UA-Net：用于 TRISO 图像语义分割的不确定性感知网络
计算机视觉与模式识别
2026-04-20 v1 机器学习
摘要
三结构各向同性(TRISO)包覆颗粒燃料在高温中子辐照期间会发生尺寸变化和化学反应。辐照后材料学分析有助于理解影响燃料性能的过程，如包覆层完整性和裂变产物滞留。传统上，专家需要手动评估数以千计的亚毫米级样品横截面中的特征，这既繁琐又主观。在本研究中，我们提出了 UA-Net，这是一个深度学习框架，用于分割 TRISO 燃料显微图像的五个特征区域，并生成预测的不确定性图谱。该模型采用多阶段预训练策略，首先使用从 ImageNet 学习到的通用图像表示，随后在各种辐照实验的 TRISO 显微图像和 AGR-5/6/7 颗粒横截面上进行微调。集成了一个用于不确定性预测的元模型，以识别 TRISO 图像中的微小缺陷。UA-Net 在包含 102 张图像的测试集上进行了评估，分别实现了 95.5% 的平均交并比和 97.3% 的平均精确率。该元模型实现了 91.8% 的特异性和 93.5% 的灵敏度，表现出在检测误分类方面的强大性能。该模型还应用于新的 TRISO 图像进行定性评估，显示出在提取层区域方面的高精度。
引用
@article{arxiv.2604.15542,
title = {UA-Net: Uncertainty-Aware Network for TRISO Image Semantic Segmentation},
author = {Kyle Lucke and Zuzanna Krajewska-Travar and Shoukun Sun and Lu Cai and John D. Stempien and Min Xian},
journal= {arXiv preprint arXiv:2604.15542},
year = {2026}
}