基于深度学习 CNN 的铜合金晶粒尺寸自动评定
计算机视觉与模式识别
2020-05-21 v1 材料科学
机器学习
机器学习
摘要
Moog 公司利用深度学习卷积神经网络（CNN）实现了铜（Cu）合金晶粒尺寸的自动评定。该概念验证的自动图像采集与批量图像处理有望大幅减少人工、提高晶粒评定精度，并缩短批准 Cu 合金棒材用于飞行关键航空器硬件的整体周转时间。在 Cu 合金试样的单个子图像上实现了 91.1% 的分类准确率。工艺开发包括最小化所采集图像在颜色、亮度和分辨率上的差异以创建含 12300 张子图像的数据集，随后利用统计实验设计（DoE）在该数据集上优化 CNN 超参数。在自动 Cu 合金晶粒尺寸评定的开发过程中，基于将大幅原始图像分解为许多较小数据集子图像，并通过检视各较小子图像的分类结果来解释 CNN 集成图像输出的能力，实现了人工智能（XAI）输出一定程度的“可解释性”。
引用
@article{arxiv.2005.09634,
title = {Automated Copper Alloy Grain Size Evaluation Using a Deep-learning CNN},
author = {George S. Baggs and Paul Guerrier and Andrew Loeb and Jason C. Jones},
journal= {arXiv preprint arXiv:2005.09634},
year = {2020}
}