基于深度学习的复杂显微组织高通量定量金相分析：以超高碳钢为例
计算机视觉与模式识别
2019-02-06 v2
摘要
我们应用深度卷积神经网络分割模型，为通常依靠人工主观评价的复杂显微组织实现新颖的自动化显微组织分割应用。我们在公开可用的超高碳钢显微组织数据集中探索了两项显微组织分割任务：在球化基体中分割渗碳体颗粒，以及分割包含晶界碳化物、球化颗粒基体、无颗粒晶界贫化区和魏氏渗碳体的更大视场。我们还展示了如何组合这些数据驱动的显微组织分割模型，从包含多种显微组分的更复杂显微照片中获取经验性的渗碳体颗粒尺寸与贫化区宽度分布。完整标注的数据集可在 materialsdata.nist.gov (https://materialsdata.nist.gov/handle/11256/964) 获取。
引用
@article{arxiv.1805.08693,
title = {High throughput quantitative metallography for complex microstructures using deep learning: A case study in ultrahigh carbon steel},
author = {Brian L. DeCost and Bo Lei and Toby Francis and Elizabeth A. Holm},
journal= {arXiv preprint arXiv:1805.08693},
year = {2019}
}
备注
Updated with minor revisions reflecting the review process at Microscopy and Microanalysis. Full supplementary materials will be available at https://holmgroup.github.io/publications/