[논문 리뷰] MLography: An Automated Quantitative Metallography Model for Impurities Anomaly Detection using Novel Data Mining and Deep Learning Approach

Matan Rusanovsky, Gal Oren외 2명|arXiv (Cornell University)|2020. 02. 27.

Mineral Processing and Grinding참고 문헌 14인용 수 4

한 줄 요약

MLography는 공 ingeneering 합금 내 금속 조직 불순물에서 자동으로 정량적인 이방성 검출을 위한 새로운 딥러닝 및 데이터 마이닝 프레임워크를 제안한다. 거리 기반 메트릭, 오토에인코더, 마켓 클러스터링을 사용하여 공간, 형태, 면적 세 가지 보완적인 이방성 측도를 도입하여 이방성 포함물을 식별하고 점수를 매기며, 검증 결과 모델 예측 이방성과 물리적 검사 결과 간 강한 일치를 보였다.

ABSTRACT

The micro-structure of most of the engineering alloys contains some inclusions and precipitates, which may affect their properties, therefore it is crucial to characterize them. In this work we focus on the development of a state-of-the-art artificial intelligence model for Anomaly Detection named MLography to automatically quantify the degree of anomaly of impurities in alloys. For this purpose, we introduce several anomaly detection measures: Spatial, Shape and Area anomaly, that successfully detect the most anomalous objects based on their objective, given that the impurities were already labeled. The first two measures quantify the degree of anomaly of each object by how each object is distant and big compared to its neighborhood, and by the abnormally of its own shape respectively. The last measure, combines the former two and highlights the most anomalous regions among all input images, for later (physical) examination. The performance of the model is presented and analyzed based on few representative cases. We stress that although the models presented here were developed for metallography analysis, most of them can be generalized to a wider set of problems in which anomaly detection of geometrical objects is desired. All models as well as the data-set that was created for this work, are publicly available at: https://github.com/matanr/MLography.

연구 동기 및 목표

• 금속 조직 분석에서 전문가 기반 이방성 평가의 객관적이고 정량적인 대안을 개발하기 위해.
• AI를 사용하여 공 ingeneering 합금 내 불순물 이방성의 자동 검출 및 점수 매기기를 위해.
• 정량적 금속 조직 연구를 위한 재현 가능한 연구를 위해 공개된 데이터셋과 모델을 만들기 위해.
• 다중 척도 이방성 점수를 통해 잠재적으로 결함이 있는 재료 영역을 조기에 식별하기 위해.

제안 방법

• 객체 면적을 보정한 k-번째 최근접 이웃과의 거리 기반으로 새로운 공간 이방성 측도를 제안한다.
• 불순물 윤곽을 재구성하고 정상 형태에서의 편차를 정량화하기 위해 오토에인코더를 사용하는 형태 이방성 점수를 도입한다.
• 불순물을 영역으로 군집화하고 군집의 밀도 및 이방성 포함 정도를 기반으로 면적 이방성 점수를 계산하기 위해 마켓 클러스터링을 활용한다.
• 공간 및 형태 이방성 점수를 곱하기 방식으로 조합하여 각 군집에 대한 복합 이방성 점수를 생성한다.
• 테스트 이미지에서 형태 이방성을 탐지하기 위해 정상 불순물만을 사용해 훈련된 오토에인코더를 사용한다.
• 식별된 군집을 식별 2에 따라 이방성 점수 순으로 정렬하여 물리적 검사 대상 영역을 우선순위 정렬한다.

실험 결과

연구 질문

• RQ1 전문가의 의견에 의존하지 않고 데이터 기반 딥러닝 기반 접근 방식이 금속 조직 영상에서 이방성 불순물을 신뢰성 있게 검출할 수 있는가?
• RQ2 공간, 형태, 면적 기반 이방성 측도를 어떻게 조합하여 합금 내 잠재적으로 결함이 있는 영역의 검출을 향상시킬 수 있는가?
• RQ3 모델 예측 이방성 점수와 미세경도 및 조성과 같은 물리적 결함 지표 간의 상관관계는 어느 정도인가?
• RQ4 물리적 시험에서 유의미한 차이가 없을 때 모델이 정상 및 이방성 포함물을 구분할 수 있는가?

주요 결과

• 모델은 테스트 스캔에서 총 1653개의 군집 중 1588, 1642, 916번 위치에 가장 이방성 정도가 높은 군집을 성공적으로 순위 매겼으며, 가장 이방성 정도가 높은 군집들은 첫 번째 디일에 포함되었다.
• 이방성 및 정상 불순물 간에 미세경도나 EDS 조성에 유의미한 차이가 없었으며, 이는 시각적 이방성이 항상 물리적 성질 변화와 관련이 있는 것은 아님을 시사한다.
• 공간 및 형태 이방성 측도는 물리적 시험으로 결함을 확인하지 못한 영역에서도 정상 패턴에서의 큰 편차를 효과적으로 식별했다.
• 마켓 클러스터링을 사용한 면적 이방성 측도는 내부 이방성 점수가 높은 군집을 성공적으로 강조하여 향후 검사 대상 영역 우선순위 정렬을 가능하게 했다.
• 모델의 이방성 점수는 이방성 정도 증가와 함께 단조적으로 증가했으며, 이는 점수 프레임워크의 수학적 일관성을 검증한 것이다.
• 모델 전체와 함께 243개의 주석이 부여된 금속 조직 스캔 데이터셋이 공개되어 있으며, https://github.com/matanr/MLography 에서 이용 가능하다.