基于数据效率的 U-Net 用于钴微观结构的分割——燃料舱钢材的 SEM 图像
机器学习
2025-11-17 v1 材料科学
摘要
理解反应堆压力容器钢材的微观结构对于预测机械性能至关重要，因为钴析出会既增强合金，又可能引发裂纹。在扫描电子显微镜图像中，钴与基体之间的灰度重叠使得简单的阈值分割方法无效。我们提出了一种数据效率高的分割管道，采用轻量级 U-Net（30.7~M 参数），仅在 \textbf{10 张标注的扫描电子显微镜图像} 上进行训练。尽管数据有限，我们的模型实现了 \textbf{Dice-S{\o}rensen 系数 0.98}，显著优于该领域金属学领域的最新方法（经典图像分析：0.85），同时将标注工作量降低了一个数量级。该方法实现了对合金设计的快速、自动化钴定量分析，并可推广至其他钢材类型，展示了数据高效深度学习在反应堆压力容器钢材分析中的潜力。
引用
@article{arxiv.2511.11485,
title = {Data-efficient U-Net for Segmentation of Carbide Microstructures in SEM Images of Steel Alloys},
author = {Alinda Ezgi Gerçek and Till Korten and Paul Chekhonin and Maleeha Hassan and Peter Steinbach},
journal= {arXiv preprint arXiv:2511.11485},
year = {2025}
}