習に基づく鋼鉄表面欠険認識手法を提案する。1クラスあたり150枚の画像データセットでは99.1%の精度を達成し、1クラスあたり10枚の画像データセットでは96.0%の精度を示し、少量データ環境下での先行手法を顕著に上回る性能を発揮した。

ABSTRACT

Automatic defect recognition is one of the research hotspots in steel production, but most of the current methods mainly extract features manually and use machine learning classifiers to recognize defects, which cannot tackle the situation, where there are few data available to train and confine to a certain scene. Therefore, in this paper, a new approach is proposed which consists of part of pretrained VGG16 as a feature extractor and a new CNN neural network as a classifier to recognize the defect of steel strip surface based on the feature maps created by the feature extractor. Our method achieves an accuracy of 99.1% and 96.0% while the dataset contains 150 images each class and 10 images each class respectively, which is much better than previous methods.

研究の動機と目的

• 手動による特徴量設計が性能を制限する少量データの状況において、鋼鉄表面欠険認識の課題に取り組むこと。
• 欠険データセットが小さく、不均衡である工業的現場における認識精度の向上。
• VGG16から得られる事前学習済みの深層特徴量を活用し、広範な手動による特徴量抽出に依存するのを減らすこと。
• 実際の鋼鉄生産環境に適応可能な、堅牢でエンドツーエンドのディープラーニングフレームワークの構築。
• 工業的応用で一般的に見られる小規模な欠陥データセットにおいて、最先端の性能を示すこと。

提案手法

• 事前学習済みのVGG16モデルを固定された特徴量抽出器として使用し、畳み込み層の重みを凍結して学習済み特徴量を保持する。
• VGG16の最終全結合層を、鋼鉄欠陥認識に特化した新しいランダム初期化のCNN分類器に置き換える。
• VGG16の最終畳み込み層からの特徴マップを新しい分類器に供給し、エンドツーエンドの学習を実施する。
• 初期学習段階ではVGG16の特徴量抽出器の重みを固定したまま、新しい分類器を微調整することで転移学習を適用する。
• 交差エントロピー損失とデータオーグメンテーションを用いた確率的勾配降下法により、汎化性能の向上を図る。
• 本アプローチは、1クラスあたり150枚の画像を含むデータセットと、1クラスあたり10枚の画像を含むデータセットの2つで評価された。

実験結果

リサーチクエスチョン

• RQ1 少量の学習画像しか利用できない状況下で、転移学習が欠陥認識の精度を顕著に向上させることができるか？
• RQ2 従来の手動による特徴量設計と比較して、事前学習済みVGG16特徴量抽出器は鋼鉄欠陥分類においてどのように優れているか？
• RQ3 微調整されたカスタムCNN分類器は、少量データの鋼鉄表面欠陥データセットにおいて、どの程度高い精度を達成できるか？
• RQ4 1クラスあたり150枚から10枚に学習サンプル数を減らした場合、提案手法が依然として高い性能を維持できるか？
• RQ5 VGG16特徴量と軽量分類器の組み合わせは、多様な鋼鉄表面欠陥にわたって十分に汎化できるか？

主な発見

• 提案手法は、1クラスあたり150枚の画像を含むデータセットで99.1%の分類精度を達成し、先行手法を上回った。
• 1クラスあたり10枚の画像でさえも、96.0%の精度に達した。これは、少量データ環境下でも優れた汎化性能を示している。
• 事前学習済みVGG16特徴量の使用により、手動による特徴量抽出の必要性が顕著に減少し、モデルの頑健性が向上した。
• 微調整されたカスタムCNN分類器は、限られたデータからも判別可能なパターンを効果的に学習できており、特徴量の高い転送性を示した。
• 複数の欠陥タイプにわたり一貫した性能を示したため、産業的鋼鉄品質管理への広範な適用可能性が示唆された。
• 結果から、ラベル付きデータが限られる状況下でも、転移学習が鋼鉄表面欠陥認識に非常に効果的であることが確認された。