材料的組織結構主要受成分和制備加工工藝的影響,是決定材料性能的關鍵因素,在材料研發(fā)的全周期內具有重要作用。材料組織結構以非結構化圖像數(shù)據(jù)的形式呈現(xiàn),利用人工經(jīng)驗性的手段進行分析和信息抽取,遺漏了大量的材料學信息和隱含知識。深度學習技術的發(fā)展和應用,為材料顯微圖像中信息的精準、快速、自動獲取提供了重要的研究手段。本文從圖像處理、圖像分析和圖像理解3個方面概述了材料顯微圖像處理與信息挖掘的主要研究內容和關鍵技術,詳細介紹了深度學習在圖像分析中的圖像識別、圖像分割和圖像生成3個任務中的研究進展,討論了深度學習在材料顯微圖像分析和信息挖掘中的發(fā)展方向和挑戰(zhàn)。 

【文章來源】：材料科學與工藝. 2020,28(03)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

材料顯微圖像處理與信息挖掘的主要研究內容和關鍵技術

材料顯微圖像分析包括圖像識別、分割和生成等任務。本章首先對圖像識別、圖像分割和圖像生成3個容易混淆的應用展開對比說明,見圖2,然后對上述3個應用展開詳細敘述。圖像識別。該應用指向模型輸入單張圖像,模型對圖像整體分析后,輸出單個評估結果。該結果若為離散值,則模型執(zhí)行分類任務,如判斷該圖像屬于哪種合金組織。若該結果為連續(xù)值,則該模型執(zhí)行回歸任務,如預測該圖像的宏觀性能或成分組成。

Azimi等首先對FCN深入研究并結合材料組織的特性, 將FCN與最大表決法相結合, 提出了一種新型的針對材料顯微組織的分割算法MVFCNN[15],與當時最先進的材料顯微組織分割技術相比,將精確度從48.89%提高到93.94%,取得了顯著的進步,其示意圖如圖3所示。Decost等提出一種深度卷積神經(jīng)網(wǎng)絡,可以實現(xiàn)復雜微觀結構的分割,能夠從含有多種微觀成分的復雜的微觀圖中獲得水灰石粒度和變質區(qū)寬度的分布[43]。Li等結合卷積神經(jīng)網(wǎng)絡和圖像局部分析方法開發(fā)了一套適用于不同對比度、亮度和磁化的組織圖像中缺陷的自動檢測工具[44]。Maksov等提出了基于深度學習的動態(tài)STEM成像分析模型,可在幾秒內從原始的STEM數(shù)據(jù)中提取出數(shù)千個晶格缺陷[45]。在此基礎上,部分科研工作者通過深入分析材料顯微圖像數(shù)據(jù)的特殊性,對深度學習的各個組件進行修正,并取得了富有成效的研究成果。Boyuan等采用一種基于對稱重疊平鋪策略的局部處理方法,使深度學習方法在推理過程擯棄對高顯存機器的依賴,進而使得卷積神經(jīng)網(wǎng)絡能夠對大尺寸顯微圖像進行分析[22]。Boyuan等針對純鐵多晶粒組織圖像分割任務中的不平衡分割問題,提出了一種基于自適應邊緣加權的損失函數(shù),該損失函數(shù)提高了深度網(wǎng)絡對于邊界提取的準確度[46]。

【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡GAN的研究進展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學報. 2017(03)
[2]體視學、圖像分析與計算材料學之間的關系及進展[J]. 宋曉艷.  中國體視學與圖像分析. 2008(04)

博士論文
[1]基于深度學習的人臉圖像識別技術的研究[D]. 劉小灃.中國科學院大學(中國科學院長春光學精密機械與物理研究所) 2019
[2]基于深度學習的自動駕駛單目視覺目標識別技術研究[D]. 陳宇鵬.吉林大學 2019

碩士論文
[1]基于深度學習的中文OCR算法與系統(tǒng)實現(xiàn)[D]. 馮海.中國科學院大學(中國科學院深圳先進技術研究院) 2019
[2]基于深度學習的手勢識別技術研究[D]. 王蘇振.浙江大學 2019



本文編號：3415411