基于深度学习方法的先进钢铁微观结构分类
计算机视觉与模式识别
2018-02-16 v2 材料科学
摘要
材料的内部结构称为微观结构。它记录了材料的起源并决定了其所有的物理和化学性质。虽然微观结构表征已被广泛应用且为人熟知，但微观结构分类大多由人类专家手动完成，这由于主观性而引发了不确定性。由于微观结构可能是具有复杂子结构的不同相或组分的组合，其自动分类非常具有挑战性，且仅有少数先前的研究存在。先前的工作集中于由专家设计和工程化的特征，并将微观结构分类与特征提取步骤分开进行。最近，深度学习方法通过从数据中学习特征并与分类步骤相结合，在视觉应用中展现出了强大的性能。在这项工作中，我们提出了一种以低碳钢的某些微观结构组分为例的微观结构分类深度学习方法。这种新颖的方法采用全卷积神经网络 (FCNN) 进行像素级分割，并辅以最大投票方案。我们的系统实现了 93.94% 的分类准确率，大幅优于准确率为 48.89% 的 SOTA 方法。除了我们方法的强大性能外，这一研究方向还为钢铁质量评估这一困难任务提供了一种更稳健且首要的是客观的方法。
引用
@article{arxiv.1706.06480,
title = {Advanced Steel Microstructural Classification by Deep Learning Methods},
author = {Seyed Majid Azimi and Dominik Britz and Michael Engstler and Mario Fritz and Frank Mücklich},
journal= {arXiv preprint arXiv:1706.06480},
year = {2018}
}
备注
Published in Nature - Scientific Reports Journal