2019 Fiscal Year Research-status Report
Development of automatic measurement method of asbestos by machine learning and emergency exposure evaluation system
| Project/Area Number |
19K04665
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
近藤 明 大阪大学, 工学研究科, 教授 (20215445)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
嶋寺 光 大阪大学, 工学研究科, 准教授 (20647367)
松尾 智仁 大阪大学, 工学研究科, 助教 (30793674)
瀧本 充輝 (財)ひょうご環境創造協会(兵庫県環境研究センター), 兵庫県環境研究センター大気環境科, 研究員(移行) (60788264)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | アスベスト / 畳み込みニューラルネットワーク / 画像分類 / 位相差顕微鏡 |
|---|
| Outline of Annual Research Achievements |
本研究は、位相差顕微鏡画像中のアスベスト繊維の有無を高速かつ低コストに判定するための機械学習モデルの開発、およびアスベスト繊維が環境中に多量に放出された場合の周辺住民の暴露量推定手法の開発を目的とし、研究初年度である2019年度は前者の機械学習モデルの開発に取り組んだ。一般にアスベスト繊維の検出では、位相差顕微鏡を用いて熟練者が目視により判別する。この熟練者による判別がアスベスト検出の精度・速度のボトルネックとなっているため、これを機械学習によって置き換えることを目指す。機械学習モデルには、画像データの処理を得意とする畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）を採用した。
研究に用いる顕微鏡画像データには、主として実際に環境中（解体工事現場等））から採取したサンプルの位相差顕微鏡画像を用いた。画像中にはアスベスト繊維（今回用いたのは主としてアモサイト）のほか、建材等に含まれる多様な非石綿繊維、粒子が含まれる。これを技術者が目視でアスベスト、非アスベストの判別を行い、教師データとした。教師データは、顕微鏡画像を200×200ピクセルにトリミングした。実サンプルを用いている都合上、１画像中に複数の繊維が含まれる場合が多かったが、教師ラベルは画像中に1本以上のアスベスト繊維が含まれるか否かで決定した。最終的に、学習には234枚の画像を用いた。
CNNモデルは、畳み込み層、プーリング層、全結合層からなるネットワークで、活性化関数にはReLUおよびleaky ReLUを用いた。モデルのハイパーパラメータは、多数のモデルの結果を比較することで最も結果の良いものを採用した。
モデルのハイパーパラメータの調整の結果、最終的なモデルはテストデータに対して平均約70％（最大約80％）の正解率となり、モデルの適用可能性が示された。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
2019年度は、教師データの作成と機械学習モデルの構築に取り組んだ。
教師データについて、主として実環境（解体工事現場等）でサンプリングされた繊維等の位相差顕微鏡画像が用いられた。位相差顕微鏡画像中の繊維、粒子について、技術者が目視でアスベスト、非アスベストの判定を行い、教師ラベルとした。アスベストにはアモサイト、クリソタイル、クロシドライト等が含まれるが、本年度の研究では主にアモサイトを対象とした。非アスベスト画像には、サンプル中の非アスベスト繊維、粒子を用いた。顕微鏡画像は、画像中に繊維がおおむね1本含まれるよう、200×200ピクセルにトリミングした。これは、実寸で約35μｍ四方に相当する。合計234枚の画像を作成し、訓練及びテストに用いた。
モデルの構築について、本研究では、各画像について「アスベスト繊維が含まれるかどうか」を判別することを想定した。CNNに入力するデータは、グレースケールに変換し、画像内のもっとも暗い点が輝度0、もっとも明るい点が輝度255になるようにスケーリングを施した。CNNモデルは畳み込み層、プーリング層、全結合層からなる。層の数やチャネル数、活性化関数、ドロップアウトの有無は試行錯誤的に定めた。教師データをランダムに8:2に分け、8割で学習を行い、2割で検証した。訓練データについては、それぞれの画像を90、180、270度回転させたデータを作成し追加した。最終的なモデルでは、畳み込み層＋プーリング層の組が3セットと2層の全結合層からなる。活性化関数にはLeaky Linear Rectified Unitを用いた。全結合層は、訓練時にはドロップアウト率0.5とした。モデルは、検証データに対して約7割の正解率を示した。
正解率はまずまずであるが、教師データの追加および前処理の工夫により、さらなる改善の可能性があると思われる。
|
| Strategy for Future Research Activity |
本年度の取り組みより、CNNによる画像分類が位相差顕微鏡画像によるアスベスト検出に適用可能であることが明らかになった。また、構築したCNNモデルは一定の精度を示し、１次スクリーニングなど、必ずしも高い精度を必要としない調査に活用できる可能性も示された。そのため、次年度はモデルの精度をさらに高めるとともに、実用化を見据えたシステムの開発を目標とする。
具体的には、現在の手法では撮影した顕微鏡画像から繊維を選び、画像をトリミングする処理が必要となるため、これを自動化することを検討する。理想的には、任意の大きさの顕微鏡画像を入力すると、画像中のアスベスト繊維すべてを検出し、その位置と数を表示するようなシステムが望ましい。これは、入力画像上を小さいウィンドウが走査し、ウィンドウごとにアスベストの存在を判定すれば良い。このウィンドウ内のアスベストの存在判定は、2019年度に開発したCNNモデルが流用できる。
また、2019年度は、比較的条件を揃えた顕微鏡画像を教師データに用いた。実際の顕微鏡画像は画像中の繊維の種類、密度、顕微鏡の設定（背景光の色やフィルタの種類、位相差顕微鏡の設定など）が多様であるため、これらの影響を考慮する必要がある。2020年度には、まず、前述の各要素がモデルの推定結果にどの程度影響するのかを確認し、影響の大きい要素については、教師データの追加等の対応を検討する。そのため、顕微鏡画像の収集、教師データの作成についても継続的に行う。一般に、統計モデルはサンプルデータが多いほど精度が良くなる傾向がある。そのため、教師データの数がモデルの精度に与える影響についても評価を行う。
加えて、2020年度には、2019年度の成果を学会・論文等の形で発表することを予定している。
|
| Causes of Carryover |
アスベストのサンプリング数が計画していた数より少なく、サンプリング処理として計画していたアルバイト雇用の人件費が不要になったため、当該年度の所用 額を下回った。 次年度は、アスベストのサンプリング数を増やすため、この額をサンプリング処理としてアルバイト雇用の人件費に充てる計画である。
|
Research Products
(1 results)
