金属組織観察における深層学習を用いた画像認識技術の研究

Abstract

金属ミクロ組織の粒界の長さに対する粒界上に析出する炭化物の比率は，強度や寿命などの重要な機械的特性と関連性があると考えられている．従来，その比率は専門家自らが写真などから手作業で計測していたため，時間とコストを要していた．金属組織の様相は熱処理時間などで異なるため，画一的なしきい値などで粒界を自動検出することは難しい．このような課題には，近年開発されたEncoder-Decoder構造のConvolutional Neural Network (CNN)を用いることで，古典的な画像処理アルゴリズムでは判別が困難であった抽象的な特徴領域の検出が期待できる．本稿ではEncoder-Decoder 構造のCNN 一つであるU-Net をベースとした構造を用いて粒界の検出を行い，予測精度が先端的な手法であるDeepLab v3+よりも約2 ポイント高い約72％で予測できることを確認した．

The aspect of microstructures, such as the ratio of carbon precipitates to grain boundary, is thought to have a certain relation with its mechanical properties. The ratio has been measured by experts, which consumes time and cost. However it is difficult to detect the grain boundary by means of classic image recognition techniques since the aspect of microstructures is easily affected by heat treatment time. Such complex features could be detected by the recently developed architecture, Encoder-Decoder CNN. This paper presents the prediction results of U-Net based model, which IoU ( Intersection over Union ) was 72% and 2 points higher than state-of-the-art architecture, DeepLab v3+.