[论文解读] 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 5

一句话总结

本文提出了一种基于深度学习的卷积神经网络（CNN）系统，用于自动评估铜合金样品的晶粒尺寸，分类准确率达到91.1%。通过将大尺寸显微图像分解为子图像，并利用实验设计（DoE）优化超参数，该方法实现了高精度、低人工干预和快速的批量处理，适用于航空航天级材料认证。

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.

研究动机与目标

• 自动化评估用于飞行关键飞机部件的铜合金棒材的晶粒尺寸。
• 减少铜合金显微组织分析中的人工干预和人为误差。
• 提升显微图像批量评估的处理速度与一致性。
• 通过子图像分解与集成分析提升模型可解释性。
• 开发一种稳健、可扩展的深度学习流水线，用于工业材料检测。

提出的方法

• 该系统使用卷积神经网络（CNN）对从大尺寸铜合金显微图像中提取的12,300张子图像进行训练。
• 图像预处理聚焦于最小化颜色、亮度和分辨率的差异，以确保数据集的一致性。
• 通过统计实验设计（DoE）优化超参数，以提升模型泛化能力。
• 将大尺寸原始图像分解为更小的子图像，以实现局部化分析并提升模型可解释性。
• 采用子图像预测结果的集成方法生成最终的晶粒尺寸分类结果。
• 模型使用来自Moog Inc.工业质量控制流程的精选显微图像数据集进行训练与验证。

实验结果

研究问题

• RQ1 深度学习CNN能否在铜合金显微图像中实现高精度的晶粒尺寸分类？
• RQ2 图像预处理与数据增强在多大程度上可减少显微图像分析中的变异性？
• RQ3 子图像分解在工业AI应用中能在多大程度上提升模型可解释性？
• RQ4 自动化晶粒尺寸评估能否减少航空航天材料认证中的人工干预和处理时间？
• RQ5 实验设计（DoE）在优化材料科学应用中CNN超参数方面的有效性如何？

主要发现

• 所提出的CNN在铜合金样品的单个子图像上实现了91.1%的分类准确率。
• 系统性的图像预处理显著减少了数据集中颜色、亮度和分辨率的差异。
• 子图像分解通过允许对单个分类结果进行检查，实现了一定程度的可解释性。
• 使用实验设计（DoE）有效优化了CNN超参数，从而提升了模型性能。
• 自动化系统在减少飞行关键材料审批流程中的人工干预和加速处理方面展现出潜力。
• 基于子图像预测的集成方法增强了模型的鲁棒性与可解释性。