[논문 리뷰] Detecting micro fractures with X-ray computed tomography.

Dongwon Lee, Nikolaos Karadimitriou외 2명|arXiv (Cornell University)|2021. 03. 23.

Mineral Processing and Grinding참고 문헌 78인용 수 4

한 줄 요약

이 연구는 캐라라 마르블의 X선 컴퓨터 단층 촬영(XRCT) 데이터에서 미세균열을 탐지하기 위해 세 가지 전통적이고 두 가지 기계학습 기반의 분할 방법을 평가한다. 2D U-Net 딥 러닝 모델은 정확도와 처리 속도 면에서 다른 모델들을 능가했으며, 메모리 제약에도 불구하고 뛰어난 성능을 보였다.

ABSTRACT

Studying porous rock materials with X-Ray Computed Tomography (XRCT) has been established as a standard procedure for the non-destructive visualization of flow and transport in opaque porous media. Despite the recent advances in the field of XRCT, some challenges still remain due to the inherent noise and imaging artefacts in the produced data. These issues become even more profound when the objective is the identification of fractures, and/or fracture networks. The challenge is the limited contrast between the regions of interest and the neighboring areas. This limited contrast can mostly be attributed to the minute aperture of the fractures. In order to overcome this challenge, it has been a common approach to apply digital image processing, such as filtering, to enhance the signal-to-noise ratio. Additionally, segmentation methods based on threshold-/morphology schemes can be employed to obtain enhanced information from the features of interest. However, this workflow needs a skillful operator to fine-tune its input parameters, and the required computation time significantly increases due to the complexity of the available methods, and the large volume of the data-set. In this study, based on a data-set produced by the successful visualization of a fracture network in Carrara marble with XRCT, we present the segmentation results from a number of segmentation methods. Three conventional and two machine-learning-based methods are evaluated. The segmentation results from all five methods are compared to each other in terms of segmentation quality and time efficiency. Due to memory limitations, and in order to accomplish a fair comparison, all the methods are employed in a 2D scheme. The output of the 2D U-net model, which is one of the adopted machine-learning-based segmentation methods, shows the best performance regarding the quality of segmentation and the required processing time.

연구 동기 및 목표

• 다孔성 암석의 XRCT 데이터에서 미세균열과 주변 매트릭스 간의 대trast가 낮은 문제를 해결하기 위해.
• 전통적 및 기계학습 기반의 분할 기법이 미세균열 탐지에 얼마나 효과적인지 평가하기 위해.
• 메모리 제약 조건 하에서 여러 방법 간의 분할 품질과 계산 효율성 간의 비교를 위해.
• 딥 러닝 접근 방식이 기존의 임계치 설정 및 형태학적 방법보다 미세균열 탐지에서 승승을 거두는지 확인하기 위해.

제안 방법

• 미세균열의 의미 분할을 위해 2D U-Net 컨볼루션 신경망의 구현을 적용하였다.
• 비교를 위해 임계치 설정 및 형태학적 연산 기반의 세 가지 전통적 분할 방법을 사용하였다.
• 모든 방법은 캐라라 마르블의 균열 네트워크에서 취득한 2D XRCT 데이터 슬라이스에 적용되어 공정한 계산 비교를 보장하였다.
• 분할 품질은 지상 진실(ground truth)과의 시각적 및 정량적 비교를 통해 평가되었지만, 명시적인 지표는 제공되지 않았다.
• 계산 효율성을 평가하기 위해 처리 시간을 측정하였다.
• 메모리 제약으로 인해 3D 데이터가 이용 가능했음에도 불구하고 연구는 2D 처리에 집중하였다.

실험 결과

연구 질문

• RQ1 노이즈가 많은 XRCT 데이터에서 딥 러닝 기반 분할이 기존의 임계치 설정 및 형태학적 방법보다 미세균열 탐지에서 뛰어나게 작용할 수 있는가?
• RQ2 2D U-Net 모델은 미세균열의 분할 정확도 측면에서 기존 방법과 비교해 어떻게 다른가?
• RQ3 다양한 방법 간의 분할 품질과 처리 시간 사이의 상호 교환 관계는 어떠한가?
• RQ4 이미지 노이즈와 균열 및 매트릭스 간의 낮은 대비가 분할 성능에 얼마나 큰 영향을 미치는가?

주요 결과

• 2D U-Net 모델은 평가된 모든 방법 중에서 가장 높은 분할 품질을 달성했다.
• 2D U-Net 모델은 다른 방법들보다 처리 시간이 짧아 시간 효율성 면에서 뛰어났다.
• 임계치 설정 및 형태학적 방법에 기반한 전통적 방법들은 광범위한 매개변수 조정이 필요했으며, 저대비와 노이즈로 인해 효과가 떨어졌다.
• 2D 구현을 사용했음에도 불구하고 U-Net 모델은 전통적 접근 방식보다 정성적으로 뛰어난 분할 결과를 도출했다.
• 메모리 제약으로 인해 2D 접근이 불가피했지만, U-Net는 이러한 제약 조건 하에서도 정확도와 속도 면에서 다른 방법들을 능가했다.
• 이 연구는 노이즈가 많은 XRCT 데이터에서 미세균열 탐지에 있어 딥 러닝 방법이 기존의 이미지 처리 파이프라인보다 더 견고함을 확인한다.