专家执行的注释与深度学习预测的注释。学分:卡内基梅隆大学工程学院大多数情况下，我们认为深度学习是自动驾驶汽车和面部识别背后的魔力，但它保护构成这些先进设备的材料质量的能力呢？材料科学与工程教授伊丽莎白·霍姆和博士生雷勃已经采用计算机视觉方法来处理显微结构图像，这不仅需要深度学习通常依赖的一小部分数据，而且可以为材料研究人员节省大量时间和金钱。材料加工的质量控制要求对复杂的材料微观结构进行分析和分类。例如，一些高强度钢的性能取决于材料中板条型贝氏体的数量。然而，在显微组织图像中识别贝氏体的过程既耗时又昂贵，因为研究人员必须首先使用两种类型的显微镜进行仔细观察，然后依靠他们自己的专业知识来识别贝氏体区域。“这不像在开车时识别一个过马路的人，”霍尔姆解释道，“人类很难分类，所以我们将从整合深度学习方法中受益匪浅。"
他们的方法与推动面部识别的更广泛的计算机视觉社区非常相似。该模型在现有材料微观结构图像上训练，以评估新图像并解释它们的分类。虽然像脸书和谷歌这样的公司在数百万或数十亿张图像上训练他们的模型，但材料科学家很少能接触到甚至一万张图像。因此，霍尔姆和雷使用“数据节约型方法”并仅使用30-50张显微镜图像来训练他们的模型是至关重要的。“这就像学习如何阅读，”霍尔姆解释道。“一旦你学会了字母表，你就可以把这些知识应用到任何一本书上。我们能够节省数据，部分原因是这些系统已经在一个大型自然图像数据库上进行了训练。”
霍尔姆和雷与德国研究机构合作，尝试了复杂相钢中莱氏-贝氏体分割的不同深度学习方法。他们的准确率达到了90%，可以与专家的评估相媲美。作为合作的一部分，霍尔姆获得了德国研究基金会(DGM)的资助，支持她的德国合作者在2022年初访问匹兹堡，与她的团队一起工作。
此外，该团队正致力于开发一种更加节俭的深度学习方法，只需要一个图像就能获得相同的结果。除了钢铁之外，雷还与各种实验小组合作，研究各种材料的深度学习表征。
霍尔姆认为，“有了如此有希望的结果，我们有望将这种方法引入材料科学和微观结构表征的更广泛社区。”
这项研究发表在《自然通讯》上，由弗劳恩霍夫材料力学研究所、卡尔斯鲁厄理工学院、弗赖堡大学、萨尔州大学和萨尔州材料工程中心合作进行。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
