微观结构的仿真与机器学习
摘要
机器学习提供了解决具有挑战性的图像处理任务的有吸引力的解决方案。冗长的算法解决方案的开发和参数化工作可被训练卷积神经网络或随机森林所取代，后者具有很大的可泛化潜力。然而，机器学习方法依赖于大量具有代表性的图像数据以及真实标签，通常通过手动标注获得。因此，训练数据的有限 availability 是一个关键瓶颈。我们讨论了两个用例：工业生产中的光学质量控制和对混凝土3D图像中裂缝结构的分割。在光学质量控制中，所有缺陷类型都必须被训练，但通常在训练数据中未均匀表示。此外，手动标注成本高昂且常常不一致。在第二个案例中几乎不可能实现：对混凝土3D图像中裂缝系统的分割。基于随机几何模型实现的合成图像提供了优雅的解决方案。可以生成多种结构类型。模型的随机性自然捕捉了结构内的变异，同时免费获取真实标签。出现了许多新问题。特别是，哪些特征的真实图像数据必须达到何种保真度。
引用
@article{arxiv.2501.18313,
title = {Simulation of microstructures and machine learning},
author = {Katja Schladitz and Claudia Redenbach and Tin Barisin and Christian Jung and Natascha Jeziorski and Lovro Bosnar and Juraj Fulir and Petra Gospodnetić},
journal= {arXiv preprint arXiv:2501.18313},
year = {2025}
}
备注
Preprint of: K. Schladitz, C. Redenbach, T. Barisin, C. Jung, N. Jeziorski, L. Bosnar, J. Fulir, P. Gospodneti\'c: Simulation of Microstructures and Machine Learning, published in Continuum Models and Discrete Systems by F. Willot, J. Dirrenberger, S. Forest, D. Jeulin, A.V. Cherkaev (eds), 2024, Springer Cham. The final version is https://doi.org/10.1007/978-3-031-58665-1