디지털 음성 지원부터 스마트 홈 장치까지, 인공 지능(AI)은 일상생활에서 점점 더 보편화되고 있습니다.이러한 AI 도구가 우리 생활을 더 효율적으로 만들어 주는 것처럼 AI 기반 이미지 분석 도구도 효율성을 높여 줍니다.금속학과 재료학에서 AI는 더 쉽고 더 정확한 이미지 분석이라는 신세계를 열어줍니다.
미세 구조 분석에서 이미지 임계 처리의 문제 해결
금속, 합금, 세라믹, 복합재 및 기타 재료의 미세 구조 분석에 사용되는 기존 임계 기반 분석의 문제를 생각해 보세요.임계 기반 분석은 미세 구조 분석에서 인정받는 방법이지만 이미지 임계 처리에는 몇 가지 제약이 있습니다.
예를 들어, 임계 처리에서는 이미지의 특정 구조를 탐지하지 않습니다.대신, 각 대상을 구분하지 않고 여러 대상을 한 번에 탐지합니다.임계 처리 같은 분석 알고리즘은 에지 향상 필터, 음영 보정, 형태 분석 등의 다른 접근 방식을 사용하여 특정 구조를 찾을 수 있습니다.문제는 이러한 접근 방식을 사용하려면 프로그래밍 기술과 자동 분석을 실현하기 위한 노력이 모두 필요하다는 것입니다.또한 엄청나게 많이 존재할 수 있는 특수 사례와 예외를 고려할 때 일부 문제는 이러한 접근 방식으로 해결하지 못할 수 있습니다.
그에 반해, 머신 러닝은 관심 대상의 대표적인 예 몇 가지를 기반으로 대상 탐지 규칙을 설정합니다.이전에 이미지에 설정한 임계값과는 독립적으로 이미지 영역을 분류하도록 학습된 심층 인공 신경망을 기반으로 한 자동 평가는 이미지 분석을 더 쉽고 더 정확하게 만들어 줍니다.
금속학과 재료학에서 AI 지원 이미지 분석의 예
AI를 통해 이미지 분석을 어떻게 개선할 수 있는지 예를 살펴보겠습니다.아래 이미지는 결정립계, 연마 자국 및 먼지가 있는 금속 조직 샘플을 보여줍니다(그림 1).
그림 1.결정립계, 연마 자국 및 먼지가 있는 금속 조직 단면.
이미지 분석 소프트웨어에서는 간단한 임계 설정으로는 결정립계를 연마 자국 및 먼지와 명확하게 구분할 수 없습니다(그림 2).결정립계만 분리해서 탐지할 수 없기 때문에 결정립 크기 측정 결과가 부정확하게 나옵니다.
그림 2.임계 처리로 분석한 금속 조직 단면의 동일한 이미지.
이제 AI로 분석한 동일한 이미지를 살펴보겠습니다(그림 3).여기를 보면 연마된 단면의 이미지에서 연삭, 연마, 먼지 및 잔류물의 흔적이 결정립계 같은 관심 대상과 구별됩니다.AI 기반 이미지 분석은 결정립 구조가 매우 불균일한 미세 구조에서 신뢰할 수 있고 재현 가능한 방식으로 결정립계를 검출할 수 있기 때문입니다.또한 구성 요소를 픽셀 정확도로 분류할 수 있습니다.
그림 3.TruAI 딥 러닝 기술로 분석한 동일한 금속 조직 단면.AI 분석은 탐지된 결정립계(빨간색)를 연마 자국 및 먼지와 구분하여 선명하게 보여줍니다.
산업용 이미징 소프트웨어를 사용한 AI 지원 미세 구조 분석
최신 산업용 이미지 분석 소프트웨어에는 복잡한 이미지 분석을 지원하는 인공 지능이 포함되어 있습니다.당사 고유의 PRECiV™ 이미지 및 측정 소프트웨어는 이제 TruAI™ 딥 러닝 기술을 제공합니다.이제 훈련된 신경망을 이미지에 적용하여 재현성을 높이고 더 확실하게 분석할 수 있습니다.
TruAI 기술의 편리한 기능 중 하나는 접촉 대상을 별도의 대상으로 분할하는 인스턴스 분할 기능입니다.이 강력한 분할 방법은 결정립, 소결과 적층 제조에 사용되는 분말 기반 재료, 입자, 결함 등 접촉 대상이 있는 복잡한 이미지에 유용합니다.사용자는 인스턴스 분할을 사용하여 신경망을 훈련하고 클릭 한 번으로 그 결과를 개별 대상에 적용할 수 있습니다.
또한 TruAI 기술을 사용하면 픽셀이 배경에 있는지 전경에 있는지를 식별하는 의미론적 분할로 신경망을 훈련할 수 있습니다.그러나 의미론적 분할은 인스턴스 분할과 달리 병합된 대상을 구분할 수 없습니다.따라서 의미론적 분할에서는 인스턴스 분할을 수행하기 위한 몇 가지 수동 후처리 작업이 필요합니다.그래서 잘 분리된 대상이나 대상 분리 작업이 필요 없는 작업 같은 더 쉬운 분석 작업에서 의미론적 분할이 더 적합합니다.의미론적 분할은 위상 분석, 용접부 탐지, 열 영향부 분석, 도료 층 분석 등 넓은 영역 간에 구분이 이루어지는 경우에 유용합니다.
유연한 작업을 위해 PRECiV 소프트웨어의 계수 및 측정 솔루션과 일부 재료 솔루션에서 의미론적 분할 방법과 인스턴스 분할 방법을 모두 사용할 수 있습니다.
금속학과 재료학 분야용 신경망을 적절하게 훈련하는 방법
앞서 설명했듯이, 훈련된 신경망을 이미지에 적용하는 것은 미세 구조를 분석하는 효율적인 방법입니다.그러나 정확하고 재현 가능한 이미지 분석을 위해서는 신경망을 적절하게 훈련해야 합니다.결과 알고리즘은 라벨링된 데이터를 기반으로 하기 때문에 최적의 신경망으로 훈련하려면 신중하게 라벨링된 예가 필요합니다.즉, 훈련이 더 잘 되어 있을수록 이미지 처리 결과가 더 좋아집니다.이런 이유로, 재료 분석 응용 분야의 전문가가 훈련 프로세스에 참여하는 것이 매우 중요합니다.
산업용 이미지 분석을 위해 다음과 같이 심층 신경망을 적절하게 훈련해야 합니다.
1.이미지에 라벨링을 하고 훈련용 데이터를 검증합니다.
딥 러닝 이미지 분석을 위해 데이터에 라벨링을 하려면 실측 자료(Ground-truth)로 이미지를 만들어야 합니다.간단히 말해, 실측 자료는 신경망을 훈련하고 평가하는 데 사용되는 정보입니다.이미지 처리 또는 수동 라벨링을 통해 이미지의 실측 자료를 표시하여 신경망이 이러한 라벨을 통해 학습할 수 있도록 합니다.
전문가는 훈련 데이터를 검증해야 합니다.훈련 데이터는 훈련된 신경망이 분석에 사용하는 소스이기 때문에 전문가만이 정의할 수 있습니다.이 전문가는 신경망이 탐지해야 하는 이미지의 세부 정보를 결정할 수 있도록 재료 분석 응용 분야의 전문가여야 합니다.
금속 단면의 예를 보세요(그림 1, 왼쪽).전문가는 이런 질문을 할 수 있습니다. 이 특징이 결정립계로 여겨지는 시점은 언제입니까?기형을 어떻게 평가합니까?데이터는 각 군 내에서 예상되는 모든 대상과 매핑을 대표할 수 있어야 합니다.
2.신경망을 훈련합니다.
다음 단계는 작업을 위한 최적의 훈련 구성을 선택하는 것입니다.이 단계는 훈련 데이터를 보강하고 훈련 모델을 선택하기 위한 지침을 사용하여 진행합니다.
훈련 데이터를 보강하면 신경망 모델이 학습하고 신뢰성을 높일 수 있는 기회를 훨씬 더 많이 제공하기 때문에 훈련에 도움이 될 수 있습니다.훈련 데이터는 회전, 반전 및 기타 이미지 작업으로 증가합니다.
특정 응용 분야에 어떤 보강 방법이 적합한지 확인하는 것이 중요합니다.예를 들어, 회전은 선호하는 방향이 없는 구조에 유용하지만 압연 재료 같은 길쭉한 재료에는 유용하지 않습니다.
3.훈련이 성공했는지 확인합니다.
딥 러닝에서는 지정된 구조를 가진 인공 신경망이 만들어지지만 그 신경망이 사용하는 의사 결정 프로세스는 숨겨져 있습니다.신경망은 어떠한 결정이 내려진 이유에 대한 분석 근거를 제공하지 않습니다.
따라서 유효성 검사가 필수입니다.전문가는 분석 결과가 기대치에 부합하는지 확인하여 훈련 성공 여부를 확인할 수 있습니다.유효성 검사 데이터 집합을 사용하면 훈련된 인공 신경망이 지정된 이미지 영역을 얼마나 잘 인식할 수 있는지 비교할 수 있습니다.
신경망을 사용하여 확률 맵을 생성할 수도 있습니다. 이 확률 맵은 훈련 중에 라벨링된 유효성 검사 이미지에 오버레이로 표시할 수 있습니다.유효성 검사 데이터는 신경망 훈련에 사용된 데이터 집합에 속하지 않습니다.훈련 상태에 대한 현실적인 평가를 위해 훈련 이미지와 유효성 검사 이미지에서 평가된 품질 기준(예: 손실) 간의 유사성을 수치 및 그래프로 나타낼 수 있습니다.
유효성 검사가 포함된 훈련을 수행한 후, 새 데이터 집합을 사용하여 대표적인 새 데이터인 테스트 데이터 집합에서 알고리즘이 여전히 작동하는지 확인합니다.한 명의 전문가 또는 이상적으로는 여러 명의 전문가가 이 최종 테스트를 확인하여 사람의 편견으로 인해 AI 결과가 잘못 해석될 위험을 줄여야 합니다.
4.훈련된 신경망을 비슷한 이미지에 적용합니다.
이제 훈련된 신경망을 분할 방법으로 사용할 수 있습니다.빛과 노출 조건이 유사한 이미지같이 비슷한 이미지에 훈련된 신경망을 적용할 수 있습니다.PRECiV 소프트웨어 같은 직관적인 산업용 이미징 소프트웨어에서 적절하게 훈련된 신경망을 적용하는 작업은 간단합니다.클릭 한 번이면 신경망이 자동으로 이미지를 분할하고 재현 가능한 결과를 제공합니다.
금속학과 재료학 분야의 딥 러닝에 대해 자세히 알아보세요.
AI 기반 이미지 분석의 이점, 작동 방식, 작업에 적용하는 방법 등에 대해 자세히 알아보려면 TruAI 리소스 센터를 확인하세요.당사 전문가는 AI를 고객의 특정 재료 분석 응용 분야에 적용할 수 있도록 도와드립니다.
