深度学习语义分割在透射电子显微图像中多种缺陷的性能、成功与局限
计算机视觉与模式识别
2021-10-18 v1 材料科学
摘要
在本工作中，我们使用深度学习 Mask Regional Convolutional Neural Network（Mask R-CNN）模型对辐照 FeCrAl 合金电子显微图像中的多种缺陷类型进行语义分割。我们对关键模型性能统计量进行了深入分析，重点关注缺陷形状、缺陷尺寸和缺陷面密度的预测分布等量与辐照铁基材料性能建模和理解相关的量。为了更好地理解模型的性能和当前局限，我们提供了一系列有用评估测试的示例，包括随机划分套件，以及依赖于数据集大小和面向领域的交叉验证测试。总体而言，我们发现当前模型是一种快速、有效的工具，可自动表征和量化显微图像中的多种缺陷类型，其准确水平与人工领域专家标注者相当。更具体地说，该模型可实现高达 0.8 的平均缺陷识别 F1 分数，并且基于随机交叉验证，缺陷尺寸和密度的总体平均（±标准差）百分比误差分别为 7.3（±3.8）% 和 12.7（±5.3）%。此外，我们的模型将预期材料硬化预测在 10-20 MPa（约占总硬化的 10%）以内，与实验误差水平大致相同。我们的针对性评估测试还表明，改进未来模型的最佳路径不是用更多标注图像扩充现有数据库，而是针对模型领域的薄弱点添加数据，例如来自不同显微镜、成像条件、辐照环境和合金类型的图像。最后，我们讨论了向更广泛社区提供易于使用的开源目标检测工具以识别新图像中缺陷的初步工作。
引用
@article{arxiv.2110.08244,
title = {Performance, Successes and Limitations of Deep Learning Semantic Segmentation of Multiple Defects in Transmission Electron Micrographs},
author = {Ryan Jacobs and Mingren Shen and Yuhan Liu and Wei Hao and Xiaoshan Li and Ruoyu He and Jacob RC Greaves and Donglin Wang and Zeming Xie and Zitong Huang and Chao Wang and Kevin G. Field and Dane Morgan},
journal= {arXiv preprint arXiv:2110.08244},
year = {2021}
}