はじめに

前回は、Pycaretで学習した機械学習モデルを使って、ISO945-1のFig.1のタイプⅠ～Ⅵの黒鉛形状の分類と黒鉛球状化率の測定を行いました。ここで、前回の機械学習には、ISO945-1のFig.1のタイプⅠ～Ⅵの全ての黒鉛に対する形状データをデータセットに用いましたが、タイプⅠ～Ⅵの各図には、特に小さい黒鉛は他のタイプと思われるものもあります。このため、タイプⅠ～Ⅵの各図において小さい黒鉛を除いたデータセットを作成して学習に用いれば、タイプⅠ～Ⅵの特長をより反映した学習モデルが作成できるのではと考えられます。今回はそのようなデータセットを作成して、学習モデルを作成してみました。

作成したデータセット

ISO945-1のFig.1のタイプⅠ～Ⅵの各図において
①全ての黒鉛
②面積が大きい方から75％の黒鉛
③面積が大きい方から50％の黒鉛
を抽出し、前回と同様に9種類のパラメータからなるデータセットを作成しました。ここで、①は前回作成したものと同じです。データセット②と③は次のとおりです。

データセット②（▶で開き、▼で閉じます）



No.	CSF	Round	CSFm	CSFg	AR	MR	BF	Conv	Sol
0	0.036	0.036	0.036	0.001	0.379	0.034	0.09	0.725	0.113
0	0.118	0.062	0.086	0.005	0.155	0.053	0.338	0.919	0.402
0	0.108	0.059	0.08	0.005	0.173	0.049	0.281	0.911	0.348
0	0.133	0.067	0.095	0.006	0.137	0.063	0.462	0.927	0.547
0	0.079	0.096	0.087	0.008	0.534	0.082	0.154	0.709	0.23
0	0.098	0.049	0.069	0.003	0.1	0.044	0.441	0.928	0.508
0	0.109	0.054	0.076	0.004	0.107	0.062	0.582	0.933	0.537
0	0.111	0.056	0.079	0.004	0.12	0.047	0.394	0.928	0.446
0	0.166	0.115	0.138	0.016	0.305	0.14	0.46	0.847	0.441
0	0.138	0.069	0.098	0.007	0.119	0.067	0.562	0.932	0.545
0	0.134	0.134	0.134	0.018	0.511	0.086	0.168	0.799	0.29
0	0.13	0.119	0.124	0.015	0.449	0.082	0.183	0.802	0.327
0	0.105	0.053	0.075	0.004	0.11	0.06	0.546	0.926	0.481
0	0.137	0.066	0.096	0.006	0.083	0.063	0.765	0.942	0.743
0	0.156	0.077	0.11	0.008	0.121	0.071	0.585	0.937	0.636
0	0.125	0.062	0.088	0.006	0.09	0.056	0.618	0.93	0.595
0	0.145	0.103	0.122	0.013	0.382	0.076	0.199	0.872	0.316
0	0.168	0.084	0.119	0.01	0.102	0.071	0.695	0.935	0.731
0	0.211	0.12	0.159	0.019	0.212	0.103	0.488	0.914	0.546
0	0.211	0.107	0.15	0.016	0.155	0.093	0.604	0.94	0.665
0	0.152	0.072	0.105	0.008	0.113	0.068	0.602	0.956	0.66
0	0.275	0.144	0.199	0.029	0.163	0.126	0.773	0.936	0.828
0	0.248	0.132	0.181	0.024	0.192	0.132	0.69	0.929	0.695
0	0.21	0.106	0.149	0.016	0.143	0.096	0.672	0.942	0.691
0	0.263	0.136	0.189	0.026	0.169	0.126	0.746	0.936	0.788
0	0.2	0.101	0.142	0.014	0.138	0.1	0.73	0.936	0.754
0	0.224	0.129	0.17	0.022	0.262	0.12	0.457	0.91	0.558
0	0.26	0.14	0.191	0.027	0.161	0.121	0.752	0.932	0.789
0	0.283	0.152	0.207	0.031	0.214	0.164	0.766	0.931	0.75
0	0.228	0.118	0.164	0.019	0.171	0.15	0.879	0.941	0.645
1	0.052	0.181	0.097	0.018	0.671	0.178	0.265	0.421	0.357
1	0.042	0.207	0.094	0.019	0.607	0.167	0.275	0.381	0.364
1	0.068	0.16	0.104	0.017	0.551	0.144	0.262	0.482	0.393
1	0.055	0.113	0.079	0.009	0.482	0.139	0.289	0.528	0.278
1	0.083	0.27	0.149	0.04	0.766	0.215	0.28	0.484	0.42
1	0.095	0.259	0.157	0.04	0.885	0.235	0.265	0.556	0.449
1	0.11	0.106	0.108	0.011	0.325	0.111	0.341	0.737	0.357
1	0.105	0.119	0.112	0.013	0.284	0.182	0.641	0.652	0.463
1	0.127	0.324	0.203	0.066	0.802	0.243	0.303	0.57	0.441
1	0.182	0.206	0.194	0.04	0.531	0.192	0.362	0.702	0.497
1	0.111	0.208	0.152	0.032	0.598	0.219	0.366	0.611	0.376
1	0.205	0.139	0.168	0.023	0.338	0.182	0.54	0.847	0.538
1	0.213	0.38	0.285	0.108	0.773	0.323	0.419	0.692	0.518
1	0.089	0.098	0.093	0.009	0.296	0.098	0.331	0.688	0.331
1	0.136	0.218	0.172	0.037	0.598	0.214	0.358	0.653	0.395
1	0.184	0.219	0.201	0.044	0.596	0.201	0.338	0.712	0.498
1	0.207	0.216	0.211	0.046	0.54	0.201	0.372	0.787	0.49
2	0.126	0.194	0.156	0.03	0.402	0.136	0.338	0.604	0.502
2	0.179	0.396	0.266	0.106	0.87	0.232	0.267	0.626	0.524
2	0.225	0.178	0.2	0.036	0.38	0.164	0.431	0.818	0.523
2	0.344	0.383	0.363	0.139	0.548	0.304	0.554	0.793	0.665
2	0.122	0.157	0.138	0.022	0.37	0.111	0.299	0.635	0.505
2	0.224	0.183	0.202	0.037	0.43	0.144	0.335	0.819	0.531
2	0.346	0.401	0.373	0.149	0.562	0.373	0.663	0.798	0.651
2	0.211	0.289	0.247	0.071	0.511	0.207	0.405	0.666	0.599
2	0.309	0.233	0.268	0.062	0.39	0.236	0.605	0.828	0.686
2	0.354	0.316	0.334	0.106	0.442	0.286	0.649	0.84	0.686
2	0.322	0.242	0.28	0.068	0.35	0.189	0.539	0.867	0.715
2	0.382	0.236	0.3	0.071	0.284	0.244	0.859	0.909	0.817
2	0.458	0.421	0.439	0.185	0.736	0.402	0.547	0.896	0.74
2	0.322	0.232	0.273	0.063	0.371	0.236	0.636	0.85	0.699
2	0.318	0.333	0.325	0.108	0.59	0.269	0.456	0.813	0.604
2	0.378	0.267	0.317	0.085	0.391	0.243	0.622	0.889	0.739
2	0.336	0.388	0.361	0.14	0.617	0.27	0.437	0.743	0.76
2	0.491	0.385	0.435	0.168	0.488	0.351	0.72	0.873	0.851
2	0.397	0.25	0.315	0.079	0.351	0.225	0.641	0.915	0.759
2	0.28	0.237	0.258	0.061	0.424	0.225	0.53	0.83	0.58
2	0.42	0.401	0.41	0.165	0.59	0.317	0.536	0.865	0.694
2	0.348	0.401	0.374	0.15	0.614	0.291	0.474	0.812	0.617
2	0.48	0.338	0.403	0.136	0.398	0.366	0.92	0.91	0.799
2	0.31	0.215	0.259	0.056	0.378	0.171	0.454	0.882	0.623
2	0.403	0.296	0.346	0.102	0.399	0.257	0.643	0.893	0.702
2	0.434	0.296	0.358	0.106	0.379	0.293	0.773	0.909	0.799
2	0.462	0.306	0.376	0.115	0.382	0.281	0.736	0.912	0.794
2	0.566	0.431	0.494	0.213	0.592	0.418	0.706	0.914	0.888
2	0.41	0.283	0.341	0.097	0.333	0.253	0.757	0.901	0.757
2	0.347	0.246	0.293	0.072	0.386	0.214	0.555	0.883	0.645
2	0.405	0.24	0.312	0.075	0.318	0.261	0.82	0.925	0.836
2	0.529	0.61	0.568	0.347	0.82	0.461	0.562	0.856	0.82
2	0.582	0.403	0.484	0.195	0.445	0.374	0.84	0.922	0.877
2	0.519	0.34	0.42	0.143	0.421	0.316	0.75	0.919	0.841
2	0.377	0.233	0.296	0.069	0.344	0.211	0.615	0.918	0.734
2	0.366	0.316	0.34	0.107	0.429	0.281	0.654	0.834	0.694
2	0.371	0.218	0.284	0.062	0.276	0.198	0.718	0.926	0.783
2	0.521	0.35	0.427	0.149	0.39	0.334	0.857	0.921	0.85
2	0.593	0.453	0.518	0.235	0.519	0.402	0.776	0.917	0.86
2	0.443	0.251	0.333	0.084	0.323	0.294	0.909	0.93	0.864
3	0.203	0.599	0.349	0.209	0.853	0.497	0.583	0.533	0.754
3	0.181	0.503	0.301	0.151	0.8	0.364	0.455	0.546	0.66
3	0.16	0.344	0.235	0.081	0.722	0.342	0.474	0.54	0.646
3	0.274	0.604	0.407	0.246	0.891	0.476	0.534	0.638	0.726
3	0.167	0.44	0.271	0.119	0.785	0.265	0.338	0.546	0.65
3	0.278	0.443	0.351	0.155	0.753	0.334	0.444	0.676	0.712
3	0.399	0.577	0.479	0.276	0.777	0.523	0.673	0.757	0.784
3	0.328	0.443	0.381	0.169	0.6	0.43	0.717	0.723	0.756
3	0.443	0.495	0.468	0.232	0.736	0.532	0.723	0.789	0.808
3	0.409	0.516	0.459	0.237	0.672	0.481	0.716	0.768	0.802
3	0.475	0.518	0.496	0.257	0.703	0.543	0.772	0.813	0.808
3	0.53	0.588	0.558	0.328	0.728	0.564	0.775	0.852	0.821
3	0.451	0.517	0.483	0.25	0.639	0.461	0.722	0.832	0.778
3	0.396	0.603	0.488	0.295	0.853	0.531	0.623	0.735	0.776
3	0.567	0.577	0.572	0.33	0.756	0.531	0.703	0.855	0.852
3	0.434	0.435	0.434	0.189	0.721	0.423	0.586	0.852	0.749
3	0.511	0.611	0.559	0.342	0.798	0.51	0.638	0.827	0.818
3	0.497	0.52	0.508	0.264	0.662	0.47	0.71	0.836	0.832
3	0.418	0.421	0.419	0.176	0.612	0.383	0.626	0.822	0.726
3	0.508	0.563	0.535	0.301	0.774	0.538	0.695	0.829	0.823
3	0.395	0.456	0.425	0.194	0.702	0.341	0.485	0.813	0.698
3	0.546	0.533	0.539	0.287	0.685	0.522	0.763	0.861	0.845
4	0.287	0.532	0.391	0.208	0.672	0.45	0.67	0.634	0.789
4	0.36	0.634	0.478	0.303	0.812	0.481	0.592	0.686	0.842
4	0.441	0.646	0.534	0.345	0.844	0.576	0.683	0.775	0.801
4	0.473	0.637	0.549	0.349	0.767	0.512	0.667	0.787	0.857
4	0.377	0.631	0.488	0.308	0.778	0.535	0.688	0.697	0.838
4	0.454	0.603	0.523	0.316	0.862	0.559	0.648	0.791	0.81
4	0.518	0.658	0.584	0.384	0.852	0.609	0.715	0.817	0.844
4	0.465	0.644	0.548	0.353	0.724	0.5	0.69	0.777	0.853
4	0.604	0.585	0.594	0.348	0.729	0.577	0.792	0.872	0.881
4	0.6	0.675	0.636	0.43	0.834	0.618	0.741	0.86	0.873
4	0.607	0.572	0.589	0.337	0.675	0.543	0.805	0.885	0.894
4	0.725	0.655	0.689	0.451	0.845	0.658	0.779	0.926	0.913
4	0.716	0.657	0.686	0.45	0.792	0.613	0.774	0.929	0.915
4	0.657	0.723	0.689	0.498	0.808	0.618	0.765	0.894	0.896
5	0.86	0.852	0.856	0.729	0.909	0.869	0.955	0.943	0.985
5	0.854	0.9	0.877	0.789	0.932	0.903	0.969	0.938	0.985
5	0.873	0.895	0.884	0.791	0.93	0.889	0.956	0.95	0.986
5	0.859	0.933	0.896	0.836	0.949	0.919	0.968	0.938	0.985
5	0.848	0.87	0.859	0.747	0.903	0.859	0.951	0.939	0.985
5	0.851	0.888	0.869	0.772	0.934	0.894	0.958	0.939	0.983
5	0.856	0.9	0.878	0.79	0.921	0.888	0.964	0.943	0.984
5	0.847	0.798	0.822	0.656	0.853	0.785	0.92	0.942	0.985
5	0.847	0.88	0.864	0.76	0.915	0.869	0.95	0.941	0.978
5	0.837	0.791	0.814	0.644	0.828	0.766	0.925	0.946	0.976
5	0.831	0.792	0.811	0.642	0.844	0.801	0.95	0.937	0.978
5	0.784	0.689	0.735	0.507	0.832	0.697	0.838	0.945	0.953
5	0.835	0.778	0.806	0.628	0.814	0.778	0.957	0.944	0.984
5	0.861	0.814	0.837	0.682	0.902	0.833	0.924	0.947	0.983
5	0.88	0.893	0.886	0.791	0.914	0.874	0.956	0.955	0.985

データセット③（▶で開き、▼で閉じます）



No.	CSF	Round	CSFm	CSFg	AR	MR	BF	Conv	Sol
0	0.036	0.036	0.036	0.001	0.379	0.034	0.09	0.725	0.113
0	0.118	0.062	0.086	0.005	0.155	0.053	0.338	0.919	0.402
0	0.108	0.059	0.08	0.005	0.173	0.049	0.281	0.911	0.348
0	0.133	0.067	0.095	0.006	0.137	0.063	0.462	0.927	0.547
0	0.079	0.096	0.087	0.008	0.534	0.082	0.154	0.709	0.23
0	0.098	0.049	0.069	0.003	0.1	0.044	0.441	0.928	0.508
0	0.109	0.054	0.076	0.004	0.107	0.062	0.582	0.933	0.537
0	0.111	0.056	0.079	0.004	0.12	0.047	0.394	0.928	0.446
0	0.166	0.115	0.138	0.016	0.305	0.14	0.46	0.847	0.441
0	0.138	0.069	0.098	0.007	0.119	0.067	0.562	0.932	0.545
0	0.134	0.134	0.134	0.018	0.511	0.086	0.168	0.799	0.29
0	0.13	0.119	0.124	0.015	0.449	0.082	0.183	0.802	0.327
0	0.105	0.053	0.075	0.004	0.11	0.06	0.546	0.926	0.481
0	0.137	0.066	0.096	0.006	0.083	0.063	0.765	0.942	0.743
0	0.156	0.077	0.11	0.008	0.121	0.071	0.585	0.937	0.636
0	0.125	0.062	0.088	0.006	0.09	0.056	0.618	0.93	0.595
0	0.145	0.103	0.122	0.013	0.382	0.076	0.199	0.872	0.316
0	0.168	0.084	0.119	0.01	0.102	0.071	0.695	0.935	0.731
0	0.211	0.12	0.159	0.019	0.212	0.103	0.488	0.914	0.546
0	0.211	0.107	0.15	0.016	0.155	0.093	0.604	0.94	0.665
1	0.052	0.181	0.097	0.018	0.671	0.178	0.265	0.421	0.357
1	0.042	0.207	0.094	0.019	0.607	0.167	0.275	0.381	0.364
1	0.068	0.16	0.104	0.017	0.551	0.144	0.262	0.482	0.393
1	0.055	0.113	0.079	0.009	0.482	0.139	0.289	0.528	0.278
1	0.083	0.27	0.149	0.04	0.766	0.215	0.28	0.484	0.42
1	0.095	0.259	0.157	0.04	0.885	0.235	0.265	0.556	0.449
1	0.11	0.106	0.108	0.011	0.325	0.111	0.341	0.737	0.357
1	0.105	0.119	0.112	0.013	0.284	0.182	0.641	0.652	0.463
1	0.127	0.324	0.203	0.066	0.802	0.243	0.303	0.57	0.441
1	0.182	0.206	0.194	0.04	0.531	0.192	0.362	0.702	0.497
1	0.111	0.208	0.152	0.032	0.598	0.219	0.366	0.611	0.376
2	0.126	0.194	0.156	0.03	0.402	0.136	0.338	0.604	0.502
2	0.179	0.396	0.266	0.106	0.87	0.232	0.267	0.626	0.524
2	0.225	0.178	0.2	0.036	0.38	0.164	0.431	0.818	0.523
2	0.344	0.383	0.363	0.139	0.548	0.304	0.554	0.793	0.665
2	0.122	0.157	0.138	0.022	0.37	0.111	0.299	0.635	0.505
2	0.224	0.183	0.202	0.037	0.43	0.144	0.335	0.819	0.531
2	0.346	0.401	0.373	0.149	0.562	0.373	0.663	0.798	0.651
2	0.211	0.289	0.247	0.071	0.511	0.207	0.405	0.666	0.599
2	0.309	0.233	0.268	0.062	0.39	0.236	0.605	0.828	0.686
2	0.354	0.316	0.334	0.106	0.442	0.286	0.649	0.84	0.686
2	0.322	0.242	0.28	0.068	0.35	0.189	0.539	0.867	0.715
2	0.382	0.236	0.3	0.071	0.284	0.244	0.859	0.909	0.817
2	0.458	0.421	0.439	0.185	0.736	0.402	0.547	0.896	0.74
2	0.322	0.232	0.273	0.063	0.371	0.236	0.636	0.85	0.699
2	0.318	0.333	0.325	0.108	0.59	0.269	0.456	0.813	0.604
2	0.378	0.267	0.317	0.085	0.391	0.243	0.622	0.889	0.739
2	0.336	0.388	0.361	0.14	0.617	0.27	0.437	0.743	0.76
2	0.491	0.385	0.435	0.168	0.488	0.351	0.72	0.873	0.851
2	0.397	0.25	0.315	0.079	0.351	0.225	0.641	0.915	0.759
2	0.28	0.237	0.258	0.061	0.424	0.225	0.53	0.83	0.58
2	0.42	0.401	0.41	0.165	0.59	0.317	0.536	0.865	0.694
2	0.348	0.401	0.374	0.15	0.614	0.291	0.474	0.812	0.617
2	0.48	0.338	0.403	0.136	0.398	0.366	0.92	0.91	0.799
2	0.31	0.215	0.259	0.056	0.378	0.171	0.454	0.882	0.623
2	0.403	0.296	0.346	0.102	0.399	0.257	0.643	0.893	0.702
2	0.434	0.296	0.358	0.106	0.379	0.293	0.773	0.909	0.799
2	0.462	0.306	0.376	0.115	0.382	0.281	0.736	0.912	0.794
3	0.203	0.599	0.349	0.209	0.853	0.497	0.583	0.533	0.754
3	0.181	0.503	0.301	0.151	0.8	0.364	0.455	0.546	0.66
3	0.16	0.344	0.235	0.081	0.722	0.342	0.474	0.54	0.646
3	0.274	0.604	0.407	0.246	0.891	0.476	0.534	0.638	0.726
3	0.167	0.44	0.271	0.119	0.785	0.265	0.338	0.546	0.65
3	0.278	0.443	0.351	0.155	0.753	0.334	0.444	0.676	0.712
3	0.399	0.577	0.479	0.276	0.777	0.523	0.673	0.757	0.784
3	0.328	0.443	0.381	0.169	0.6	0.43	0.717	0.723	0.756
3	0.443	0.495	0.468	0.232	0.736	0.532	0.723	0.789	0.808
3	0.409	0.516	0.459	0.237	0.672	0.481	0.716	0.768	0.802
3	0.475	0.518	0.496	0.257	0.703	0.543	0.772	0.813	0.808
3	0.53	0.588	0.558	0.328	0.728	0.564	0.775	0.852	0.821
3	0.451	0.517	0.483	0.25	0.639	0.461	0.722	0.832	0.778
3	0.396	0.603	0.488	0.295	0.853	0.531	0.623	0.735	0.776
3	0.567	0.577	0.572	0.33	0.756	0.531	0.703	0.855	0.852
4	0.287	0.532	0.391	0.208	0.672	0.45	0.67	0.634	0.789
4	0.36	0.634	0.478	0.303	0.812	0.481	0.592	0.686	0.842
4	0.441	0.646	0.534	0.345	0.844	0.576	0.683	0.775	0.801
4	0.473	0.637	0.549	0.349	0.767	0.512	0.667	0.787	0.857
4	0.377	0.631	0.488	0.308	0.778	0.535	0.688	0.697	0.838
4	0.454	0.603	0.523	0.316	0.862	0.559	0.648	0.791	0.81
4	0.518	0.658	0.584	0.384	0.852	0.609	0.715	0.817	0.844
4	0.465	0.644	0.548	0.353	0.724	0.5	0.69	0.777	0.853
4	0.604	0.585	0.594	0.348	0.729	0.577	0.792	0.872	0.881
5	0.86	0.852	0.856	0.729	0.909	0.869	0.955	0.943	0.985
5	0.854	0.9	0.877	0.789	0.932	0.903	0.969	0.938	0.985
5	0.873	0.895	0.884	0.791	0.93	0.889	0.956	0.95	0.986
5	0.859	0.933	0.896	0.836	0.949	0.919	0.968	0.938	0.985
5	0.848	0.87	0.859	0.747	0.903	0.859	0.951	0.939	0.985
5	0.851	0.888	0.869	0.772	0.934	0.894	0.958	0.939	0.983
5	0.856	0.9	0.878	0.79	0.921	0.888	0.964	0.943	0.984
5	0.847	0.798	0.822	0.656	0.853	0.785	0.92	0.942	0.985
5	0.847	0.88	0.864	0.76	0.915	0.869	0.95	0.941	0.978
5	0.837	0.791	0.814	0.644	0.828	0.766	0.925	0.946	0.976

これらのデータセットについて、前回と同様な方法によりPycaretで学習モデルを作成して、ISO945-1のFig.1のタイプⅠ～Ⅵの黒鉛形状の分類と黒鉛球状化率の測定を行いました。

ISO945-1のFig.1のタイプⅠ～Ⅵの黒鉛形状の分類結果

表1、2に、タイプⅠ～Ⅵの個々の黒鉛形状の推論結果の正解率を示します。表1はデータセット①～③の全て（9個）のコラムを学習した機械学習モデルの結果で、表2は3個のコラムを学習した機械学習モデルの結果です。
表1、2とも、データセット③ではタイプによる正解率のばらつきが大きいことが分かります。データを省きすぎたためと思われます。
一方、表2の①の結果はタイプⅠ～Ⅵの全てで100％になっています。ここでは、機械学習に用いた画像を推論しているため、正解率が極端に高いモデルは過学習している可能性があります。タイプによる正解率のばらつきが小さく、かつ、全体的に正解率が高いモデルが実際の組織画像の黒鉛形状の推論に適すると考えると、表1の①と②、表2の②が実際に使えるモデルと考えられます。

表1　機械学習モデルによるISO945-1 のタイプⅠ～Ⅵの黒鉛形状の推論結果の正解率（単位：％）
（データセットの全て（9個）のコラムを使用）

画像ファイル／データセット	①	②	③
Ⅰ	90.2	90.2	82.9
Ⅱ	69.6	73.9	47.8
Ⅲ	92.6	88.9	100
Ⅳ	73.3	73.3	56.7
Ⅴ	73.7	89.5	84.2
Ⅵ	90.5	100	95.2

表2　機械学習モデルによるISO945-1 のタイプⅠ～Ⅵの黒鉛形状の推論結果の正解率（単位：％）
（データセットのうち、表の最下行の3個のコラムを用いて学習）

画像ファイル／データセット	①	②	③
Ⅰ	100	85.3	90.2
Ⅱ	100	73.9	56.5
Ⅲ	100	98.1	87.0
Ⅳ	100	80.0	73.3
Ⅴ	100	89.5	10.5
Ⅵ	100	100	100
使用したコラム	Conv, AR, CSFm	Round, CSFg, MR	Conv, CSF, AR

実際の組織画像の黒鉛球状化率の測定結果

以前の記事のサンプル画像（sample1～3）を使って、個々の黒鉛形状を上記モデルで推論してから球状化率を測定した結果について、表3、表4に示します。
表3の①～③と表4の②において、ばらつきが小さく高い値が得られています。実際に使えそうなモデルである表1の①と②が表3の①と②に、表2の②が表4の②に、それぞれ対応するので、実際に使えそうなモデルは球状化率の測定に使えそうという感触が得られました。

表3　機械学習モデルによるサンプル画像の球状化率の測定結果（単位：％）
（データセットの全て（9個）のコラムを使用）

画像ファイル／データセット	①	②	③
sample1	86.6	90.3	90.7
sample2	89.2	90.0	91.4
sample3	87.0	90.3	90.2

表4　機械学習モデルによるサンプル画像の球状化率の測定結果（単位：％）
（データセットのうち、表の最下行の3個のコラムを用いて学習）

画像ファイル／データセット	①	②	③
sample1	75.8	90.4	80.7
sample2	75.6	89.9	87.3
sample3	75.7	89.6	72.9
使用したコラム	Conv, AR, CSFm	Round, CSFg, MR	Conv, CSF, AR

作成したモデル

データセット①と②で作成した機械学習モデルはこちらにあります。
https://github.com/repositoryfiles/Nodularity-ML

終わりに

JIS G5502では丸み係数法で黒鉛球状化率を測定する方法が規定されています。丸み係数法を使った黒鉛球状化率の測定は比較的簡単に行うことができますが、この方法では黒鉛形状のタイプⅠ～Ⅵを上手く分類できません。これまでの結果から、機械学習を使えば黒鉛形状を上手く分類できるので、形状パラメータの計算や長い測定時間といった短所はありますが、丸み係数法より黒鉛球状化率を正しく評価できるのではないかと思っています。
この記事が何かのお役に立てれば幸いです。