論文の概要: Automated Grain Boundary (GB) Segmentation and Microstructural Analysis
in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy
- arxiv url: http://arxiv.org/abs/2305.07790v1
- Date: Fri, 12 May 2023 22:49:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 19:49:40.339159
- Title: Automated Grain Boundary (GB) Segmentation and Microstructural Analysis
in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy
- Title（参考訳）: 深層学習とマルチモーダル顕微鏡による347hステンレス鋼の自動粒界セグメンテーションとミクロ組織解析
- Authors: Shoieb Ahmed Chowdhury, M.F.N. Taufique, Jing Wang, Marissa Masden,
Madison Wenzlick, Ram Devanathan, Alan L Schemer-Kohrn, Keerti S Kappagantula
- Abstract要約: オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。
CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。
走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
- 参考スコア（独自算出の注目度）: 2.0445155106382797
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Austenitic 347H stainless steel offers superior mechanical properties and
corrosion resistance required for extreme operating conditions such as high
temperature. The change in microstructure due to composition and process
variations is expected to impact material properties. Identifying
microstructural features such as grain boundaries thus becomes an important
task in the process-microstructure-properties loop. Applying convolutional
neural network (CNN) based deep-learning models is a powerful technique to
detect features from material micrographs in an automated manner. Manual
labeling of the images for the segmentation task poses a major bottleneck for
generating training data and labels in a reliable and reproducible way within a
reasonable timeframe. In this study, we attempt to overcome such limitations by
utilizing multi-modal microscopy to generate labels directly instead of manual
labeling. We combine scanning electron microscopy (SEM) images of 347H
stainless steel as training data and electron backscatter diffraction (EBSD)
micrographs as pixel-wise labels for grain boundary detection as a semantic
segmentation task. We demonstrate that despite producing instrumentation drift
during data collection between two modes of microscopy, this method performs
comparably to similar segmentation tasks that used manual labeling.
Additionally, we find that na\"ive pixel-wise segmentation results in small
gaps and missing boundaries in the predicted grain boundary map. By
incorporating topological information during model training, the connectivity
of the grain boundary network and segmentation performance is improved.
Finally, our approach is validated by accurate computation on downstream tasks
of predicting the underlying grain morphology distributions which are the
ultimate quantities of interest for microstructural characterization.
- Abstract（参考訳）: オーステナイト系347hステンレス鋼は高温などの極端な運転条件において優れた機械的特性と耐食性を提供する。
組成やプロセスの変動による微細構造の変化が材料特性に与える影響が期待される。
粒界などの微細構造の特徴を同定することは, プロセス-ミクロ構造-物性ループにおいて重要な課題となる。
畳み込みニューラルネットワーク(cnn)ベースのディープラーニングモデルを適用することは、材料マイクログラフから特徴を自動的に検出する強力なテクニックである。
セグメンテーションタスクのイメージのマニュアルラベリングは、合理的な時間枠内で信頼できる再現可能な方法でトレーニングデータとラベルを生成する上で、大きなボトルネックとなる。
本研究では,マルチモーダル顕微鏡を用いて,手動ラベルではなくラベルを直接生成することで,このような制限を克服しようとする。
347hステンレス鋼の走査型電子顕微鏡 (sem) 像をトレーニングデータとして, 電子後方散乱回折 (ebsd) マイクログラフをピクセルラベルとして合成し, 粒界検出を意味的セグメンテーションタスクとした。
本手法は,2つの顕微鏡モード間のデータ収集において,手動ラベリングを用いた同様のセグメンテーションタスクと相容れない性能を示す。
さらに,na\"ive pixel-wise segmentationでは,予測された粒界マップのギャップが小さく,境界が欠落していることが判明した。
モデルトレーニング中にトポロジ情報を取り入れることで、粒界ネットワークの接続性とセグメンテーション性能が改善される。
最後に, 微構造的キャラクタリゼーションにおける究極の関心値である粒状形態分布の予測を, 下流課題の正確な計算によって検証する。
関連論文リスト
- GPU-Accelerated RSF Level Set Evolution for Large-Scale Microvascular Segmentation [2.5003043942194236]
本稿では,地域スケーラブルフィッティング(RSF)レベルセットモデルの改訂と実装を提案する。
これにより、単命令多重データ(SIMD)と単プログラム多重データ(SPMD)並列処理の両方を用いて3次元評価が可能となる。
我々は、最先端イメージング技術を用いて取得した複数のデータセットに対して、この3次元並列RSF手法を用いて、微小血管データを取得することを試みた。
論文 参考訳（メタデータ） (2024-04-03T15:37:02Z) - MatSAM: Efficient Extraction of Microstructures of Materials via Visual
Large Model [11.130574172301365]
Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。
本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。
簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
論文 参考訳（メタデータ） (2024-01-11T03:18:18Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - Tracking perovskite crystallization via deep learning-based feature
detection on 2D X-ray scattering data [137.47124933818066]
本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。
有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
論文 参考訳（メタデータ） (2022-02-22T15:39:00Z) - Multiclass Yeast Segmentation in Microstructured Environments with Deep
Learning [20.456742449675904]
我々は、個々の酵母細胞の多クラスセグメンテーションのために訓練された畳み込みニューラルネットワークを提案する。
本手法は, 微構造環境下での酵母のセグメンテーションへの寄与を, 典型的な合成生物学的応用で示す。
論文 参考訳（メタデータ） (2020-11-16T16:16:13Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Learning-based Defect Recognition for Quasi-Periodic Microscope Images [0.0]
原子分解能顕微鏡画像からの格子欠陥の検出を支援する半教師付き機械学習手法を提案する。
これには、画像パッチを欠陥または非欠陥として分類する畳み込みニューラルネットワーク、モデルとして1つの非欠陥パッチを選択するグラフベース、そして最後に自動生成された畳み込みフィルタバンクが含まれる。
このアルゴリズムは、III-V/Si結晶材料上でテストされ、異なる測定値に対してうまく評価され、非常に小さなトレーニングデータセットであっても有望な結果を示す。
論文 参考訳（メタデータ） (2020-07-02T18:00:02Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - Machine Learning Pipeline for Segmentation and Defect Identification
from High Resolution Transmission Electron Microscopy Data [0.0]
我々は高分解能電子顕微鏡データ解析のための柔軟な2ステップパイプラインを実証した。
トレーニングしたU-Netは、Dice係数0.8の非晶質背景からナノ粒子を分離することができる。
すると、ナノ粒子が86%の精度で可視積層断層を含むかどうかを分類できる。
論文 参考訳（メタデータ） (2020-01-14T19:49:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。