Optimización del reconocimiento basado en histogramas de martensita y bainita para el análisis de microestructuras de...

Área de la Ciencia:

• Ciencia de Materiales
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• El análisis preciso de las microestructuras de los materiales es esencial para comprender las propiedades de los materiales.
• La segmentación de imágenes no supervisada es un paso clave de preprocesamiento para el análisis de microestructuras.
• El rendimiento de las tareas de clasificación a menudo depende de la calidad de la segmentación.

Objetivo del estudio:

• Sistematizar la comparación del rendimiento de tres algoritmos de segmentación no supervisada (SLIC, Felzenszwalb, Watershed) cuando se combinan con dos enfoques de clasificación (Random Forest, CNNs).
• Investigar el impacto de la optimización de parámetros de segmentación en el rendimiento de la clasificación posterior utilizando optimización bayesiana.
• Evaluar las compensaciones entre los métodos de aprendizaje de características diseñadas y de extremo a extremo para el análisis de microestructuras.

Principales métodos:

• Comparación de los algoritmos Simple Linear Iterative Clustering (SLIC), método basado en grafos de Felzenszwalb y Watershed.
• Integración de algoritmos de segmentación con Random Forest (usando características de histograma) y Redes Neuronales Convolucionales (CNN).
• Optimización bayesiana para el ajuste conjunto de parámetros de segmentación e hiperparámetros del modelo.
• Validación utilizando imágenes de microscopía óptica de acero de alta resistencia, evaluadas mediante validación cruzada estratificada y conjuntos de prueba independientes.

Principales resultados:

• Se observó un impacto significativo de la elección del algoritmo de segmentación en el rendimiento de la clasificación.
• La optimización bayesiana ajustó eficazmente los parámetros para mejorar la segmentación y la clasificación.
• Las Redes Neuronales Convolucionales (CNN) mostraron un rendimiento competitivo, especialmente con una segmentación optimizada.
• El estudio destaca el papel crítico de la segmentación en el análisis de imágenes de microestructuras.

Conclusiones:

• La selección del algoritmo de segmentación es un factor crítico en el éxito del análisis automatizado de microestructuras.
• La elección entre enfoques de aprendizaje de características diseñadas y de extremo a extremo depende de los objetivos específicos del análisis y las características de los datos.
• Los parámetros de segmentación optimizados mejoran la fiabilidad de la clasificación de microestructuras para aplicaciones de ciencia de materiales.