論文の概要: Microstructure quality control of steels using deep learning
- arxiv url: http://arxiv.org/abs/2306.00797v1
- Date: Thu, 1 Jun 2023 15:25:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 15:06:44.866820
- Title: Microstructure quality control of steels using deep learning
- Title（参考訳）: 深層学習による鋼の組織品質制御
- Authors: Ali Riza Durmaz, Sai Teja Potu, Daniel Romich, Johannes M\"oller, Ralf
N\"utzel
- Abstract要約: 品質管理において, 構造整合性を確保するため, 臨界体積欠陥の存在を排除し, ターゲットの微細構造の形成を検証するため, 微構造を厳密に検討した。
焼成・階層構造鋼の場合, ベイナイトおよびマルテンサイト組織の形態は, サービス条件下での材料の信頼性を保証する上で大きな関心事である。
そこで本研究では, 鋼板の微細構造を識別し, ISO 643粒径評価基準に従って針長を分類する深層学習画像分類手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In quality control, microstructures are investigated rigorously to ensure
structural integrity, exclude the presence of critical volume defects, and
validate the formation of the target microstructure. For quenched,
hierarchically-structured steels, the morphology of the bainitic and
martensitic microstructures are of major concern to guarantee the reliability
of the material under service conditions. Therefore, industries conduct small
sample-size inspections of materials cross-sections through metallographers to
validate the needle morphology of such microstructures. We demonstrate
round-robin test results revealing that this visual grading is afflicted by
pronounced subjectivity despite the thorough training of personnel. Instead, we
propose a deep learning image classification approach that distinguishes steels
based on their microstructure type and classifies their needle length alluding
to the ISO 643 grain size assessment standard. This classification approach
facilitates the reliable, objective, and automated classification of
hierarchically structured steels. Specifically, an accuracy of 96% and roughly
91% is attained for the distinction of martensite/bainite subtypes and needle
length, respectively. This is achieved on an image dataset that contains
significant variance and labeling noise as it is acquired over more than ten
years from multiple plants, alloys, etchant applications, and light optical
microscopes by many metallographers (raters). Interpretability analysis gives
insights into the decision-making of these models and allows for estimating
their generalization capability.
- Abstract（参考訳）: 品質管理において, 構造整合性を確保するため, 臨界体積欠陥の存在を排除し, ターゲットの微細構造の形成を検証するため, 微構造を厳密に検討した。
焼成・階層構造鋼の場合, ベイナイトおよびマルテンサイト組織の形態は, サービス条件下での材料の信頼性を保証する上で重要な課題である。
そのため、金属分析士による材料断面の小さな試料検査を行い、そのようなミクロ構造の針形態を検証した。
被験者の徹底的な訓練にもかかわらず,この視覚的評価は主観性に苦しめられていることが明らかとなった。
そこで本研究では,その組織型に基づいて鋼材を識別し,その針長をiso 643結晶粒径評価基準に分類する深層学習画像分類手法を提案する。
この分類手法は、階層構造鋼の信頼性、客観的、および自動分類を促進する。
具体的には,マーテンサイト/ベイナイトサブタイプと針長を区別するために96%,約91%の精度が得られる。
これは、複数の植物、合金、エッチング剤応用、および多くの金属分析者(レーダ)による光光学顕微鏡から10年以上にわたって取得された、大きなばらつきとラベル付けノイズを含む画像データセット上で達成される。
解釈可能性分析は、これらのモデルの意思決定に関する洞察を与え、一般化能力を推定することを可能にする。
関連論文リスト
- Macroscale fracture surface segmentation via semi-supervised learning considering the structural similarity [1.3654846342364308]
セグメンテーション能力に対する構造的類似性の影響を分析するために、3つのデータセットが作成された。
半教師あり学習のための弱強整合正則化を実装した。
提案手法はトレーニングに必要なラベル付き画像の数を6。
論文 参考訳（メタデータ） (2024-03-27T08:21:41Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Automated Grain Boundary (GB) Segmentation and Microstructural Analysis
in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
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。
論文 参考訳（メタデータ） (2023-05-12T22:49:36Z) - 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) - Recognition of Defective Mineral Wool Using Pruned ResNet Models [88.24021148516319]
我々はミネラルウールのための視覚品質管理システムを開発した。
ウール標本のX線画像が収集され、欠陥および非欠陥サンプルのトレーニングセットが作成された。
我々は98%以上の精度のモデルを得たが、同社の現在の手順と比較すると、20%以上の欠陥製品を認識することができる。
論文 参考訳（メタデータ） (2022-11-01T13:58:02Z) - Computer Vision Methods for the Microstructural Analysis of Materials:
The State-of-the-art and Future Perspectives [0.4595477728342621]
本稿では, マルチスケール画像解析に応用された最先端CNN技術について概説する。
材料科学研究へのこれらの手法の適用に関する主な課題を同定する。
論文 参考訳（メタデータ） (2022-07-29T15:27:47Z) - 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) - 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) - Automatic identification of fossils and abiotic grains during carbonate
microfacies analysis using deep convolutional neural networks [1.520387509697271]
堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。
骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
論文 参考訳（メタデータ） (2020-09-24T00:58:48Z) - Transfer Learning for Protein Structure Classification at Low Resolution [124.5573289131546]
タンパク質のクラスとアーキテクチャの正確な(geq$80%)予測を、低い(leq$3A)解像度で決定された構造から行うことができることを示す。
本稿では, 高速で低コストなタンパク質構造を低解像度で分類するための概念実証と, 機能予測への拡張の基礎を提供する。
論文 参考訳（メタデータ） (2020-08-11T15:01:32Z) - Non-invasive quantitative imaging of selective microstructure-sizes with
magnetic resonance [0.0]
本稿では,2つの測定値のみを必要とする手法と,その原理実証実験を用いて,選択的な微細構造サイズの画像を生成する手法について報告する。
我々は、一般的に用いられる崩壊率ではなく、磁化「デカイシフト」を利用するスピンエチョ配列のマイクロ構造サイズのフィルタを設計する。
論文 参考訳（メタデータ） (2020-06-03T04:15:38Z)
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。