Tekoälyn työkalujen soveltaminen koivuviilujen liimaliitosten mikro-CT -analysointiin
Paasonen, Eetu (2022)
2022
Materiaalitekniikan DI-ohjelma - Master's Programme in Materials Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2022-03-28
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202203062365
https://urn.fi/URN:NBN:fi:tuni-202203062365
Tiivistelmä
XAMK:in tutkimusyksikkö Mikpolis:in puututkimuksessa käytetty tutkimusmenetelmä, jossa tietokonemikrotomografialla skannattuja koivuviilunäytteiden liimaliitoksia kuva-analysoidaan, tarvitsi kehittämistä. Mikro-CT -laitteen toiminta perustuu röntgensäteiden karakteriseen vaimenemiseen materiaaleissa, minkä ansiosta eri tiheyksiset materiaalit näkyvät muodostuvissa kuvissa eri intensiteeteillä. ABES-laitteella viilunäytteisiin muodostettu fenoliliimasauma ei mikro-CT -kuvissa erotu selkeästi puun solukosta, koska liimalla ja puuaineksella on samankaltaiset intensiteetit. Tästä syystä viilunäytteen tutkiminen ja kuva-analysointi on haastavaa.
Työn päätavoite oli tutkia tekoälyn työkalujen soveltumista koivuviilujen liimaliitosten kuva-analysointiin. Siinä suurin kiinnostus kohdistui näytteen eri osasten, kuten liiman ja puun, segmentointiin. Manuaalinen segmentointi on tutkimuskäytössä liian hidasta ja työlästä, joten segmentoinnin automatisointi tekoälyn avulla on tarpeellista. Segmentoidulle liimasaumalle haluttiin myös suorittaa laskennallisia analyysejä, joiden avulla verrata segmentoitua kuvaa ja siitä luotua 3D-mallia todelliseen näytteeseen. Segmentointia varten näytteestä tarvittiin hyvin tarkka mikro-CT -kuva, joten työssä tutkittiin myös mikro-CT -skannaukseen ja kuvanlaatuun vaikuttavia tekijöitä. Lisäksi yksi tärkeä työn tavoite oli luoda yksityiskohtainen toimintaohje Mikpolis:lle koivuviilunäytteiden kuva-analysointiin.
Työn kirjallisessa osuudessa selvitettiin taustatietoa työn tavoitteiden ja kokeellisen tutkimisen kannalta oleellisista aihepiireistä. Kirjallisessa osuudessa on syvennytty, ovat koivun rakenteeseen, puun adheesioon ja liimaliitoksiin, tietokonemikrotomografiaan, tekoälyyn ja sen osa-alueisiin (neuroverkot, koneoppiminen, syväoppiminen) sekä tekoälyn soveltamiseen kuva-analysoinnissa. Työn kirjallisuusselvitys antoi hyvät valmiudet työn kokeellista osuutta varten.
Kokeellisessa osuudessa valmistettiin koivuviiluista liimaamalla ja ABES-laitteella kuumapuristamalla näytteitä, jotka skannattiin mikro-CT -laitteella. Skannattuun kuvaan näytteestä testattiin Dragonfly -kuva-analysointiohjelmiston sisältämien tekoälyn työkalujen soveltumista käytettäväksi näytteen segmentoinnissa. Segmentointiosuudessa testattiin ja arvioitiin erilaisten koneoppimis- ja syväoppimismallien suorituskykyä luokittelun ja opetusdatasta oppimisen osalta. Ensisijainen tavoite segmentoinnissa oli saada liimasauma hyvin eroteltua muusta näytteestä, jotta sille voidaan suorittaa laskennalliset analyysit. Liimasauman sijainnin todentamiseen näytteessä käytettiin apuna SEM/EDS -menetelmää.
Työn tuloksena saatiin uutta tietoa koivuviilunäytteiden tutkimusmenetelmän käytön kehittämiseen. Mikro-CT -skannausprosessiin löydettiin keinoja, joilla saavutettiin riittävän hyvä kuvanlaatu segmentointia varten. Kokeellisessa osuudessa löytyi myös ratkaisu tutkimuskysymykseen, mikä oli: voiko tekoälyn työkaluja soveltaa koivuviilunäytteiden kuva-analysointiin. Dragonfly-ohjelmiston Segmentation Wizard -työkalua käyttämällä kehitettiin syväoppimismalli, jolla näytteen segmentointi oli mahdollista sekä riittävän tarkasti että nopeasti. Segmentoidulle mallille suoritettiin laskennallisia analyysejä liimasauman tilavuuden, pinta-alan ja paksuuden osalta.
Tilaajan käynnissä olevat ja tulevat tutkimukset hyödyntävät kehitettyä segmentointimallia ja työmenetelmää. Yhtenä työn tuloksena tilaaja sai myös yksityiskohtaisen toimintaohjeen koivuviilunäytteiden analysointiin. Hankittua tietoa ja työmenetelmää voi soveltaa sekä samankaltaisten että myös muuntyyppisten näytteiden ja materiaalien tutkimiseen. Tekoälyn työkaluilla luotujen segmentointimallien avulla voidaan tuottaa uutta tietoa, mitä voi käyttää tieteellisissä julkaisuissa ja yritysten kehitystoiminnassa. A Research method used in XAMK Mikpolis’ wood research required further development. The research method focuses on image analysis of micro-CT scanned adhesive bonds in birch plywood samples. The function of a micro-CT scanner is based on the characteristic X-ray adsorption of materials which leads to materials of different density having different intensities in resulting images. The phenolic adhesive bond formed to ply samples with an ABES-device isn’t clearly visible and can’t easily be separated from micro-CT images because of the adhesive and wood having very similar intensities. Therefore, the research and image analysis of ply samples are currently challenging.
The main aim of the thesis was to study the suitability of the use of tools of artificial intelligence (AI) on the image analysis of adhesive bonds in plywood samples. The main interest in image analysis was in the segmentation of different parts of the sample, namely the adhesive and wood. Manual segmentation is too slow and laborious of a process for being used as a research method which is why the automation of the segmentation process with AI was needed. There was also a desire to perform calculative analysis for the segmented adhesive bond to compare the resulting segmented image and the created 3D model from it to the original sample. For the segmentation of the sample, a highly accurate and high-resolution image of the sample was needed, therefore this thesis also focused on the factors that affect the micro-CT scanning process and the image quality. Additionally, one goal for this thesis was to create a detailed workflow and operating instructions on the research process of plywood samples for the use of the contractor of the thesis.
In the literature research part of this thesis, the essential background for the thesis was studied. The relevant subject areas for the literature part were the structure of birch, wood adhesion and adhesive bonds, X-ray microtomography, AI and its subdivisions (neural networks, machine learning and deep learning) and finally, the use of AI in image analysis. The literature research prepared well for the experimental part of the thesis.
In the experimental part, the birch plywood samples were prepared by forming an adhesive bond with the ABES device. The samples were then scanned with micro-CT. The suitability of the tools of AI of Dragonfly (image analysis software) is tested for the segmentation of the scanned images of the sample. During segmentation process, the performance in classification and learning from data were tested and evaluated for a variety of different machine and deep learning models. The main objective in segmentation was to have the adhesive bond segmented and classified to perform calculative analyses on the bond. SEM/EDS -method was used in determining and validifying the location of the adhesive in the sample.
As a result of the thesis, new information was obtained for the development of the research method of birch plywood. Solutions were found for the micro-CT scanning process to produce scanned images with adequately high image quality for segmentation. In the experimental part, a research question about the suitability of the tools of AI in the image analysis was also answered. By using the Dragonfly-software’s Segmentation Wizard -tool, a deep learning model was developed that could segment the sample accurately with a fast learning process. Calculative analysis was performed on the segmented model in terms of volume, area and thickness of the adhesive bond.
The developed segmentation model and work method will be utilized in contractor’s ongoing and upcoming researches. As a one result of the thesis, the contractor was given a detailed workflow and operating instructions to Dragonfly image analysis of birch plywood. The information gathered and the work method can be applied in the examination of similar samples as well as other types of samples and materials. With the segmentation models created with the tools of AI, new information can be obtained that can be used in developmental researches for companies and in scientific publications.
Työn päätavoite oli tutkia tekoälyn työkalujen soveltumista koivuviilujen liimaliitosten kuva-analysointiin. Siinä suurin kiinnostus kohdistui näytteen eri osasten, kuten liiman ja puun, segmentointiin. Manuaalinen segmentointi on tutkimuskäytössä liian hidasta ja työlästä, joten segmentoinnin automatisointi tekoälyn avulla on tarpeellista. Segmentoidulle liimasaumalle haluttiin myös suorittaa laskennallisia analyysejä, joiden avulla verrata segmentoitua kuvaa ja siitä luotua 3D-mallia todelliseen näytteeseen. Segmentointia varten näytteestä tarvittiin hyvin tarkka mikro-CT -kuva, joten työssä tutkittiin myös mikro-CT -skannaukseen ja kuvanlaatuun vaikuttavia tekijöitä. Lisäksi yksi tärkeä työn tavoite oli luoda yksityiskohtainen toimintaohje Mikpolis:lle koivuviilunäytteiden kuva-analysointiin.
Työn kirjallisessa osuudessa selvitettiin taustatietoa työn tavoitteiden ja kokeellisen tutkimisen kannalta oleellisista aihepiireistä. Kirjallisessa osuudessa on syvennytty, ovat koivun rakenteeseen, puun adheesioon ja liimaliitoksiin, tietokonemikrotomografiaan, tekoälyyn ja sen osa-alueisiin (neuroverkot, koneoppiminen, syväoppiminen) sekä tekoälyn soveltamiseen kuva-analysoinnissa. Työn kirjallisuusselvitys antoi hyvät valmiudet työn kokeellista osuutta varten.
Kokeellisessa osuudessa valmistettiin koivuviiluista liimaamalla ja ABES-laitteella kuumapuristamalla näytteitä, jotka skannattiin mikro-CT -laitteella. Skannattuun kuvaan näytteestä testattiin Dragonfly -kuva-analysointiohjelmiston sisältämien tekoälyn työkalujen soveltumista käytettäväksi näytteen segmentoinnissa. Segmentointiosuudessa testattiin ja arvioitiin erilaisten koneoppimis- ja syväoppimismallien suorituskykyä luokittelun ja opetusdatasta oppimisen osalta. Ensisijainen tavoite segmentoinnissa oli saada liimasauma hyvin eroteltua muusta näytteestä, jotta sille voidaan suorittaa laskennalliset analyysit. Liimasauman sijainnin todentamiseen näytteessä käytettiin apuna SEM/EDS -menetelmää.
Työn tuloksena saatiin uutta tietoa koivuviilunäytteiden tutkimusmenetelmän käytön kehittämiseen. Mikro-CT -skannausprosessiin löydettiin keinoja, joilla saavutettiin riittävän hyvä kuvanlaatu segmentointia varten. Kokeellisessa osuudessa löytyi myös ratkaisu tutkimuskysymykseen, mikä oli: voiko tekoälyn työkaluja soveltaa koivuviilunäytteiden kuva-analysointiin. Dragonfly-ohjelmiston Segmentation Wizard -työkalua käyttämällä kehitettiin syväoppimismalli, jolla näytteen segmentointi oli mahdollista sekä riittävän tarkasti että nopeasti. Segmentoidulle mallille suoritettiin laskennallisia analyysejä liimasauman tilavuuden, pinta-alan ja paksuuden osalta.
Tilaajan käynnissä olevat ja tulevat tutkimukset hyödyntävät kehitettyä segmentointimallia ja työmenetelmää. Yhtenä työn tuloksena tilaaja sai myös yksityiskohtaisen toimintaohjeen koivuviilunäytteiden analysointiin. Hankittua tietoa ja työmenetelmää voi soveltaa sekä samankaltaisten että myös muuntyyppisten näytteiden ja materiaalien tutkimiseen. Tekoälyn työkaluilla luotujen segmentointimallien avulla voidaan tuottaa uutta tietoa, mitä voi käyttää tieteellisissä julkaisuissa ja yritysten kehitystoiminnassa.
The main aim of the thesis was to study the suitability of the use of tools of artificial intelligence (AI) on the image analysis of adhesive bonds in plywood samples. The main interest in image analysis was in the segmentation of different parts of the sample, namely the adhesive and wood. Manual segmentation is too slow and laborious of a process for being used as a research method which is why the automation of the segmentation process with AI was needed. There was also a desire to perform calculative analysis for the segmented adhesive bond to compare the resulting segmented image and the created 3D model from it to the original sample. For the segmentation of the sample, a highly accurate and high-resolution image of the sample was needed, therefore this thesis also focused on the factors that affect the micro-CT scanning process and the image quality. Additionally, one goal for this thesis was to create a detailed workflow and operating instructions on the research process of plywood samples for the use of the contractor of the thesis.
In the literature research part of this thesis, the essential background for the thesis was studied. The relevant subject areas for the literature part were the structure of birch, wood adhesion and adhesive bonds, X-ray microtomography, AI and its subdivisions (neural networks, machine learning and deep learning) and finally, the use of AI in image analysis. The literature research prepared well for the experimental part of the thesis.
In the experimental part, the birch plywood samples were prepared by forming an adhesive bond with the ABES device. The samples were then scanned with micro-CT. The suitability of the tools of AI of Dragonfly (image analysis software) is tested for the segmentation of the scanned images of the sample. During segmentation process, the performance in classification and learning from data were tested and evaluated for a variety of different machine and deep learning models. The main objective in segmentation was to have the adhesive bond segmented and classified to perform calculative analyses on the bond. SEM/EDS -method was used in determining and validifying the location of the adhesive in the sample.
As a result of the thesis, new information was obtained for the development of the research method of birch plywood. Solutions were found for the micro-CT scanning process to produce scanned images with adequately high image quality for segmentation. In the experimental part, a research question about the suitability of the tools of AI in the image analysis was also answered. By using the Dragonfly-software’s Segmentation Wizard -tool, a deep learning model was developed that could segment the sample accurately with a fast learning process. Calculative analysis was performed on the segmented model in terms of volume, area and thickness of the adhesive bond.
The developed segmentation model and work method will be utilized in contractor’s ongoing and upcoming researches. As a one result of the thesis, the contractor was given a detailed workflow and operating instructions to Dragonfly image analysis of birch plywood. The information gathered and the work method can be applied in the examination of similar samples as well as other types of samples and materials. With the segmentation models created with the tools of AI, new information can be obtained that can be used in developmental researches for companies and in scientific publications.