利用修改后的ex situ断层扫描数据来对in situ同步 X射线计算机断层扫描进行细分

科学领域:

• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学
• 影像科学 影像科学

背景情况:

• 在现场同步X射线计算机断层扫描 (XCT) 对于动态材料研究至关重要.
• 在现场XCT数据的自动细分是具有挑战性的,因为成像工件 (例如,环和效应) 和有限的训练数据.
• 现有的方法难以应对时间解析的断层扫描数据的复杂性和数量.

研究的目的:

• 开发基于深度学习的分段方法,用于现场同步 XCT 数据.
• 为应对成像文物和数据稀缺所带来的挑战.
• 为了使动态材料行为的有效分析.

主要方法:

• 修改后的SegFormer架构用于图像细分.
• 高质量的现场实验室数据被转换为在现场同步仪数据的训练模型.
• 该方法通过金属氧化物溶解研究来证明.

主要成果:

• 深度学习方法实现了94.7%的细分性能 交叉在欧盟 (IoU).
• 这一表现与人间注释器可靠性 (94.6% IoU) 相匹配,表明近乎最佳的细分.
• 与手动细分相比,每个3D数据集的处理时间减少了两个数量级.
• 尽管在实验期间发生了显著的形态变化,但该模型表现出强大的性能.

结论:

• 开发的方法有效地细分了现场同步 XCT 数据,克服了常见的文物和数据限制.
• 该方法实现了人类水平的准确性,并大大加快了数据分析.
• 这种技术广泛适用于各种材料系统,方便分析各种科学学科的时间解析数据.