[논문 리뷰] Automatic Volumetric Segmentation of Additive Manufacturing Defects with 3D U-Net

Vivian Wen Hui Wong, Max Ferguson외 3명|arXiv (Cornell University)|2021. 01. 22.

Additive Manufacturing and 3D Printing Technologies참고 문헌 29인용 수 22

한 줄 요약

이 논문은 적층 제조(AM) 부품의 X선 컴퓨터 단층 촬영(XCT) 스캔에서 결함의 볼륨 세분화를 자동으로 수행하기 위한 3D U-Net 딥러닝 모델을 제안한다. 의료 영상 기법을 적층 제조 분야에 적응시킴으로써, 낮은 대trast, 작은 결함에 대해 높은 정확도로 88.4%의 평균 교차율(IoU)을 달성하였으며, 이는 AM 분야에서 3D U-Net를 사용한 결함 세분화의 첫 성공적인 적용 사례이다.

ABSTRACT

Segmentation of additive manufacturing (AM) defects in X-ray Computed Tomography (XCT) images is challenging, due to the poor contrast, small sizes and variation in appearance of defects. Automatic segmentation can, however, provide quality control for additive manufacturing. Over recent years, three-dimensional convolutional neural networks (3D CNNs) have performed well in the volumetric segmentation of medical images. In this work, we leverage techniques from the medical imaging domain and propose training a 3D U-Net model to automatically segment defects in XCT images of AM samples. This work not only contributes to the use of machine learning for AM defect detection but also demonstrates for the first time 3D volumetric segmentation in AM. We train and test with three variants of the 3D U-Net on an AM dataset, achieving a mean intersection of union (IOU) value of 88.4%.

연구 동기 및 목표

• XCT 영상에서 낮은 대비, 작은 크기, 다양한 외관을 가지는 결함에 의한 자동 세분화 과제를 해결하기 위해.
• 의료 영상에서의 3D 컨volution 신경망, 특히 3D U-Net 아키텍처를 적층 제조 분야로 적용하기 위해.
• 실제 AM 결함 데이터셋을 사용하여 여러 3D U-Net 변종의 볼륨 세분화 성능을 평가하기 위해.
• XCT 데이터를 활용한 딥러닝 기반 3D 결함 세분화에 대한 벤치마크를 설정하기 위해.
• 3D 공간에서 정확한 결함 위치 특정을 통해 자동화되고 신뢰할 수 있는 적층 제조 품질 관리 시스템을 구현하기 위해.

제안 방법

• 3D 볼륨 XCT 데이터를 기반으로 3D U-Net 아키텍처를 엔드 투 엔드로 훈련하여 결함 세분화를 수행한다.
• 공간 해상도를 유지하고 다양한 척도의 특징 학습을 향상시키기 위해 인코더-디코더 아키텍처와 스킵 커넥션을 사용한다.
• 성능 차이를 평가하기 위해 자체 제작한 AM 결함 데이터셋에서 세 가지 3D U-Net 변종을 훈련 및 평가한다.
• 결함 데이터셋의 크기가 제한되어 있음에 따라 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 픽셀 단위의 결함 확률을 예측하기 위해 이진 교차 엔트로피 손실와 시그모이드 활성화 함수를 사용하여 네트워크를 훈련한다.
• 3D 볼륨에서 추론을 수행하여 3D 공간 내 결함 영역을 식별하는 조밀한 세분화 마스크를 생성한다.

실험 결과

연구 질문

• RQ1 3D U-Net 모델은 적층 제조 부품의 XCT 스캔에서 작은 크기, 낮은 대비의 결함을 효과적으로 세분화할 수 있는가?
• RQ2 3D U-Net의 다양한 아키텍처 변종은 AM 결함 세분화에서 어떻게 성능을 보이는가?
• RQ3 의료 영상에서의 전이 학습 기법은 적층 제조 분야의 결함 세분화 향상에 얼마나 적응 가능한가?
• RQ4 딥러닝을 활용한 AM 결함의 3D 볼륨 세분화에서 달성 가능한 평균 교차율(IoU)은 얼마인가?
• RQ5 자동 3D 세분화는 AM 품질 관리 파이프라인에서 수동 점검의 필요성을 줄일 수 있는가?

주요 결과

• 제안된 3D U-Net 모델은 AM 결함 데이터셋에서 평균 교차율(IoU) 88.4%를 달성하여 높은 세분화 정확도를 보였다.
• 시험된 세 가지 3D U-Net 변종 중 하나가 가장 높은 IoU를 기록하여 아키텍처 설계가 결함 세분화 성능에 미치는 중요성을 입증하였다.
• 낮은 대비와 작은 공간적 크기를 가진 결함을 성공적으로 세분화하여, XCT 기반 AM 검사에서 흔한 과제에 대응함을 보였다.
• 3D U-Net의 의료 영상에서의 이식 가능성을 입증하였으며, 이는 이 분야에서의 첫 번째 사례이다.
• 완전히 자동화된 3D 볼륨 세분화를 가능하게 하여 수동 결함 주석 기반 의존도를 감소시켰다.
• XCT 데이터를 활용한 딥러닝 기반 3D 결함 세분화에 대한 새로운 벤치마크를 설정하였다.