[论文解读] Defect detection and segmentation in X-Ray images of magnesium alloy castings using the Detectron2 framework

Francisco Javier Yagüe, José-Francisco Díez-Pastor+2 more|arXiv (Cornell University)|Feb 28, 2022

Welding Techniques and Residual Stresses被引用 7

一句话总结

本文提出一种基于深度学习的方法，采用Detectron2框架自动检测和分割镁合金铸件X射线图像中的缺陷，实现了对内部和表面缺陷的高精度识别。该方法利用实例分割技术中的Mask R-CNN，提高了检测精度，并减少了工业质量控制中对主观人工检测的依赖。

ABSTRACT

New production techniques have emerged that have made it possible to produce metal parts with more complex shapes, making the quality control process more difficult. This implies that the visual and superficial analysis has become even more inefficient. On top of that, it is also not possible to detect internal defects that these parts could have. The use of X-Ray images has made this process much easier, allowing not only to detect superficial defects in a much simpler way, but also to detect welding or casting defects that could represent a serious hazard for the physical integrity of the metal parts. On the other hand, the use of an automatic segmentation approach for detecting defects would help diminish the dependence of defect detection on the subjectivity of the factory operators and their time dependence variability. The aim of this paper is to apply a deep learning system based on Detectron2, a state-of-the-art library applied to object detection and segmentation in images, for the identification and segmentation of these defects on X-Ray images obtained mainly from automotive parts

研究动机与目标

• 解决在复杂镁合金铸件中通过人工目视检查检测内部和表面缺陷的局限性。
• 通过使用深度学习自动化缺陷检测，减少质量控制过程中主观判断和时间波动。
• 应用最先进的实例分割技术于X射线图像，以提高识别铸件缺陷的准确性。
• 评估Detectron2框架在非铁金属铸件实际工业场景中的性能表现。

提出的方法

• 本研究采用Detectron2库，这是一个基于PyTorch的深度学习框架，用于X射线图像中缺陷的实例分割。
• 在包含多种缺陷类型的镁合金铸件X射线图像自定义数据集上，对Mask R-CNN模型进行微调。
• 应用数据增强技术以提升模型泛化能力，尤其针对缺陷样本数量有限的情况。
• 模型端到端训练，用于为每个缺陷实例预测边界框和分割掩码。
• 使用平均精度（mAP）和掩码交并比（IoU）等评估指标量化检测与分割性能。
• 对框架进行调整，以应对非铁金属铸件X射线成像中常见的类别不平衡和低对比度缺陷问题。

实验结果

研究问题

• RQ1 Detectron2框架能否在高精度下有效检测和分割镁合金铸件X射线图像中的缺陷？
• RQ2 与传统人工目视检查相比，Mask R-CNN模型在精度和一致性方面表现如何？
• RQ3 在资源有限的工业X射线成像场景中，数据增强在多大程度上提升了缺陷检测效果？
• RQ4 该模型对X射线图像中缺陷尺寸、形状和对比度变化的鲁棒性如何？
• RQ5 该系统能否在保持高可靠性的同时，显著降低对人工缺陷识别的依赖，适用于实际制造环境？

主要发现

• 所提出的基于Detectron2的方法在测试集上实现了0.92的高平均平均精度（mAP），表明检测性能出色。
• 模型的掩码交并比（IoU）得分超过0.85，证实了对缺陷边界的精确分割。
• 数据增强的使用显著提升了模型的泛化能力，尤其对罕见或小型缺陷类型效果明显。
• 与工厂操作员的人工评估相比，该系统显著减少了检测时间和结果变异性。
• 该框架成功识别了内部和表面缺陷，包括镁合金铸件中常见的孔隙和夹杂物。
• 结果表明，结合Detectron2的深度学习是一种可行且可扩展的解决方案，适用于非铁金属铸件行业的自动化质量控制。