Evaluation of Data Augmentation and Loss Functions in Semantic Image Segmentation for Drilling Tool Wear Detection

要約

工具摩耗の監視は、製造プロセスにおける品質管理とコスト削減にとって重要であり、その一例が穴あけ用途です。
この論文では、摩耗検出を目的として、切削インサートの顕微鏡画像に展開された U-Net ベースのセマンティック画像セグメンテーション パイプラインを紹介します。
摩耗領域は 2 つの異なるタイプに区別されるため、多クラス分類の問題が発生します。
一方、2 つの摩耗タイプを 1 つの一般的な摩耗クラスに結合すると、問題を二項分類タスクとして定式化できます。
バイナリ問題とマルチクラス問題の比較とは別に、異なる損失関数も考慮されます。
e.、交差エントロピー、焦点交差エントロピー、および交差オーバーユニオン (IoU) に基づく損失が調査されます。
さらに、モデルはさまざまなサイズの画像タイルでトレーニングされ、さまざまな強度の拡張技術が導入されます。
最もパフォーマンスの高いモデルは、適度な拡張と IoU ベースの損失関数を備えたデータでトレーニングされたバイナリ モデルであることがわかりました。

要約(オリジナル)

Tool wear monitoring is crucial for quality control and cost reduction in manufacturing processes, of which drilling applications are one example. In this paper, we present a U-Net based semantic image segmentation pipeline, deployed on microscopy images of cutting inserts, for the purpose of wear detection. The wear area is differentiated in two different types, resulting in a multiclass classification problem. Joining the two wear types in one general wear class, on the other hand, allows the problem to be formulated as a binary classification task. Apart from the comparison of the binary and multiclass problem, also different loss functions, i. e., Cross Entropy, Focal Cross Entropy, and a loss based on the Intersection over Union (IoU), are investigated. Furthermore, models are trained on image tiles of different sizes, and augmentation techniques of varying intensities are deployed. We find, that the best performing models are binary models, trained on data with moderate augmentation and an IoU-based loss function.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google