[논문 리뷰] Deep learning applications for quality control in particle detector construction

N. Akchurin, J. Damgov외 8명|arXiv (Cornell University)|2022. 03. 16.

Particle Detector Development and Performance인용 수 4

한 줄 요약

이 논문은 LHC의 HGCAL과 같은 고채널 밀도 검출기에서 실리콘 입자 검출기 제작의 품질 관리를 자동화하기 위해 딥러닝 기반 컴퓨터 비전을 제안한다. 여기서는 컨volutional 신경망(CNN)을 사용해 웨이퍼 결합 품질을 분류하고, 오토에인코더를 사용해 센서의 이면 이상을 탐지한다. 결합 품질 분류에서는 94–100%의 정밀도를 달성하였고, 결함 탐지에서는 88%의 정확도를 확보하여 수동 점검 시간과 인간의 편향을 크게 줄였으며, 고채널 밀도 검출기의 스케일러블하고 실시간 품질 보증을 가능하게 한다.

ABSTRACT

The growing complexity of particle detectors makes their construction and quality control a new challenge. We present studies that explore the use of deep learning-based computer vision techniques to perform quality checks of detector components and assembly steps, which will automate procedures and minimize the need for human interventions. This study focuses on the construction steps of a silicon detector, which involve forming a mechanical structure with the sensor and wire bonding individual cells to electronics for reading out signals. Silicon detectors in high energy physics experiments today have millions of channels. Manual quality control of these and other high channel-density detectors requires enormous amounts of labor and can be prone to errors. Here, we explore computer vision applications to either augment or fully replace visual inspections done by humans. We investigated convolutional neural networks for image classification and autoencoders for anomalies detection. Two proof-of-concept studies will be presented.

연구 동기 및 목표

• LHC의 HGCAL과 같은 고복잡도·고채널 밀도 검출기에서 증가하는 수동 품질 관리의 과제를 해결한다.
• 수백만 개의 웨이퍼 결합과 센서 결함에 대한 실리콘 검출기 부품의 시각적 점검에서 인간의 노동과 실수를 줄인다.
• 딥러닝을 활용해 수동 품질 보증 절차를 대체하거나 보완할 수 있는 자동화되고 확장 가능하며 신뢰할 수 있는 컴퓨터 비전 도구를 개발한다.
• 전문가 간섭을 최소화하고 일관성을 높이기 위해 실시간이고 지속적인 점검 시스템을 구현한다.
• 새로운 결함이나 구성 요소가 등장할 경우에도 점진적 및 전이 학습을 통해 모델의 장기적 적응성을 확보한다.

제안 방법

• 705장의 레이블이 부여된 웨이퍼 결합 영역 이미지를 기반으로 컨volutional 신경망(CNN)을 훈련시켜, 6개의 품질 카테고리(결합선 없음, 접착제, 끊어진 선, 1/3, 2/3, 전체 선)로 분류한다.
• 센서 이미지를 재구성함으로써 비지도 이상 탐지 기반의 오토에인코더를 사용하여, 긁힘, 모서리 손상, 먼지 등의 물리적 결함을 탐지한다.
• 마이크로스코프를 탑재한 프로그래머블 게이트리 시스템을 활용해 일관되고 고해상도의 검출기 부품 촬영을 수행한다.
• 데이터 증강 기법(자르기, 회전, 밝기 변형)을 적용하여 훈련 데이터 내 결함 이미지의 수를 늘리고 모델의 강인성을 향상시킨다.
• 새로운 데이터로의 지속적 개선이 가능하도록 점진적 및 전이 학습을 위한 모델 설계를 수행한다.
• 스마트폰 얼굴 인식 기술에 영감을 얻어 실시간 추론 파이프라인을 탐색하여 스트리밍 방식의 즉각적인 점검을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 컴퓨터 비전이 실리콘 검출기 모듈의 웨이퍼 결합 품질을 높은 정밀도로 효과적으로 분류할 수 있는가?
• RQ2 오토에인코더가 거치지 않은 센서 표면의 물리적 결함을 높은 민감도와 낮은 거짓 음성 비율로 탐지할 수 있는가?
• RQ3 결함 샘플이 훈련 데이터에 희귀할 경우 데이터 증강 기법이 딥러닝 모델의 성능을 어떻게 향상시킬 수 있는가?
• RQ4 자동화된 품질 보증이 검출기 품질 관리에서 인간의 노동과 주관성을 얼마나 줄일 수 있는가?
• RQ5 딥러닝 모델이 다년간의 검출기 제작 과정에서 변화하는 결함에 적응하기 위해 지속적으로 새로운 데이터로 업데이트될 수 있는가?

주요 결과

• CNN 기반의 분류 모델은 모든 6개의 결합 품질 카테고리에서 94%에서 100%의 정밀도를 확보하여 자동 점검의 높은 신뢰성을 입증하였다.
• 센서 품질 분류를 위한 CNN 모델은 88%의 정확도를 기록했으며, 결함이 있는 이미지의 3%가 양호로 잘못 분류되어 중간 정도의 거짓 음성 위험이 있음을 시사하였다.
• 오토에인코더 기반의 이상 탐지 기법은 재구성 오차를 감지함으로써 표면의 긁힘, 오염, 모서리 손상 등의 물리적 결함을 성공적으로 식별하였다.
• 회전, 자르기, 밝기 변형 등의 데이터 증강 기법은 점검 중 조명 및 정렬 변화에 대한 모델 강인성을 향상시켰다.
• 제안된 시스템은 수동 점검 시간과 눈의 피로를 크게 줄였으며, 결함 평가 시 인간의 편향도 최소화하였다.
• 이 프레임워크는 향후 실시간 처리 및 점진적 학습을 지원하여 최소한의 인간 간섭으로 지속적인 모델 개선이 가능하다.