[論文レビュー] Automated Copper Alloy Grain Size Evaluation Using a Deep-learning CNN

George S. Baggs, Paul Guerrier+2 more|arXiv (Cornell University)|May 20, 2020

Non-Destructive Testing Techniques参考文献 19被引用数 5

ひとこと要約

本論文では、航空宇宙用材料認証を目的とした、銅合金試料の自動化された粒径評価のためのディープラーニングベースのCNNシステムを提示している。91.1%の分類精度を達成した。大規模なマイクログラフを部分画像に分解し、実験計画法（DoE）を用いたハイパーパrameter最適化により、高精度で低作業負荷かつ高速なバッチ処理が可能になった。

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.

研究の動機と目的

• 飛行機の飛行に重要な部品に使用される銅合金バー素材の粒径評価を自動化すること。
• 銅合金のマイクロ構造分析における人的作業と誤差を低減すること。
• マイクログラフのバッチ評価における処理速度と一貫性を向上させること。
• 部分画像への分解とアンサンブル解析を用いてモデルの説明可能性を向上させること。
• 産業用材料検査に適した堅牢でスケーラブルなディープラーニングパイプラインの開発すること。

提案手法

• 本システムは、大規模な銅合金マイクログラフから抽出した12,300枚の部分画像でトレーニングされた畳み込みニューラルネットワーク（CNN）を用いている。
• データセットの一貫性を確保するため、色、明るさ、解像度の変動を最小限に抑える画像前処理を実施した。
• モデルの汎化性能を向上させるために、統計的実験計画法（DoE）を用いてハイパーパrameterを最適化した。
• 大規模な生画像をより小さな部分画像に分解することで、局所的分析が可能になり、モデルの説明可能性が向上した。
• 部分画像からの予測をアンサンブル化して、最終的な粒径分類を生成した。
• 本モデルは、Moog Inc.の産業品質管理プロセスから得たマイクログラフのキュレートされたデータセットを用いてトレーニングおよび検証した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングCNNは、銅合金マイクログラフにおいて高精度な粒径分類を達成できるか？
• RQ2 画像前処理およびデータ拡張は、マイクログラフ分析におけるばらつきをどの程度低減できるか？
• RQ3 部分画像への分解は、産業用AIアプリケーションにおけるモデルの説明可能性をどの程度向上できるか？
• RQ4 自動化された粒径評価は、航空宇宙材料認証における作業負荷と処理時間の短縮に寄与できるか？
• RQ5 実験計画法（DoE）の使用は、材料科学分野におけるCNNハイパーパrameter最適化にどの程度有効か？

主な発見

• 提案されたCNNは、銅合金コインの個々の部分画像において91.1%の分類精度を達成した。
• 体系的な画像前処理により、データセット全体における色、明るさ、解像度のばらつきが顕著に低減された。
• 部分画像への分解により、個々の分類結果の確認が可能となり、説明可能性が向上した。
• 実験計画法（DoE）の使用により、CNNハイパーパrameterの最適化が効果的に実施され、性能向上が達成された。
• 自動化システムは、飛行に重要な部品の承認プロセスにおける作業負荷低減と処理時間短縮の可能性を示した。
• 部分画像からの予測に基づくアンサンブルアプローチにより、モデルのロバスト性と解釈可能性が向上した。