論文の概要: Accurate identification and measurement of the precipitate area by two-stage deep neural networks in novel chromium-based alloys

• arxiv url: http://arxiv.org/abs/2606.22112v1
• Date: Sat, 20 Jun 2026 15:50:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-24 20:23:57.587474
• Title: Accurate identification and measurement of the precipitate area by two-stage deep neural networks in novel chromium-based alloys
• Title（参考訳）: 新規クロム系合金の二段階深部ニューラルネットワークによる析出領域の精密同定と測定
• Authors: Zeyu Xia, Kan Ma, Sibo Cheng, Thomas Blackburn, Ziling Peng, Kewei Zhu, Weihang Zhang, Dunhui Xiao, Alexander J Knowles, Rossella Arcucci,
• Abstract要約: クロム系超合金の開発には, 沈殿量率と粒径分布の効率的な測定が必要である。 従来の固定閾値画像処理は背景雑音に敏感であり、材料全体の一般化が不十分であり、手作業による測定がかなり必要である。 本研究では,TOLOv5とSegFormerをベースとしたエンドツーエンド2段階深層学習方式DT-SegNetを提案する。
• 参考スコア（独自算出の注目度）: 43.18932499199212
• License:
• Abstract: The performance of advanced materials for extreme environments is underpinned by their microstructure, including the size and distribution of reinforcing phases. Chromium-based superalloys are a recently proposed alternative to conventional face-centred-cubic superalloys for high-temperature applications, such as Concentrated Solar Power, and their development requires efficient measurement of precipitate volume fraction and size distribution from electron microscopy images. Traditional fixed-threshold image processing is sensitive to background noise, generalises poorly across materials, and requires substantial manual measurement effort. To address these bottlenecks, this study proposes DT-SegNet, an end-to-end two-stage deep learning scheme based on YOLOv5 and SegFormer for object detection and segmentation in electron microscopy images. The approach combines the training efficiency of convolutional neural networks at the detection stage with the segmentation accuracy of a Vision Transformer. Numerical experiments show that DT-SegNet substantially outperforms state-of-the-art segmentation tools offered by Weka and ilastik across metrics including accuracy, precision, recall, and F1-score. The model provides a useful tool for alloy-development microstructure examinations and helps address the large datasets associated with high-throughput alloy development.
• Abstract（参考訳）: 極端環境用先端材料の性能は, 補強相のサイズや分布など, その微細構造に支えられている。 クロム系超合金は、高濃度ソーラーパワーなどの高温応用のための従来の顔中心キュビック超合金に代わるものとして最近提案され、その開発には、電子顕微鏡画像からの沈殿量率とサイズ分布の効率的な測定が必要である。 従来の固定閾値画像処理は背景雑音に敏感であり、材料全体の一般化が不十分であり、手作業による測定がかなり必要である。 これらのボトルネックに対処するため,電子顕微鏡画像における物体検出とセグメンテーションのための YOLOv5 と SegFormer に基づくエンドツーエンドの2段階深層学習方式である DT-SegNet を提案する。 このアプローチは、検出段階での畳み込みニューラルネットワークのトレーニング効率と、視覚変換器のセグメンテーション精度を組み合わせる。 数値実験により、DT-SegNetは、精度、精度、リコール、F1スコアを含むメトリクスにわたって、WekaとIlastikによって提供される最先端のセグメンテーションツールを大幅に上回っていることが示された。 このモデルは、合金開発ミクロ組織検査に有用なツールを提供し、高出力合金開発に関連する大きなデータセットに対処するのに役立つ。

関連論文リスト

• Quantification and Classification of Carbon Nanotubes in Electron Micrographs using Vision Foundation Models [1.8969168959157112]
  本研究は、電子顕微鏡画像におけるCNTの定量化と分類を自動化するために、視覚基盤モデルを活用した統一的なフレームワークを提案する。 本稿では,最小限のユーザ入力を用いて,粒子をほぼ完全精度で分割するSegment Anything Model(SAM)上に構築した対話的定量化ツールを提案する。 第二に,これらのセグメンテーションマスクを用いて空間的にDINOv2視覚変換器を拘束し,背景雑音を抑えながら粒子領域からのみ特徴を抽出する新しい分類パイプラインを提案する。 1,800 TEM画像のデータセットに基づいて評価され、このアーキテクチャは4つの異なるCNT形態の区別において95.5%の精度を達成する。
  論文  参考訳（メタデータ） (2026-01-10T20:22:58Z)
• Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework [6.6168431490300845]
  本稿では,SEM画像セグメンテーションのためのディープラーニングフレームワークを提案する。 PerovSegNetという名前のモデルには、2つの新しいモジュールが組み込まれています。 PerovSegNetは平均平均精度87.25%で、265.4ギガ浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2025-09-30T17:18:51Z)
• STEM Diffraction Pattern Analysis with Deep Learning Networks [0.0]
  本研究は、走査型透過電子顕微鏡(STEM)回折パターン(DP)から直接オイラー角を予測する機械学習に基づくアプローチを提案する。 これは高解像度結晶配向マップの自動生成を可能にし、ナノスケール内部の微細構造の解析を容易にする。 3つのディープラーニングアーキテクチャ – 畳み込みニューラルネットワーク(CNN)、Dense Convolutional Networks(DenseNets)、Shifted Windows(Swin) Transformers – は、商用TMアルゴリズムによってラベル付けされた実験的に取得されたデータセットを使用して評価される。
  論文  参考訳（メタデータ） (2025-07-02T16:58:09Z)
• 10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection [48.074211420276605]
  バイナリ化されたニューラルネットワーク(BNN)は、モデル圧縮における例外的な効率によって区別される。 両立赤外小ターゲット検出ネットワーク(BiisNet)を提案する。 BiisNetは二項化畳み込みのコア操作を保存し、完全精度の機能をネットワークの情報フローに統合する。
  論文  参考訳（メタデータ） (2025-03-04T14:25:51Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• SEMU-Net: A Segmentation-based Corrector for Fabrication Process Variations of Nanophotonics with Microscopic Images [4.875868958100446]
  走査型電子顕微鏡画像(SEM)を自動的にセグメント化する手法であるSEMU-Netを導入し,それらを用いて,U-Netとその変種に基づく2つのディープニューラルネットワークモデルをトレーニングする。 予測モデルは製造に伴う変動を予測し、補正モデルはこれらの問題に対処するために設計を調整する。 実験結果から, セグメンテーションU-Netの平均IoUスコアは99.30%, タンデムアーキテクチャにおける補正注意U-Netの平均IoUスコアは98.67%に達した。
  論文  参考訳（メタデータ） (2024-11-25T22:49:59Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• 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)
• AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large Scenes [57.969186815591186]
  大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。 本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T03:30:22Z)

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。