基于深度学习与多模态显微镜的 347H 不锈钢晶界分割及微结构分析
材料科学
2023-05-16 v1 计算机视觉与模式识别
图像与视频处理
摘要
奥氏体 347H 不锈钢具备极端工况(如高温)所需的优异力学性能与耐腐蚀性。因成分与工艺变化引起的微结构改变预计会影响材料性能。因此,识别晶界等微结构特征成为工艺-微结构-性能循环中的重要任务。应用基于卷积神经网络(CNN)的深度学习模型是一种从材料显微图像中自动检测特征的强有力技术。为分割任务手动标注图像,在合理时间内以可靠可复现方式生成训练数据与标签方面构成主要瓶颈。本研究中,我们试图通过利用多模态显微镜直接生成标签而非手动标注来克服此类限制。我们将 347H 不锈钢的扫描电子显微镜(SEM)图像作为训练数据,并将电子背散射衍射(EBSD)显微图作为像素级标签,以语义分割任务进行晶界检测。我们证明,尽管两种显微镜模式间数据采集存在仪器漂移,该方法性能仍可与使用手动标注的类似分割任务相媲美。此外,我们发现朴素的像素级分割会在预测的晶界图中导致小间隙与缺失边界。通过在模型训练中融入拓扑信息,晶界网络的连通性与分割性能得以改善。最后,我们的方法通过准确计算预测底层晶粒形态分布的下游任务得到验证,而这些分布正是微结构表征的最终关注量。
引用
@article{arxiv.2305.07790,
title = {Automated Grain Boundary (GB) Segmentation and Microstructural Analysis in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy},
author = {Shoieb Ahmed Chowdhury and M. F. N. Taufique and Jing Wang and Marissa Masden and Madison Wenzlick and Ram Devanathan and Alan L Schemer-Kohrn and Keerti S Kappagantula},
journal= {arXiv preprint arXiv:2305.07790},
year = {2023}
}