基于深度学习的高效半自动材料微结构分析：加工制造中的案例研究
计算机视觉与模式识别
2026-03-17 v1 材料科学
机器学习
摘要
图像分割是材料微结构分析中用于缺陷识别和结构-性能关联的核心任务，但由于制造和测试条件的差异导致材料图像呈现显著异质性，使其备具挑战。常规图像处理技术往往难以捕获此类复杂特征，难以用于大规模分析。即便是深度学习方法也难以在异质数据集上普遍化，因为高质量标注数据的稀缺。因此，分割工作流程常依赖于手动专家驱动的标注，既费时又难以扩展。以增材制造(AM)数据集为案例，我们提出一种半自动活跃学习驱动的分割管线，将U-Net基准卷积神经网络与交互式用户标注与纠正界面、以及代表性核心集图像选择策略相结合。活跃学习管线通过纳入用户纠正后的分割结果来迭代更新模型，而核心集策略则识别出用于标注的代表性图像。在六轮精炼中，评估了三种子集选择策略：手动选择、不确定性驱动抽样和提出的maximin拉丁超立方抽样从嵌入中实现的SMILE方法。SMILE策略始终优于其他方法，使宏F1分数从0.74提升至0.93，同时将手动标注时间约降低65%。分割得到的缺陷区域进一步用于耦合分类模型，对缺陷进行基于微结构特征的分类，并映射到相应的AM工艺参数。该框架在保持可扩展性和鲁棒性的同时显著减少标注工作，适用于跨越 diverse materials systems 的基于图像的分析。
引用
@article{arxiv.2603.13831,
title = {Efficient Semi-Automated Material Microstructure Analysis Using Deep Learning: A Case Study in Additive Manufacturing},
author = {Sanjeev S. Navaratna and Nikhil Thawari and Gunashekhar Mari and Amritha V P and Murugaiyan Amirthalingam and Rohit Batra},
journal= {arXiv preprint arXiv:2603.13831},
year = {2026}
}