深度学习在材料显微图像分析中的应用与挑战

发布时间：2021-09-30 07:39

　　材料的组织结构主要受成分和制备加工工艺的影响,是决定材料性能的关键因素,在材料研发的全周期内具有重要作用。材料组织结构以非结构化图像数据的形式呈现,利用人工经验性的手段进行分析和信息抽取,遗漏了大量的材料学信息和隐含知识。深度学习技术的发展和应用,为材料显微图像中信息的精准、快速、自动获取提供了重要的研究手段。本文从图像处理、图像分析和图像理解3个方面概述了材料显微图像处理与信息挖掘的主要研究内容和关键技术,详细介绍了深度学习在图像分析中的图像识别、图像分割和图像生成3个任务中的研究进展,讨论了深度学习在材料显微图像分析和信息挖掘中的发展方向和挑战。 

【文章来源】：材料科学与工艺. 2020,28(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

材料显微图像处理与信息挖掘的主要研究内容和关键技术

材料显微图像分析包括图像识别、分割和生成等任务。本章首先对图像识别、图像分割和图像生成3个容易混淆的应用展开对比说明,见图2,然后对上述3个应用展开详细叙述。图像识别。该应用指向模型输入单张图像,模型对图像整体分析后,输出单个评估结果。该结果若为离散值,则模型执行分类任务,如判断该图像属于哪种合金组织。若该结果为连续值,则该模型执行回归任务,如预测该图像的宏观性能或成分组成。

Azimi等首先对FCN深入研究并结合材料组织的特性, 将FCN与最大表决法相结合, 提出了一种新型的针对材料显微组织的分割算法MVFCNN[15],与当时最先进的材料显微组织分割技术相比,将精确度从48.89%提高到93.94%,取得了显著的进步,其示意图如图3所示。Decost等提出一种深度卷积神经网络,可以实现复杂微观结构的分割,能够从含有多种微观成分的复杂的微观图中获得水灰石粒度和变质区宽度的分布[43]。Li等结合卷积神经网络和图像局部分析方法开发了一套适用于不同对比度、亮度和磁化的组织图像中缺陷的自动检测工具[44]。Maksov等提出了基于深度学习的动态STEM成像分析模型,可在几秒内从原始的STEM数据中提取出数千个晶格缺陷[45]。在此基础上,部分科研工作者通过深入分析材料显微图像数据的特殊性,对深度学习的各个组件进行修正,并取得了富有成效的研究成果。Boyuan等采用一种基于对称重叠平铺策略的局部处理方法,使深度学习方法在推理过程摈弃对高显存机器的依赖,进而使得卷积神经网络能够对大尺寸显微图像进行分析[22]。Boyuan等针对纯铁多晶粒组织图像分割任务中的不平衡分割问题,提出了一种基于自适应边缘加权的损失函数,该损失函数提高了深度网络对于边界提取的准确度[46]。

【参考文献】：
期刊论文
[1]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[2]体视学、图像分析与计算材料学之间的关系及进展[J]. 宋晓艳.  中国体视学与图像分析. 2008(04)

博士论文
[1]基于深度学习的人脸图像识别技术的研究[D]. 刘小沣.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于深度学习的自动驾驶单目视觉目标识别技术研究[D]. 陈宇鹏.吉林大学 2019

硕士论文
[1]基于深度学习的中文OCR算法与系统实现[D]. 冯海.中国科学院大学(中国科学院深圳先进技术研究院) 2019
[2]基于深度学习的手势识别技术研究[D]. 王苏振.浙江大学 2019



本文编号：3415411