Tag Archives: Aluminum Die casting

非破壊検査デジタルX線ラジオグラフィにおける欠陥等級判定による自動欠陥検出

本稿は、「[MDPI]」によって公開された論文「[Automated Defect Detection through Flaw Grading in Non-Destructive Testing Digital X-ray Radiography]」に基づいています。 1. 概要: 2. 抄録: プロセスオートメーションは、特殊な技術と装置を利用して生産プロセスを自動化および強化し、より高い製造効率、生産性、コスト削減をもたらします。アルミニウムダイカスト産業は、自動車や航空宇宙などの安全性が重要な分野に部品を供給する製造において、プロセスオートメーションソリューションの導入から大きな恩恵を受けてきました。しかし、この部品製造方法は製造上のきず（flaw）を生成しやすく、そのため、これらの部品の使用適合性を確認するために適切な非破壊検査（NDT）が必要となります。近年、機械学習はデジタルX線ラジオグラフィにおけるきずの検出と分類のための自動化ソリューション開発ツールとして中心的な役割を担っています。これらの機械学習ベースのソリューションは、製造業における高い生産スループットに対応するため、部品検査用にますます開発・導入されています。本研究は、検出されたきずが部品を使用不適格にする可能性のある欠陥（defect）に該当するかどうかを評価する欠陥等級判定アルゴリズムの開発に焦点を当てています。ASTM 2973-15（アルミニウムおよびマグネシウムダイカスト検査のための標準デジタル参照画像）に導かれ、K-D（k次元）ツリーを利用した等級判定パイプラインが開発され、検出されたきずを効果的に構造化し、システムが許容可能な等級判定基準に基づいて決定を下せるようにしました。このソリューションは、異なる等級判定基準への適合性という点で動的であり、デジタルX線ラジオグラフィアプリケーションにおける自動意思決定（合否判定）を実現する可能性を提供します。 3. 緒言: プロセスオートメーションは、特殊な技術と装置を利用して生産を強化し、ハードウェア、ソフトウェア、ITを組み合わせて製造オペレーションを管理・制御することで、より高い製造効率、生産性、コスト削減を実現します[1]。アルミニウムダイカスト（ADC）産業は、製造におけるプロセスオートメーションソリューションの導入から大きな恩恵を受けており、自動車や航空宇宙産業などの分野に供給されるアルミニウムダイカスト部品の非常に高い生産スループットを達成しています[2]。この製造技術は、溶融アルミニウム合金を金型に注入し、金型を冷却して部品を取り出す工程を含みます。しかし、この生産方法は関連するプロセスにより製造上のきずが発生しやすく、適切なモニタリングが必要です[3]。それでもなお、アルミニウムダイカスト（ADC）は、製品の軽量化、大量生産要件に対する競争力のあるコスト、高い生産スループット、より高いプロセス自動化の可能性、およびより良い製品の一貫性など、他の製造プロセスに比べていくつかの利点を提供します[4]。 製造されたアルミニウムダイカスト部品の欠陥が見過ごされることがどれほど危険であるかを考えると、要求される製造部品に対して適切なNDT検査を実施することが不可欠です[5]。NDT技術（ラジオグラフィ、超音波探傷、目視検査、赤外線サーモグラフィ、液体浸透探傷、渦電流探傷など）は、部品に損傷を与えたり機能を損なったりすることなく、きずの検出を可能にする様々な技術を提供します[6]。研究によると、ラジオグラフィはアルミニウムダイカスト部品の品質を評価するために使用される様々なNDT手法の中で最も好まれる方法として際立っています[7]。この何世紀も前からあるラジオグラフィ手順は、材料を透過するのに十分な強度のX線またはガンマ線を使用し、検査対象部品の体積全体を徹底的に検査することを可能にします[8]。X線は人間の自然な視覚では見えないため、画像取得中にX線信号に含まれる潜在的な情報を明らかにするために、デジタル検出器アレイ（DDA）、光子計数検出器、X線フィルムなどのセンサーを使用する必要があります。 デジタルラジオグラフィ（DR）は、従来のフィルムラジオグラフィの使用をますます置き換えています。このイメージングモードでは、検出器の感応ユニット（ピクセル）によって捕捉されたX線光子が数値に変換されます。さらに、視覚的な訴求力と人間の理解を容易にするために、ピクセル値の2Dマトリックスがグレースケール分布に変換され、デジタルラジオグラフが形成されます。デジタルラジオグラフィ画像は計算処理に有用です[9-12]。したがって、画像特性の様々な後処理調整（例：知覚可能なコントラスト、シャープネス、明るさ）や他の画像フィルタリングプロセスがデジタルラジオグラフィ画像で可能です。DRシステムの適切な性能を確保し、NDTでのデジタル画像の使用を完全に統合するために、関連する規格が確立されています。NDT規格をラジオグラフィ試験に組み込むことは、様々な産業全体で正確で信頼性の高い検査を保証するために重要です。NDT規格は、ラジオグラフィ技術、露出パラメータ、画質、および結果の解釈に関する必須のガイドラインを提供します。これらの規格は、亀裂や介在物などのきずを検出することが安全性と品質保証にとって重要である航空宇宙や自動車などの産業で広く適用されています。これらの規格を理解し、遵守することは、ラジオグラフィ検査の一貫性と信頼性を高め、NDTプロセスの不可欠な部分となります。米国機械学会（ASME）、米国材料試験協会（ASTM）、国際標準化機構（ISO）などの団体は、NDT産業内の実践の標準化に対する規制監督を提供しています。産業におけるNDT実践の理想的なケースは、NDT検査員の資格に関する運用NDT規格（例：ISO 9712）の要件を満たした有資格のNDT検査員によってNDT検査が実施されることです。そのような訓練された検査員は、関連する運用NDT規格に従ってラジオグラフィ画像を取得し、解釈します[13]。画質が許容可能であると見なされた後、検査員は関連する検出された指示に焦点を当て、部品が受け入れられるか拒否されるかを評価し、決定します（図1参照）。NDT実践における潜在的なエラーを防ぐための規制があるにもかかわらず、NDT検査員が人間であるためにエラーを犯す可能性を排除するのは誤りです[14, 15]。NDT検査員によるラジオグラフィ画像の解釈は、疲労、検査経験、精神状態などの要因によって影響を受ける可能性があります。したがって、構造化された規制ガイドラインのセットを実施した後でも、ある研究では視覚的な人間による解釈の有効性が約80%であることがわかりました[16]。 近年の計算能力の向上に伴い、非破壊検査（NDT）プロセスを自動化するアイデアが考案され、開発され、製造された部品の100%検査を達成するための実行可能な道筋が提供されています。NDTデータからのきずの認識と評価を自動化するための人工知能（AI）ソリューションの使用は、特に材料のラジオグラフィ画像におけるきずの識別のために、NDT分野の多くの研究者によって広く探求されてきたアプローチです[17]。この自動化は、伝統的に人間のオペレーターによって実行されてきたタスクを自動化する必要性の高まりによって推進されています[18]。プロセスオートメーションを活用した製造業におけるNDTの需要増加と、この増大する検査ニーズを満たすための有資格NDT検査員の減少を考慮すると、非破壊検査におけるAI使用の必要性はますます明らかになります[19]。コンピュータビジョンベースのソリューションは有益である可能性がありますが、安全性が重要な分野での受け入れを促進するためには、関連する運用NDT規格に従って開発および適用されなければなりません。 4. 研究の概要: 研究トピックの背景: アルミニウムダイカスト（ADC）部品は広く使用されていますが、内部の製造上のきず（flaw）の影響を受けやすいです[20, 21]。自動化されたダイカストにおける高い生産スループットは、時間、コスト、および検査タスクを実施するための有資格NDT人員の不足といった交絡因子の影響により、製造されたすべての部品を検査することを困難にしています。統計的サンプリングを使用する産業もありますが、これは製造されたすべての部品の100%検査には劣ります。コンピュータベースのNDT、特にデジタルX線ラジオグラフィは、100%検査への道を提供します。ADC部品はしばしば重要な機能を果たし、その故障は重大な経済的および安全上の影響を引き起こす可能性があります[22]。効果的なNDTを通じてこれらの部品の品質と完全性を確保することが最も重要です。 先行研究の状況: デジタルX線ラジオグラフィを用いた自動欠陥認識（ADR）は、ADCの品質管理においてますます重要になっています。先行研究ではADRアルゴリズムが探求されてきました。例えば、オブジェクト検出手法（YOLO、RetinaNet、EfficientDet）は欠陥識別の支援において有望であることが示されました[23]。YOLOv3_EfficientNet[24]や様々な畳み込みニューラルネットワーク（CNN）[25, 26]などの深層学習モデルが、きず検出を合理化するために適用され、より良い精度のためのアーキテクチャの継続的な改良を示しています。しかし、複雑な欠陥形状、様々なラジオグラフィ条件[26]、深層学習モデルが様々なきずタイプや鋳造条件にわたって効果的に一般化するために必要な広範なトレーニングデータ[23]、および高度なCNNの高い計算要件がリアルタイムの産業応用を妨げる[25]など、課題は残っています。決定的に重要なのは、きずの識別と特性評価において実質的な進歩が存在する一方で[17, 28]、検出されたきずの重大度と影響を判断して使用適合性を評価する欠陥等級判定は、まだ十分に研究されていない分野であるということです。既存の研究では、運用基準に従った明確な等級判定プロセスなしに、検出された不連続部をきずまたは欠陥として扱うことがよくあります[29-31]。 研究の目的: 本研究は、包括的なきず等級判定アルゴリズムを開発することにより、ADRにおけるギャップを埋めることを目的としています。目的は以下の通りです： コア研究: 本研究の核心は、アルミニウムおよびマグネシウムダイカストのデジタルX線ラジオグラフィ画像のための新しいきず等級判定方法論の開発と適用です。この方法論は、他のアルゴリズムによって実行される初期の検出および特性評価段階に続きます。これは特に、気孔、湯回り不良、引け巣、異物などの不連続性の異なる重大度レベルに対するデジタル参照画像を提供するASTM E2973-15規格によって主に導かれる、確立された基準に基づいて検出されたきずを等級判定することに焦点を当てています[27]。 本研究は、ASTM E1316で定義されている重要な区別を強調しています： 開発されたアルゴリズムは、検出され特性評価されたきず（通常はセグメンテーションマスクとして入力される）を受け取り、規格（またはカスタム基準）から導出された等級判定ルールに照らして評価し、それらが欠陥に該当するかどうかを判断し、最終的に合否判定を下します。等級判定プロセスは、定義された評価領域（ASTM E2973に従って700mm²）内のきず面積や数量などのきず特性を考慮します。この方法論の重要な構成要素は、検出されたきずの効率的な空間的構成とクエリのためのK-Dツリーデータ構造の使用です。 5. 研究方法論 研究設計: 本研究は、きずの検出、セグメンテーション、および特性評価ステップに続く独立したパイプラインとして意図された、きず等級判定アルゴリズムを設計します。入力は、個別のきずとそのクラスを識別するセグメンテーションマスクであると想定されます。出力は、等級判定に基づく合否判定です。等級判定ロジックは、ASTM E2973-15規格から導出されたルールに基づいており、4つのきずカテゴリ（気孔、引け巣、湯回り不良、異物）に焦点を当てています。 主要な方法論的ステップは以下の通りです： データ収集と分析方法: 等級判定パイプラインをテストおよび検証するために、テスト画像が合成的に生成されました。4つのクラス（気孔、引け巣、湯回り不良、異物）について、様々なサイズと形態を持つ実際のきず（アルミニウムダイカスト部品のグラウンドトゥルースアノテーションから）が抽出され、きずのリポジトリが形成されました。これらの抽出されたきずは、その後、背景画像上にランダムに配置されました。各きずクラスには、後続の処理ステップによる識別のために、固有のカラーコードが割り当てられました（表1）。（図4aは生成されたきずを示し、4bはカラーコード化された分類を示します）。この合成アプローチにより、様々なきず分布を持つ多様なデータセットの作成が可能になりました。 ASTM E2973-15規格は参照画像を使用します（例：気孔については図2）。計算アプリケーションのために、これらの視覚的参照は、700mm²の検査領域内のきず面積と数量に基づく定量的なデジタルメトリック（等級判定ルール）に変換されました。きず面積範囲と700mm²あたりの最大数量に基づいて重大度等級（1〜4）を定義するカスタム参照表（表2）が研究に使用されました。skimage.measure.regionpropsライブラリは、バイナリマスクから検出されたきず（ブロブ）の幾何学的特性（面積など）を抽出するために使用されました。K-Dツリーは、きずの重心を空間的に整理することにより、効率的な分析を可能にしました。 研究トピックと範囲:

Read More