相关实验视频
Updated: Sep 19, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
530
在U-网中聚合的体空间金字塔的系统评估,用于在等离子电解氧化涂层中的孔隙细分
Chi-Wei Chu1, Chun-Ming Lu1, Wing Kiu Yeung2,1
1Institute of Mineral Resources Engineering, Taipei University of Technology, Taipei 106344, Taiwan.
Langmuir : the ACS journal of surfaces and colloids
|June 16, 2025
概括
本研究引入了一个深度学习框架,用于在等离子电解氧化 (PEO) 涂层中对孔进行细分. 增强的U-Net模型准确量化了微结构特征,改进了材料分析.
科学领域:
- 材料科学 材料科学 材料科学
- 表面工程是什么?表面工程是什么?
- 计算材料科学科学 计算材料科学
背景情况:
- 等离子电解氧化 (PEO) 涂层可以提高基材的性能,如耐腐蚀和耐磨性.
- PEO涂料的多孔表面形态对于其性能至关重要.
- 精确的孔隙结构量化对于理解PEO涂层特性至关重要,但传统方法在SEM图像复杂性方面扎.
研究的目的:
- 开发基于深度学习的细分框架,用于PEO涂层中的高保真孔隙细分.
- 评估在U-Net架构内安装Atrous空间金字塔聚合 (ASPP) 的影响,以改进多尺度特征提取.
- 为了实现准确的微结构分析和对PEO涂层结构与性能关系的理解.
主要方法:
- 使用U-Net架构实现深度学习细分框架.
- 整合Atrous空间金字塔聚合 (ASPP) 增强多尺度特征提取.
- 系统评估ASPP在U-Net的桥梁和解码路径中的位置.
- 统计验证使用5倍交叉验证,启动置信区间和配对的t测试.
主要成果:
- 对U-Net桥梁和解码器路径的修改显著影响了细分性能.
- 最高的F1得分 (0.9360) 和IoU (0.8798) 是通过两条路径的ASPP组合修改来实现的.
- 桥式修改模型 (B1x1) 显示了比基线显著的改善 (p < 0.05).
结论:
- 拟议的深度学习框架可以在PEO涂层中实现高保真孔隙细分.
- 这种方法支持先进的微结构分析,并有助于理解界面结构与属性关系.
- 该框架为PEO涂层研究中的材料表征提供了一个强大的工具.
