优化图像细分用于高强度钢的微结构分析:基于马石和贝尼石的立体图识别

科学领域:

• 材料科学 材料科学 材料科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 对材料微观结构的准确分析对于理解材料特性至关重要.
• 无监督的图像细分是微观结构分析的关键预处理步骤.
• 分类任务的执行通常取决于细分的质量.

研究的目的:

• 系统地比较三个无监督细分算法 (SLIC,Felzenszwalb,Watershed) 与两个分类方法 (Random Forest,CNNs) 结合时的性能.
• 用贝叶斯优化研究细分参数调整对下游分类性能的影响.
• 评估微结构分析的特征工程和端到端学习方法之间的权衡.

主要方法:

• 简单的线性代集群 (SLIC) 的比较,Felzenszwalb的基于图形的方法,以及分水算法.
• 将细分算法与随机森林 (使用直方图特征) 和卷积神经网络 (CNN) 集成.
• 贝叶斯优化用于分割参数和模型超参数的联合调整.
• 使用光光学显微镜对高强度钢的图像进行验证,通过分层交叉验证和独立测试集进行评估.

主要成果:

• 观察到细分算法选择对分类性能产生重大影响.
• 贝叶斯优化有效调整参数,以改善细分和分类.
• 卷积神经网络 (CNN) 显示出具有竞争力的表现,特别是在优化细分的情况下.
• 该研究强调了细分在微观结构图像分析中的关键作用.

结论:

• 分段算法选择是自动化微结构分析成功的一个关键因素.
• 在特征工程和端到端学习方法之间的选择取决于具体的分析目标和数据特征.
• 优化的细分参数提高了用于材料科学应用的微结构分类的可靠性.