この記事では、人工知能（AI）とディープラーニング（DL）がどのように機能し、この手法が従来の手法と比較してどれほど優れているのかを示しています。Dragonfly (ドラゴンフライ) ソフトウェアを使用して、アディティブ・マニュファクチャリングのベンチマーク部品の気孔率を分析し、新しいディープラーニングのAI手法と従来の閾値法を直接比較する方法を紹介します。

問題定義

すべての製造された部品には何らかの気孔があります。アディティブ・マニュファクチャリングの場合、これらの気孔は非常に小さく、検出が困難な場合があり、CTはこのような気孔を画像化するのに非常に有効ですが、気孔のセグメントと解析は常に課題となっています。多くのアルゴリズムを使用することができますが、ほとんどすべての方法は、プロセスにおいて何らかの人の影響を伴います。一般的に、人による操作は気孔の濃い領域を選択し、密度の高い材料部分が選択されないような閾値を選択する必要があります。
このプロセスは、気孔がピクセルサイズに対して小さい場合や、画像のコントラストが理想的でない場合に困難になり、セグメンテーションプロセスが不正確になることがあります。それにより、オペレーターによって異なる結果が得られることがあります。事前に訓練されたディープラーニングモデルを使用することで、このような人間の固有のバイアスを取り除くと同時に、人間の入力なしにマクロの一部としてデータを呼び出すことができるため、自動化を可能にします。

図1＋2：複雑な形状と内部流路を持つアディティブ・マニュファクチャリングのベンチマーク部品（左）（右）のCT表面図

空隙率の特定と測定

CTスキャンでは、部品の内部を詳細に認識することができますが、この場合、下図のように、（A）のアディティブ・マニュファクチャリングのプロセスによる意図しない空洞、（B）の設計された内部流路、（C）の未溶融粉を含む内部流路を容易に確認することができます。

図3：粉末が残っていない場合と残っている場合の空洞と流路を示す断面CT画像

本実証では、製造工程で形成される空隙率（A）の特性評価に関心があります。手動閾値処理法と深層学習法を直接比較するために、10個の関心領域（ROI）を選択して分析を受けます。1つのROIは下の画像に示されています。

図4＋5：空隙率解析のためのサブセットとしてのROIの選択

各ROIについて、*大津の二値化法の自動閾値が失敗したため、手動閾値を適用しています - 気孔が小さくまた数が少ないため、自動閾値の適用ができません。大津の二値化法の失敗と手動閾値調整の断面例を下図に示します。

*画像の自動閾値処理の性能について、大津展之氏の名前から名付けられた大津方式

図6＋7：従来のセグメンテーションアプローチ： ROI内の大津閾値（左）：気孔が非常に少なく小さいため、正しく機能しなかった例。（右）手動で調整した閾値。

手動による閾値処理の場合、人の操作によって誘発される固有のバイアスやエラーがあり、より小さな気孔やよりノイズの多いデータとして更に強くなります。異なるオペレーターによる測定をデモストレーションとして10回繰り返し、各ROIの空隙率％値で手動定量化の結果を以下に示します。

図8：同じデータで10個のROIを用いた場合の、異なるオペレータによる空隙率の値の違い

AI/ディープラーニングモデルを適用することで、人間のバイアスを除去することができます。Dragonfly(ドラゴンフライ)ソフトウェアは、AIツールでよく知られており、今回のケースでは、事前にトレーニングされたアディティブ・マニュファクチャリングの多孔質モデルが「現状のまま」使用されています。このモデルは、過去に50以上のデータセットでトレーニングされ、一般的な研究室のCT画像データに見られるほとんどのアディティブ・マニュファクチャリングの多孔質タイプをカバーしています。ユーザーがより多くのトレーニングデータを追加することで、対象となる特定の画像によりよく適合するようにすることを意図しています。しかし、今回は追加のトレーニングなしでうまく使用することができました。以下に、このモデルの完全なサンプルへの適用を示します。

図9：ディープラーニングによるベンチマーク部品全体の空隙のセグメンテーションと分析

よくある質問に、「ディープラーニングのモデルはどれくらい再現性があるのか」というものがあります。今回のケースでは、同じモデルで異なるオペレーターが、また同じオペレーターが複数回適用しています。その答えは、すべてのケースでまったく同じでした。偏差はまったくなく分類されたボクセルの数も毎回同じなので、誤差はありません。

図10：10個のROIに対して5人のユーザーが行ったディープラーニングによる空隙率分析

結論

ベンチマークとなるアディティブ・マニュファクチャリングのパーツの気孔率を分析し、Dragonfly(ドラゴンフライ)ソフトウェアのディープラーニングモデルを使用して、気孔率をセグメント化して定量化しました。これは従来の手作業による閾値設定アプローチと比較したもので、多少の人為的な誤差が含まれています。深層学習法は、ユーザーエラーを取り除き、この困難な問題に対する信頼性を向上させ、また解析の自動化を可能にします。ここで使用されたモデルは、深さ5のいわゆるU-net**で、過去に50以上のデータセットでトレーニングされたものです。このモデルは、ここでは「現状のまま」使用されましたが（そしてDragonflyに含まれています）、例えば、より幅広いデータセットでより堅牢にし、よりノイズの多いデータで動作するようにさらに訓練することも可能です。

**U-net、高速かつ正確な画像分割のための一般的な畳み込みネットワークアーキテクチャであり、ディープラーニングにおける数学モデルでもあります。