報告書番号

EX24005

タイトル（和文）

深層学習を用いたきず判定機械学習プログラムの開発 －教師データ構成の検討－

タイトル（英文）

Development of flaw detection machine learning programing code using deep learning - Study of configuration of training data-

概要 （図表や脚注は「報告書全文」に掲載しております）

背　　景
東日本大震災以降の軽水炉の長期停止の影響を受けて，再稼働後の供用期間中検査で超音波探傷試験(UT)を行う熟練の試験技術者が不足する懸念がある．特に，ステンレス鋼配管溶接部の応力腐食割れ(SCC)のUTによる検出は高い技量と経験が必要とされている．これに対し，当所では機械学習を利用してそのUT結果の判定を支援する検討を行ってきた．機械学習結果を基に，きずの有無や健全性に疑義のある箇所の抽出(アラーム機能)ができれば，試験技術者がきず判定を行う上での有益な補助情報となり，検査信頼性を確保・向上できる可能性がある．これまでに，比較的単純なロジスティック回帰注1)を用いたプログラムを開発してきた[1]が，溶接中心位置を数 mm誤認することによって判定精度が低下することがわかってきた．これに対応できる方策として深層学習の適用が考えられるが，深層学習では判定の基礎となる教師データ構成が重要とされている．
目　　的
UTデータ(Bスコープ注2)画像)を対象として，機械学習の分類手法である深層学習を用いた，きずの有無を判定するプログラムを開発する．開発したプログラムに実際のBスコープ画像を用いて機械学習を実行させ，きずの見逃し等の重大な誤答注3)および過剰な誤検出である誤報注4)が発生しない教師データセットの構成について検討する．
主な成果
1.深層学習を用いたきずの有無を判定する機械学習プログラムの開発
既報[1]と同様に，超音波ビームが全てきずに当たっている「きず有り部(F)」・一部がきずに当たっている「遷移部(T)」・きずに当たっていない「きず無し部(N)」の3値に分類する機械学習プログラムを開発した(図1)．また，溶接中心位置情報を排除し，板厚の異なるBスコープ画像でも対応可能な，管内面近傍の情報を抽出する機能を持たせた(図2)．
2. 開発したプログラムによるきず判定精度の検討
　既報[1]で使用した厚さ35 mmのSCC付与試験体から得たデータセットの内，きずの一番浅いデータセットを検証用，残りを学習用とした．採用する教師データ構成(各データ正解ラベルのF：T：Nの割合)を変化させ，許容できない誤判定である重大な誤答および望ましくない誤判定である誤報(図3)を抑えるきず判定モデルを学習させた．このきず判定モデルを用いてきず判定を行い，重大な誤答および誤報の発生確率が同時0%となる教師データ構成が存在することを確認した(図4)．

概要 （英文）

Due to the long-term shutdown of light water reactors after the Great East Japan Earthquake, there is a concern that there will be a lack of skilled inspectors of non-destructive testing to perform ultrasonic testing (UT) during in-service inspections after reactors restart. In particular, detections of stress corrosion cracking in stainless steel piping welds using UT requires high skill and experience. Thus, the idea is to develop tools using machine learning to assist the inexperienced inspections in flaw detection. It will provide useful auxiliary information for inspectors to judge flaws, and there is a possibility that reliability of inspections can be ensured and improved if it is possible to alarm flag the presence of flaws or areas of questionable soundness. We have previously developed a programing code using a relatively simple logistic regression, but it has become clear that judgment accuracy decreases depending on a setting value of the weld center position. In this report, we developed a program code that judges the presence of flaws using deep learning for UT data (B-scope). Since the developed code will be used for inspection, it needs to be a machine learning model that does not overlook defects (serious incorrect answers) or produce excessive false positives (false alarms). Therefore, we evaluated the model of various combinations of the B-scope datasets as training data, and investigated appropriate datasets would not serious false positives or false alarms.

報告者

キーワード