[논문 리뷰] Defect detection and segmentation in X-Ray images of magnesium alloy castings using the Detectron2 framework

Francisco Javier Yagüe, José-Francisco Díez-Pastor외 2명|arXiv (Cornell University)|2022. 02. 28.

Welding Techniques and Residual Stresses인용 수 7

한 줄 요약

이 논문은 디텍트론2 프레임워크를 사용하여 마그네슘 합금 지압의 X선 영상에서 결함을 자동으로 감지하고 분할하는 딥러닝 기반 접근법을 제안한다. 이는 내부 및 표면 결함을 고정밀도로 식별하는 데 성공하며, 산업적 품질 관리에서 주관적인 인간 검사에 의존도를 줄이는 데 기여한다. 이 방법은 마스크 R-CNN를 활용한 인스턴스 분할을 통해 정확도를 향상시킨다.

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

연구 동기 및 목표

• 복잡한 마그네슘 합금 지압에서 내부 및 표면 결함을 감지하는 데 있어 수동 시각 검사의 한계를 해결하기 위해.
• 딥러닝을 활용한 결함 감지 자동화를 통해 품질 관리 과정의 주관성과 시간 변동성을 줄이기 위해.
• 최신 인스턴스 분할 기법을 X선 영상에 적용하여 지압 결함 식별 정확도를 향상시키기 위해.
• 비철 금속 지압을 포함한 실제 산업 환경에서 디텍트론2 프레임워크의 성능을 평가하기 위해.

제안 방법

• 연구는 파이토치 기반 딥러닝 프레임워크인 디텍트론2 라이브러리를 사용하여 X선 영상에서 결함의 인스턴스 분할을 수행한다.
• 마스크 R-CNN 모델은 다양한 결함 유형을 포함한 마그네슘 합금 지압의 X선 영상 커스텀 데이터셋에 대해 미세조정된다.
• 모델 일반화 능력을 향상시키기 위해 데이터 증강 기법이 적용되며, 특히 결함 샘플 수가 제한된 상황에서 유의미하다.
• 모델은 각 결함 인스턴스에 대한 바운딩 박스와 분할 마스크를 예측하기 위해 엔드 투 엔드로 훈련된다.
• 감지 및 분할 성능를 정량화하기 위해 평균 평균 정밀도(mAP) 및 마스크 IoU와 같은 평가 지표가 사용된다.
• 금속 지압의 X선 영상에서 흔히 나타나는 클래스 불균형 및 저대비 결함을 처리하기 위해 프레임워크가 적응되었다.

실험 결과

연구 질문

• RQ1 디텍트론2 프레임워크는 마그네슘 합금 지압의 X선 영상에서 높은 정확도로 결함을 감지하고 분할하는 데 효과적으로 기능하는가?
• RQ2 마스크 R-CNN 모델의 성능은 정밀도와 일관성 측면에서 전통적인 수동 검사에 비해 어떻게 비교되는가?
• RQ3 데이터 증강이 자원이 제한된 산업용 X선 영상 환경에서의 결함 감지 성능에 얼마나 기여하는가?
• RQ4 모델은 X선 영상에서 결함 크기, 형태, 대비의 변동에 대해 얼마나 강건한가?
• RQ5 실제 제조 현장 환경에서 높은 신뢰성을 유지하면서도 인간의 결함 식별 의존도를 줄일 수 있는가?

주요 결과

• 제안된 디텍트론2 기반 방법은 테스트 세트에서 0.92의 높은 평균 평균 정밀도(mAP)를 달성하여 강력한 감지 성능를 보였다.
• 모델은 마스크 교차율(IoU) 점수가 0.85 이상을 기록하여 결함 경계의 정확한 분할을 확인했다.
• 데이터 증강의 사용은 희귀하거나 작은 결함 유형에 대해 모델 일반화 능력을 크게 향상시켰다.
• 공장 운영자의 수동 평가에 비해 검사 시간과 변동성을 줄이는 데 성공했다.
• 프레임워크는 내부 및 표면 결함을 모두 성공적으로 식별했으며, 마그네슘 합금 지압에서 흔히 나타나는 기포와 포함물 결함까지 포함했다.
• 결과적으로 딥러닝을 활용한 디텍트론2는 비철 금속 지압 산업 분야에서 자동화된 품질 관리의 실현 가능하고 확장 가능한 솔루션임을 시사한다.