新潟県工業技術総合研究所は、工業系の技術支援機関です。

Topページ　>　機械・金属関係　技術トピックス 　>　ディープラーニングの画像認識に用いるデータ数について

ディープラーニングの画像認識に用いるデータ数について

１．はじめに

　これまで紹介したディープラーニングによる金属組織の画像認識のトピックス^1)～5)では、金属組織の種類ごとに学習データ80枚、検証データ20枚の計100枚のデータを用いてきました。しかし、認識が容易と思われる金属組織を学習させる場合には、少ない学習回数でも高い正解率が得られると考えられます。そこで今回は、少ない学習回数で高い正解率が得られたトピックス¹⁾のデータについて、学習データを減らして学習を行っても高い正解率が得られるかを調べました。この実験は令和2年8月に行ったものです。

２．実験

　前回¹⁾用いたパーライト、マルテンサイト、オーステナイト、フェライト、球状セメンタイトの金属組織の画像（各100枚）について、画像サイズ224×224にトリミングおよびリサイズ後、表1のように学習用データ数と検証用データ数に分けて学習および検証を行いました。

表1　学習および検証の画像数

各金属組織の学習データ数 （カッコ内は全データ数）	各金属組織の検証データ数 （カッコ内は全データ数）
80（400）	20（100）
40（200）
20（100）
10（50）
5（20）
1（5）

　ディープラーニングによる学習と検証は表2の条件で行いました。VGG16モデルには学習済みのパラメータを用いて、転移学習（出力層のみ学習）を行いました。なお、各金属組織の学習データ数が1の場合のみ転移学習とファインチューニング（最後の畳込み層以降を学習）を行いました。画像の水増しは、画像の回転および水平・垂直方向反転について行いました。

表2　計算の条件

入力画像サイズ	224×224
モデル	VGG16
プーリング	Maxpooling
活性化関数	Relu, Softmax
最適化アルゴリズム	Adam
誤差関数	多クラス交差エントロピ
学習率	10-4
ドロップアウト率	0.5
バッチサイズ	32～2
学習回数	100

３．実験結果

　5種類の組織画像を学習データ数を変えて転移学習した結果を図1～6に示します。学習データが少なくなるにつれて、学習データの正解率の低下やばらつきが大きくなっていることが分かります。一方、検証データの正解率の低下やばらつきは少なくなっており、今回用いたデータについては、各金属組織の学習データ数が1の場合でも検証データで正解率99％が得られました。
　各金属組織の学習データ数が1についてファインチューニングで学習した結果を図7に示します。学習データと検証データいずれも正解率100％が得られていることが分かります。


図1　画像認識の正解率（転移学習、各金属組織の学習データ数：80）



図2　画像認識の正解率（転移学習、各金属組織の学習データ数：40）



図3　画像認識の正解率（転移学習、各金属組織の学習データ数：20）



図4　画像認識の正解率（転移学習、各金属組織の学習データ数：10）



図5　画像認識の正解率（転移学習、各金属組織の学習データ数：5）



図6　画像認識の正解率（転移学習、各金属組織の学習データ数：1）



図7　画像認識の正解率（ファインチューニング、各金属組織の学習データ数：1）

参考文献

問い合わせ：新潟県工業技術総合研究所 　　　　 　　 中越技術支援センター 　　斎藤　雄治 　 　　　　 　TEL：0258-46-3700 　　FAX：0258-46-6900