低放大SEM足以胜任：基于深度学习的可解释多尺度裂纹原因分类——Zirconia-Toughened Alumina
计算机视觉与模式识别
2026-05-29 v1 材料科学
图像与视频处理
摘要
可靠识别alumina基复合材料（如髋关节和膝关节植入物）的裂纹起源对于质量保证和患者安全至关重要，但当前裂纹图谱工作流程耗时且主观，依赖于高放大扫描电子显微镜（SEM）。我们提出一种可解释的视觉转换器（ViT）工作流程，用于自动分类alumina基复合材料（BIOLOX delta，CeramTec GmbH）中裂纹原因，这种材料广泛用于全身关节置换。策划了一个包含8,493幅SEM图像（50x-10,000x）的数据集，这些图像来自五年来的生产中的爆破和压痕测试，并标注为沿制造链定义的三个缺陷类别：绿体、硬 machining 和材料缺陷。在严重类别不平衡下，微调的ViT在分层五折交叉验证中达到0.907的准确率和0.888的宏平均F1分数，采用两阶段感知哈希/SSIM泄漏审计确认样本重叠极小。值得注意的是，低放大（50x）的性能相当于高放大（1k-10kx），表明宏观尺度特征——镜像几何和hackle线场——已经包含足够的诊断信号。Grad-CAM归因始终局部于经典裂纹图谱线索（镜像、hackles、孔隙、machining痕迹），与 established裂纹图谱标准一致。综合这些结果，表明可解释ViT可作为 ceramic植入物质量保证的补充工具，实现低放大预筛选，减少对耗时的高放大检查的依赖。
引用
@article{arxiv.2605.29798,
title = {Low-Magnification SEM May Suffice: Interpretable Deep Learning for Multi-Scale Fracture-Cause Classification in Zirconia-Toughened Alumina},
author = {Julian Schmid and Pawel Astankow and Tom Vater and Julius Beck and Robert Cichon and Danny Krautz},
journal= {arXiv preprint arXiv:2605.29798},
year = {2026}
}