一种用于不连续析出反应动力学建模的图驱动机器学习方法
应用物理
2019-06-14 v1 计算机视觉与模式识别
机器学习
摘要
显微图像定量是若干材料科学研究的基本组成部分。机器学习方法，特别是卷积神经网络，此前已在多个学科（如材料科学、医学成像、人脸识别）的图像识别任务中展现出性能。此处，我们将这些成熟方法应用于铀-钼体系的案例研究，开发一种用于不连续析出反应动力学建模的微观结构量化方法。基于图像数据预测材料加工历史（分类）、计算显微图像中存在的相面积分数（分割），以及根据分割结果进行动力学建模均已完成。结果表明卷积神经网络能很好地表示微观结构图像数据，且使用 k-means 聚类算法的分割结果与人工标注图像吻合良好。在 5 类分类问题中，原始与分割图像的 classification 准确率均为 94\%。动力学建模结果与使用人工阈值的已有报道数据吻合良好。本文开发并提出的图像量化与动力学建模方法旨在减少表征过程中引入的研究者偏倚，并允许在有限图像数据集中利用信息。
引用
@article{arxiv.1906.05496,
title = {An image-driven machine learning approach to kinetic modeling of a discontinuous precipitation reaction},
author = {Elizabeth Kautz and Wufei Ma and Saumyadeep Jana and Arun Devaraj and Vineet Joshi and Bülent Yener and Daniel Lewis},
journal= {arXiv preprint arXiv:1906.05496},
year = {2019}
}
备注
30 pages, 8 figures