コンピュータビジョンを用いた鋳造微細組織検査：アルミニウム合金のデンドライト間隔
この紹介論文は、「Metals」によって発行された論文「Casting Microstructure Inspection Using Computer Vision: Dendrite Spacing in Aluminum Alloys」に基づいています。 1. 概要: 2. 抄録: 本稿では、畳み込みニューラルネットワーク（CNNs）を用いた二次デンドライトアーム間隔（SDAS）の決定について調査します。目的は、産業的に許容可能な予測精度を持つSDAS予測のための深層学習（DL）モデルを構築することでした。モデルは、高圧ダイカスト合金EN AC 46000 AlSi9Cu3(Fe)、重力鋳造合金EN AC 51400 AlMg5(Si)、およびインゴットとして鋳造された合金EN AC 42000 AlSi7Mgの研磨サンプルの画像で訓練されました。カラー画像は、訓練パラメータ数を減らすためにグレースケールに変換されました。比較的単純なCNN構造が、91.5%のR²値で非常に高い精度で様々なSDAS値を予測できることが示されています。さらに、モデルの性能は、訓練中に使用されなかった材料、すなわち重力鋳造EN AC 42200 AlSi7Mg0.6合金、および高圧ダイカスト合金EN AC 43400 AlSi10Mg(Fe)とEN AC 47100 Si12Cu1(Fe)でテストされました。このタスクでは、CNNの性能はわずかに劣りましたが、依然として産業的に許容可能な基準内でした。したがって、CNNモデルは、産業的に許容可能な予測精度でSDAS値を決定するために使用できます。 3. 緒言: デンドライトのサイズと二次デンドライトアーム間隔（SDAS）は、所与の材料の凝固速度に強く依存することがよく知られています[1,2]。加えて、合金の化学組成もこの構造特性に追加的な影響を与えます[3]。さらに、一部の著者は機械的特性とSDASの関係を示しています[1,4–8]。破壊力学特性も、化学組成、気孔や酸化膜などの鋳造欠陥[8]、およびSiまたはFeリッチな脆性相のサイズと形状[9]に依存します。ほとんどの著者はSDASと極限引張強さ（UTS）および伸び（E）の関係を示していますが、多くの著者はSDASが降伏強度（YS）に有意な影響を与えないことを示しています。さらに、別の研究では、材料の硬度はSDASに依存するものの、この関係だけでは十分に説明できないことが示されています[10]。したがって、一部の材料特性はSDASの値から直接決定できると仮定するのが合理的です。したがって、材料のSDAS値を知ることは有用である可能性があります。この点で、SDASを決定する自動化された方法は大きな利点となる可能性があります。人工知能（AI）の範囲は、材料科学よりもコンピュータサイエンスや電気工学などの分野でより重要です。しかし、過去30年間で、材料科学においても多くの応用が見られます。一般に、AIの中核アルゴリズムであるニューラルネットワークは、早くも1998年に材料科学に応用されています[11]。Singhらは、鋼圧延における108の変数のそれぞれの関数としてYSとUTSを推定しました。 4. 研究の概要: 研究トピックの背景: SDASは、鋳造アルミニウム合金における重要な微細構造特性であり、凝固条件と組成に影響され、機械的特性と相関しています。標準的なSDASの決定は、顕微鏡画像からの手動測定に依存しており、時間がかかり、主観的になる可能性があります。品質管理における効率と一貫性のために、このプロセスを自動化することが望まれます。 先行研究の状況: AI、機械学習（ML）、深層学習（DL）は、材料科学において、組成、プロセスパラメータ、または微細構造から特性（例：YS、UTS、疲労強度）を予測するため、および欠陥検出や微細構造分類などのタスクに適用されてきました。いくつかの研究では、プロセスパラメータやシミュレーション結果に基づいてSDASを予測するために人工ニューラルネットワーク（ANN）が使用されました[21]。しかし、DL法を用いて微細構造画像から直接SDASを決定する文献は現在ありませんでした。CNNは、様々な材料科学の画像ベースのタスクにおいて、浅層学習や従来の画像解析手法と比較して優れた性能を示しています[19,23,24]。 研究の目的: 本研究の目的は、アルミニウム合金のグレースケール微細構造画像から直接、産業的に許容可能な精度でSDAS値を予測できる深層学習（DL）モデル、具体的には畳み込みニューラルネットワーク（CNN）を開発し、評価することでした。目標は、手動のハイパーパラメータ調整を回避する完全自動化された手法を作成することでした。 中核研究: 研究の中核は以下を含みます： 5. 研究方法論 研究デザイン: 本研究では、深層学習を用いた定量的、コンピュータビジョンベースのアプローチを採用しました。教師あり学習戦略が用いられ、CNN回帰モデルが入力微細構造画像をスケーリングされたSDAS（S）を表す連続出力変数にマッピングするように訓練されました。モデルの予測精度は、訓練に使用された合金タイプと使用されなかった合金タイプの両方で評価されました。 データ収集と分析方法: 研究トピックと範囲: 本研究は、畳み込みニューラルネットワークを用いて2D微細構造画像から直接、鋳造アルミニウム合金の二次デンドライトアーム間隔（SDAS）を予測することに焦点を当てました。範囲には、高圧ダイカスト（HPDC）、重力ダイカスト、およびインゴット鋳造によって製造されたいくつかの一般的なAl-SiおよびAl-Mg合金が含まれました。本研究では、訓練セットに含まれる材料に対するモデルの精度と、訓練中に見られなかった材料への汎化能力を調査しました。 6.