[논문 리뷰] Automated Copper Alloy Grain Size Evaluation Using a Deep-learning CNN

George S. Baggs, Paul Guerrier외 2명|arXiv (Cornell University)|2020. 05. 20.

Non-Destructive Testing Techniques참고 문헌 19인용 수 5

한 줄 요약

이 논문은 항공우주용 재료 인증을 위한 고정밀, 저노력, 빠른 배치 처리를 가능하게 하는 딥러닝 기반의 CNN 시스템을 제안한다. 구리 합금 시료의 자동화된 입자 크기 평가를 위해 대규모 현미경 영상을 부분 영상으로 분해하고, 실험 설계(DoE)를 통한 초매개변수 최적화를 수행하여 91.1%의 분류 정확도를 달성하였다.

ABSTRACT

Moog Inc. has automated the evaluation of copper (Cu) alloy grain size using a deep-learning convolutional neural network (CNN). The proof-of-concept automated image acquisition and batch-wise image processing offers the potential for significantly reduced labor, improved accuracy of grain evaluation, and decreased overall turnaround times for approving Cu alloy bar stock for use in flight critical aircraft hardware. A classification accuracy of 91.1% on individual sub-images of the Cu alloy coupons was achieved. Process development included minimizing the variation in acquired image color, brightness, and resolution to create a dataset with 12300 sub-images, and then optimizing the CNN hyperparameters on this dataset using statistical design of experiments (DoE). Over the development of the automated Cu alloy grain size evaluation, a degree of "explainability" in the artificial intelligence (XAI) output was realized, based on the decomposition of the large raw images into many smaller dataset sub-images, through the ability to explain the CNN ensemble image output via inspection of the classification results from the individual smaller sub-images.

연구 동기 및 목표

• 비행 핵심 부품에 사용되는 구리 합금 바형재의 입자 크기 평가를 자동화하기 위해.
• 구리 합금의 미세구조 분석에서 수작업 노동과 인간 오류를 줄이기 위해.
• 현미경 영상의 배치 평가에서 처리 속도와 일관성을 향상시키기 위해.
• 부분 영상 분해와 앙상블 분석을 통해 모델의 해석 가능성을 향상시키기 위해.
• 산업용 재료 검사에 적합한 강력하고 확장 가능한 딥러닝 파이프라인 개발하기 위해.

제안 방법

• 12,300개의 부분 영상가 포함된 대규모 구리 합금 현미경 영상에서 추출된 컨volutional neural network(CNN)을 사용하여 학습하였다.
• 데이터셋의 일관성을 확보하기 위해 색상, 밝기, 해상도 변동을 최소화하는 이미지 전처리를 수행하였다.
• 모델 일반화 성능 향상을 위해 통계적 실험 설계(DoE)를 활용해 초매개변수를 최적화하였다.
• 대규모 원본 영상을 더 작은 부분 영상으로 분해하여 국소 분석을 가능하게 하고 모델의 해석 가능성을 향상시켰다.
• 부분 영상의 예측 결과를 앙상블하여 최종 입자 크기 분류를 도출하였다.
• 모델는 Moog Inc.의 산업 품질 관리 프로세스에서 수집한 정제된 현미경 영상 데이터셋을 사용해 학습 및 검증하였다.

실험 결과

연구 질문

• RQ1 딥러닝 CNN가 구리 합금 현미경 영상에서 높은 정확도의 입자 크기 분류를 달성할 수 있는가?
• RQ2 이미지 전처리 및 데이터 증강 기법이 현미경 영상 분석의 변동성을 어느 정도 줄일 수 있는가?
• RQ3 부분 영상 분해 기법이 산업용 AI 응용 분야에서 모델의 해석 가능성을 어느 정도 향상시킬 수 있는가?
• RQ4 자동화된 입자 크기 평가가 항공우주 재료 인증 과정에서의 노동력과 소요 시간을 줄일 수 있는가?
• RQ5 실험 설계(DoE) 기법이 재료 과학 분야의 CNN 초매개변수 최적화에 얼마나 효과적인가?

주요 결과

• 제안된 CNN는 구리 합금 커프온의 개별 부분 영상에서 91.1%의 분류 정확도를 달성하였다.
• 체계적인 이미지 전처리로 데이터셋 전반에 걸친 색상, 밝기, 해상도 변동이 크게 감소하였다.
• 부분 영상 분해 기법을 통해 개별 분류 결과를 점검할 수 있어 일정 수준의 해석 가능성이 확보되었다.
• 실험 설계(DoE) 기법을 활용한 초매개변수 최적화가 성능 향상에 효과적으로 기여하였다.
• 자동화된 시스템은 비행 핵심 재료 승인 프로세스에서의 노동력 감소와 처리 속도 향상 잠재력을 보였다.
• 부분 영상 예측 결과를 기반으로 한 앙상블 기반 접근법이 모델의 강건성과 해석 가능성을 향상시켰다.