基于深度学习的单射法检测铁石宁 microstructure 中的次相
材料科学
2025-07-01 v1
摘要
将性质和加工条件与多相微观结构相联系的第一步是识别组成相. 在铁石宁中,区分次相困难,因为其复杂的形貌形态. 本文扩展了将深度学习技术作为目标检测算法用于实现铁石宁微观结构中的马氏体-亚利斯 (MA) 岛屿,这些岛屿显著影响其机械性能. 通过探索不同技术,开发了一个广泛训练的基于回归的算法来识别 MA 岛屿. 该方法在不改变显微图尺寸的单射框架中有效检测次相. 识别的技术使次相在铁素钢中的检测具有可扩展性和自动化. 该检测算法的扩展以揭示常规分类方法在将加工条件和成分与含次相的铁石宁微观结构关联方面的不足为根据.
引用
@article{arxiv.2506.22757,
title = {Detecting secondary-phase in bainite microstructure through deep-learning based single-shot approach},
author = {Vinod Kumar and Sharukh Hussain and Vishwas Subramanian and P G Kubendran Amos},
journal= {arXiv preprint arXiv:2506.22757},
year = {2025}
}