利用迁移学习应对材料微观组织多样性

材料的微观组织是其合金成分和加工历史的印记。因此，微观组织存在广泛的多样性。随着材料为满足工程需求而日益复杂，计算机视觉（CV）先进方法如深度学习（DL）在从显微图像中量化微观组织组成方面不可避免地变得重要。虽然 DL 在许多任务上可超越经典 CV 技术，但其缺陷是数据效率低且跨数据集泛化能力差。这本质上与通过专家标注材料数据及材料高度多样性所带来的高昂代价相矛盾。为同时解决领域泛化能力差和标注数据缺乏的问题，我们提出应用称为无监督域适应（UDA）的迁移学习子类方法。这些算法在给定标注源数据与未标注目标数据时，致力于寻找域不变特征，从而尽管无标注，仍能优化在后一分布上的性能。作为示例，本研究在复杂相钢显微图像中的针状贝氏体分割任务上进行。此处所选待桥接的域为不同的金相试样制备（表面腐蚀）与不同的成像模态。我们表明，最先进的 UDA 方法在很大程度上超越了源域训练模型直接用于目标域的朴素应用（泛化基线）。无论域偏移如何，尽管使用少量数据，甚至当基线模型经预训练或采用数据增强时，此结论均成立。通过 UDA，在三个目标数据集上 mIoU 相对泛化基线分别从 82.2%、61.0%、49.7% 提升至 84.7%、67.3%、73.3%。这凸显了该技术在应对材料差异性方面的潜力。