基于深度学习的韧窝分割用于定量断口分析
图像与视频处理
2020-10-02 v3 计算机视觉与模式识别
机器学习
摘要
本工作中，我们试图利用机器学习方法尤其是神经网络解决钛合金中韧窝检测与分割这一挑战性问题。图像即断口照片由扫描电子显微镜（SEM）获取。为判定金属断裂原因，我们利用有监督机器学习方法解决断口照片中即金属断裂表面上韧窝的分割问题。确定断裂原因将有助于材料性能、力学性能和新型抗断裂材料的开发预测。该方法亦有助于将断裂表面的形貌与材料的力学性能相关联。我们提出的新模型相较于其他已有方法取得了最佳性能。据我们所知，这是首个在断口分析中采用带自注意力的全卷积神经网络进行韧窝断口有监督学习的工作之一，尽管其亦可轻易扩展以考虑脆性特征。
引用
@article{arxiv.2007.02267,
title = {Deep Learning based Dimple Segmentation for Quantitative Fractography},
author = {Ashish Sinha and K S Suresh},
journal= {arXiv preprint arXiv:2007.02267},
year = {2020}
}
备注
Accepted as a poster only at IC-MSE 2021. In review for publication in a conference