技術報告ロータ表層のUT欠陥自動検出モデルの開発2.3 テストデータを用いた精度検証（63）終層を重点的に学習するファインチューニングを行った。ソルバーはモーメンタム項付き確率的勾配降下法（SGDM）とし、学習・検証データの割合は50 ： 50とした。図5 検査員による正解ラベルの一例図6 CNNの学習に使用した画像例表1 CNNの学習条件CNNにおける健全画像と欠陥画像の分類精度を、混同行列で評価した結果を図7に示す。図7（a）から、学習データの再現率・適合率はともに99 %以上であり、十分な学習を行えていると判断した。また図7（b）より、検証データに対する再現率は97 %、適合率は96.2 %と十分に高い精度である。僅かに見逃しが生じているが、これらはエコー高さが20 %～40 %の範囲の比較的微小な欠陥であった。図7 混同行列によるCNNの精度評価結果日本製鋼所技報 No.75（2024.11）
元のページ ../index.html#66