通过电子显微图像中孔洞的自动化语义分割揭示材料肿胀
材料科学
2022-08-03 v1
摘要
准确量化经历辐照的合金的肿胀对于理解核反应堆中合金性能至关重要，且对反应堆设施的安全可靠运行十分关键。然而，通常的做法是由领域专家手动量化合金电子显微图像中的辐照诱导缺陷。在此，我们采用端到端深度学习方法，使用 Mask Regional Convolutional Neural Network（Mask R-CNN）模型来检测并量化辐照合金中的纳米级孔洞。我们已组装了迄今最大的标注孔洞图像数据库，包含 400 张图像、超过 34k 个离散孔洞，以及众多合金成分与辐照条件。我们评估了模型表现的统计指标（精确率、召回率和 F1 分数）和材料属性中心指标（孔洞尺寸、密度和肿胀），并对材料肿胀评估进行了深入分析。我们发现，基于随机留出交叉验证，我们的模型给出的材料肿胀评估的平均（标准差）肿胀平均绝对误差为 0.30（0.03）百分比肿胀。该结果表明，我们的方法能够准确地在逐图像和逐条件基础上提供肿胀指标，从而可为材料设计（如合金精炼）以及服役条件（如温度、辐照剂量）对肿胀的影响提供有益见解。最后，我们发现存在统计指标较差但肿胀误差很小的测试图像案例，这指出在材料领域应用中评估目标检测模型时需要超越传统的基于分类的指标。
引用
@article{arxiv.2208.01460,
title = {Materials Swelling Revealed Through Automated Semantic Segmentation of Cavities in Electron Microscopy Images},
author = {Ryan Jacobs and Priyam Patki and Matthew Lynch and Steven Chen and Dane Morgan and Kevin G. Field},
journal= {arXiv preprint arXiv:2208.01460},
year = {2022}
}