論文の概要: Leakage-Safe Machine Learning for Hydrogen Embrittlement Detection in 316L Stainless Steel: A Region-Held-Out Evaluation of Texture and Deep Features in SEM Micrographs

• arxiv url: http://arxiv.org/abs/2609.28567v1
• Date: Wed, 23 Sep 2026 11:18:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.408941
• Title: Leakage-Safe Machine Learning for Hydrogen Embrittlement Detection in 316L Stainless Steel: A Region-Held-Out Evaluation of Texture and Deep Features in SEM Micrographs
• Title（参考訳）: 316Lステンレス鋼の水素脆化検出のための漏洩安全機械学習:SEM顕微鏡の集合組織と深部特性の領域ヘルドアウト評価
• Abstract要約: 本研究では, 316Lステンレス鋼のAs-Received (AR) およびH2-H2 SEMマイクログラフの分類のための領域保持型プロトコルを提案する。 ローカルバイナリーパターン(LBP)とグレーレベル共起行列(GLCM)と143のラベルのないSEM画像に事前訓練した自己教師型畳み込み埋め込みと、畳み込みニューラルネットワーク(CNN)の6つの特徴分類器の組み合わせを比較した。 最も単純なテクスチャアプローチであるサポートベクターマシン(LBP+SVM)を用いたLPPは、0.79、H2リコール0.69、Hのバランス精度を実現した。
• 参考スコア（独自算出の注目度）: 2.934613983335655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scanning electron microscopy (SEM) is routinely used to characterize the microstructural changes caused by hydrogen embrittlement (HE) in structural steels. Machine learning can automate this characterization, but models are often evaluated using image-level splits. When several images come from the same specimen region, such splits leak information between the training and test sets. Here, we propose a region-held-out protocol for classifying as-received (AR) and hydrogen-charged (H2) SEM micrographs of 316L stainless steel, based on Leave-One-Region-Out (LORO) cross-validation over 14 spatial regions (8 AR, 6 H2; 31 images). We compared six feature-classifier combinations built on local binary patterns (LBP), grey-level co-occurrence matrices (GLCM), self-supervised convolutional embeddings pretrained on 143 unlabeled SEM images, and a convolutional neural network (CNN). The simplest texture approach, LBP with a support vector machine (LBP+SVM), performed best, achieving a balanced accuracy of 0.79, H2 recall of 0.69, and H2 precision of 0.82, outperforming every deep-learning and combined-feature model. A group-level permutation test (500 permutations sampled from the 3,003 possible region-to-label assignments) yielded p = 0.008, indicating that the result cannot be explained by a chance alignment of the region structure. Grad-CAM maps from a CNN trained on the full dataset tended to concentrate on localized surface and grain-boundary features, where hydrogen-induced morphological changes are known to occur. Under a leakage-safe, statistically validated protocol, texture descriptors recover a hydrogen-charging signature from SEM micrographs even with few samples, and the same protocol can be extended to larger HE detection studies in other alloy systems.
• Abstract（参考訳）: 走査電子顕微鏡(SEM)は、構造鋼の水素脆化(HE)による組織変化を特徴付けるために日常的に用いられる。 機械学習はこの特徴を自動化できるが、モデルはしばしば画像レベルの分割を用いて評価される。 複数の画像が同じ検体領域からやってくると、そのような画像はトレーニングセットとテストセットの間にリーク情報を分割する。 本稿では,14の空間領域 (8 AR, 6 H2, 31画像) にわたるLeave-One-Region-Out (LORO) クロスバリデーションに基づく316Lステンレス鋼のAs-Received (AR) とH2のSEMマイクログラフを分類するための領域保持型プロトコルを提案する。 ローカルバイナリパターン(LBP)上に構築された特徴分類器の組み合わせ,グレーレベル共起行列(GLCM),ラベルのない143個のSEM画像に事前訓練した自己教師付き畳み込み埋め込み,畳み込みニューラルネットワーク(CNN)を比較した。 最も単純なテクスチャアプローチである、サポートベクトルマシン(LBP+SVM)を用いたLPPは、バランスの取れた精度0.79、H2リコール0.69、H2精度0.82を達成し、すべてのディープラーニングモデルと複合機能モデルを上回った。 グループレベルの置換テスト(3,003の可能な領域とラベルの割り当てからサンプリングされた500の置換)では、p = 0.008が得られ、その結果が領域構造のチャンスアライメントによって説明できないことを示す。 フルデータセットでトレーニングされたCNNのグラッド-CAMマップは、水素による形態変化が知られている局所的な表面と粒界の特徴に集中する傾向にあった。 リークセーフで統計的に検証されたプロトコルの下では、テクスチャディスクリプタはサンプルが少なくてもSEMマイクログラフから水素チャージシグネチャを回収し、他の合金のより大きなHE検出研究にまで拡張することができる。

関連論文リスト

• 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)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• DiffUCD:Unsupervised Hyperspectral Image Change Detection with Semantic Correlation Diffusion Model [46.68717345017946]
  ハイパースペクトル画像変化検出(HSI-CD)はリモートセンシングにおいて重要な研究領域となっている。 意味相関拡散モデル(DiffUCD)を用いた新しい教師なしHSI-CDを提案する。 提案手法は,多数のサンプルを必要とする完全教師付き手法に匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2023-05-21T09:21:41Z)
• 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)
• Automated segmentation of microvessels in intravascular OCT images using deep learning [0.0]
  血管内光コヒーレンス断層撮影(IV OCT)画像における微小血管の自動検出法を開発した。 85病変,37病変から8,403例のOCT画像フレームを解析した。 本手法は,698枚の画像フレームに微小血管が存在するのに対し,手動による解析では730枚の画像フレームが4.4%の差を示した。
  論文  参考訳（メタデータ） (2022-10-01T02:14:14Z)
• Robust Representation via Dynamic Feature Aggregation [44.927408735490005]
  ディープ畳み込みニューラルネットワーク(CNN)ベースのモデルは、敵の攻撃に対して脆弱である。 本稿では,新しい正規化により埋め込み空間を圧縮する動的特徴集約法を提案する。 CIFAR-10における攻撃法の平均精度は56.91%である。
  論文  参考訳（メタデータ） (2022-05-16T06:22:15Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling [0.0]
  本研究では3次元拡張深部超解像(EDSR)畳み込みニューラルネットワークを開発し,大規模空間スケールで高分解能データを生成する。 我々は,テキスト解析,セグメンテーション動作,多相流シミュレーション(PNM)を用いてネットワークを検証した。 EDSR生成モデルは、不均一性の存在下での実験挙動を予測するための基礎LRモデルよりも精度が高い。
  論文  参考訳（メタデータ） (2021-11-01T21:49:22Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Dopamine Transporter SPECT Image Classification for Neurodegenerative Parkinsonism via Diffusion Maps and Machine Learning Classifiers [0.0]
  本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。 N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。 この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
  論文  参考訳（メタデータ） (2021-04-06T06:30:15Z)

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。