[论文解读] Deep learning applications for quality control in particle detector construction

N. Akchurin, J. Damgov+8 more|arXiv (Cornell University)|Mar 16, 2022

Particle Detector Development and Performance被引用 4

一句话总结

本文提出基于深度学习的计算机视觉方法，用于自动化硅粒子探测器制造中的质量控制，采用卷积神经网络（CNN）进行焊点分类，利用自编码器检测传感器中的异常。该方法在焊点质量分类中实现94–100%的精确率，在缺陷检测中达到88%的准确率，显著减少了人工检查时间与人为偏差，同时实现了高通道密度探测器（如大型强子对撞机LHC中的HGCAL）的可扩展、实时质量控制。

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.

研究动机与目标

• 应对大型强子对撞机LHC中HGCAL等高复杂度、高通道密度粒子探测器日益增长的手动质量控制挑战。
• 减少对硅探测器组件（尤其是数百万个焊点和传感器缺陷）进行视觉检查时的人工劳动与错误。
• 开发基于深度学习的自动化、可扩展且可靠的计算机视觉工具，以替代或增强人工质量控制流程。
• 实现无需专家干预、提升一致性的实时连续检测系统。
• 通过增量学习与迁移学习确保模型在新缺陷或新组件出现时的长期适应能力。

提出的方法

• 在705张焊点区域的标注图像上训练卷积神经网络（CNN），将其分类为六种类别：无导线、胶水、断线、三分之一、三分之二和全部导线。
• 采用自编码器进行无监督异常检测，通过重建传感器图像并识别偏差作为物理缺陷（如划痕、缺角或灰尘）。
• 通过可编程桁架配合显微镜采集图像，确保探测器组件的稳定、高分辨率成像。
• 应用数据增强技术（如裁剪、旋转和亮度变化）以增加训练数据中缺陷图像的数量，提升模型鲁棒性。
• 设计支持增量学习与迁移学习的模型，实现在无需完全重新训练的情况下，通过新数据持续改进。
• 探索受智能手机人脸识别启发的实时推理流水线，以实现流式、即时检测。

实验结果

研究问题

• RQ1 基于深度学习的计算机视觉能否以高精度有效分类硅探测器模块中焊点的质量？
• RQ2 自编码器能否以高灵敏度和低假阴性率检测裸硅传感器上的物理缺陷？
• RQ3 当训练数据中缺陷样本稀少时，数据增强技术在多大程度上能提升深度学习模型的性能？
• RQ4 自动化质量控制在多大程度上能减少人工劳动与主观性？
• RQ5 深度学习模型能否通过持续引入新数据实现更新，以适应多年探测器生产过程中不断演变的缺陷？

主要发现

• 基于CNN的分类模型在全部六个焊点质量类别中均实现94%至100%的精确率，证明了其在自动化检测中的高度可靠性。
• 传感器质量分类的CNN模型达到88%的准确率，其中3%的缺陷图像被错误分类为正常，表明存在中等程度的假阴性风险。
• 基于自编码器的异常检测成功通过检测重建误差，识别出传感器表面的划痕、污渍和缺角等物理缺陷。
• 旋转、裁剪和亮度变化等数据增强技术提升了模型对检测过程中光照与对齐差异的鲁棒性。
• 所提出的系统显著减少了人工检查时间与视觉疲劳，同时最小化了缺陷评估中的人为偏差。
• 该框架支持未来的实时处理与增量学习，实现仅需极少人工干预的持续模型优化。