用于建立显微组织-工艺关系的图像驱动判别与生成机器学习算法
应用物理
2020-10-28 v1 计算机视觉与模式识别
图像与视频处理
摘要
我们研究了用于从显微组织图像数据预测工艺条件的显微组织表征方法。以一种目前正在开发作为核燃料的二元合金（铀-钼）为研究对象，旨在开发一种改进的机器学习方法用于图像识别、表征以及建立关联显微组织与工艺条件的预测能力。在此，我们测试不同的显微组织表征方式，并基于 F1 分数评估模型性能。在区分对应于十种不同热机械材料加工条件的显微照片时，取得了 95.1% 的 F1 分数。我们发现新开发的显微组织表征能很好地描述图像数据，而利用不同相面积分数的传统方法不足以在 272 张图像的相对较小且不平衡的原始数据集上区分多个类别。为探索生成方法对补充此类有限数据集的适用性，训练了生成对抗网络（GAN）以生成人工显微组织图像。训练并测试了两种不同的生成网络以评估性能。还讨论了将机器学习应用于有限显微组织图像数据集相关的挑战与最佳实践。我们的工作对定量显微组织分析以及典型冶金工艺设计研究中有限数据集下显微组织-工艺关系的建立具有意义。
引用
@article{arxiv.2007.13417,
title = {Image-driven discriminative and generative machine learning algorithms for establishing microstructure-processing relationships},
author = {Wufei Ma and Elizabeth Kautz and Arun Baskaran and Aritra Chowdhury and Vineet Joshi and Bülent Yener and Daniel Lewis},
journal= {arXiv preprint arXiv:2007.13417},
year = {2020}
}
备注
14 pages, 15 figures