[论文解读] Automatic detection of impact craters on Al foils from the Stardust interstellar dust collector using convolutional neural networks

Logan Jaeger, A. L. Butterworth+10 more|arXiv (Cornell University)|Mar 15, 2021

Astro and Planetary Science参考文献 66被引用 2

一句话总结

本文提出了一种基于VGG16的卷积神经网络（CNN），用于自动检测NASA Stardust任务中铝箔上的亚微米级撞击陨石坑。该模型在扫描电子显微镜（SEM）图像上进行训练，实现了高特异性，将需要人工审查的图像数量减少了96%，并成功识别出此前被忽略的陨石坑，显著加快了样品分析速度，同时仍作为人工验证的预筛选工具。

ABSTRACT

NASA's Stardust mission utilized a sample collector composed of aerogel and aluminum foil to return cometary and interstellar particles to Earth. Analysis of the aluminum foil begins with locating craters produced by hypervelocity impacts of cometary and interstellar dust. Interstellar dust craters are typically less than one micrometer in size and are sparsely distributed, making them difficult to find. In this paper, we describe a convolutional neural network based on the VGG16 architecture that achieves high specificity and sensitivity in locating impact craters in the Stardust interstellar collector foils. We evaluate its implications for current and future analyses of Stardust samples.

研究动机与目标

• 解决使用扫描电子显微镜（SEM）图像手动识别Stardust任务铝箔上稀疏的亚微米级撞击陨石坑的挑战。
• 通过自动化SEM图像筛选，减少Stardust@home（SAH）项目中人类志愿者所需的时间和精力。
• 开发一种深度学习模型，通过优先保证高特异性来最小化假阳性结果，鉴于实际陨石坑的出现频率极低。
• 实现对Stardust收集器中尚未检查的铝箔的高效分析，其中许多尚未通过SEM扫描。
• 展示CNN在类似箔基收集器的未来采样返回任务（如Genesis和Tanpopo）中的潜力。

提出的方法

• 基于VGG16架构的卷积神经网络（CNN）经过微调，用于在铝箔的SEM图像中检测陨石坑。
• 该模型在包含已知陨石坑和非陨石坑特征（如划痕和表面缺陷）的SEM图像数据集上进行训练。
• 网络优化为实现99.9%的高特异性，以最小化假阳性，考虑到仅约0.1%的图像包含实际陨石坑。
• 该模型应用于Stardust@home（SAH）数据库，对超过40万张图像进行分类，仅将最具潜力的候选图像标记供人工审查。
• 该方法利用ImageNet预训练的VGG16进行迁移学习，对特定陨石坑检测任务微调最后几层。
• 系统设计为预筛选工具，而非人工验证的替代品，鉴于任意图像中陨石坑的先验概率极低。

实验结果

研究问题

• RQ1 深度学习模型能否在高特异性下有效检测Stardust任务铝箔上的亚微米级撞击陨石坑？
• RQ2 CNN在Stardust@home项目中能在多大程度上减少需要人工审查的SEM图像数量？
• RQ3 与传统的霍夫变换和模板匹配方法相比，CNN在检测稀疏、微弱陨石坑时的性能如何？
• RQ4 相同的CNN方法能否推广应用于其他具有类似箔基收集器的采样返回任务？
• RQ5 类别不平衡对陨石坑检测有何影响？在正样本极低出现频率的情况下，如何最大化模型特异性？

主要发现

• CNN成功识别出Stardust@home数据库中此前人类志愿者未检测到的陨石坑候选。
• 该模型将需要人工审查的图像数量减少了96%，在超过40万张总图像中仅留下约16,000张供人工检查。
• 该模型实现了99.9%的特异性，尽管陨石坑的先验概率极低（估计在10^7张图像中仅有约100个陨石坑），仍显著减少了假阳性。
• 该方法在加速尚未检查的铝箔分析方面立即体现出实用价值，其中许多尚未通过SEM扫描。
• CNN的成功表明，类似深度学习方法可应用于其他采样返回任务（如Genesis和Tanpopo），这些任务使用类似的箔基收集器。
• 结果表明，CNN可作为未来Stardust气凝胶收集器分析中有效的事前处理工具，因为此类分析同样面临稀有特征检测的挑战。