材料的組織結(jié)構(gòu)主要受成分和制備加工工藝的影響,是決定材料性能的關(guān)鍵因素,在材料研發(fā)的全周期內(nèi)具有重要作用。材料組織結(jié)構(gòu)以非結(jié)構(gòu)化圖像數(shù)據(jù)的形式呈現(xiàn),利用人工經(jīng)驗(yàn)性的手段進(jìn)行分析和信息抽取,遺漏了大量的材料學(xué)信息和隱含知識(shí)。深度學(xué)習(xí)技術(shù)的發(fā)展和應(yīng)用,為材料顯微圖像中信息的精準(zhǔn)、快速、自動(dòng)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(gè)方面概述了材料顯微圖像處理與信息挖掘的主要研究?jī)?nèi)容和關(guān)鍵技術(shù),詳細(xì)介紹了深度學(xué)習(xí)在圖像分析中的圖像識(shí)別、圖像分割和圖像生成3個(gè)任務(wù)中的研究進(jìn)展,討論了深度學(xué)習(xí)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(lái)源】：材料科學(xué)與工藝. 2020,28(03)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

材料顯微圖像處理與信息挖掘的主要研究?jī)?nèi)容和關(guān)鍵技術(shù)

材料顯微圖像分析包括圖像識(shí)別、分割和生成等任務(wù)。本章首先對(duì)圖像識(shí)別、圖像分割和圖像生成3個(gè)容易混淆的應(yīng)用展開對(duì)比說(shuō)明,見圖2,然后對(duì)上述3個(gè)應(yīng)用展開詳細(xì)敘述。圖像識(shí)別。該應(yīng)用指向模型輸入單張圖像,模型對(duì)圖像整體分析后,輸出單個(gè)評(píng)估結(jié)果。該結(jié)果若為離散值,則模型執(zhí)行分類任務(wù),如判斷該圖像屬于哪種合金組織。若該結(jié)果為連續(xù)值,則該模型執(zhí)行回歸任務(wù),如預(yù)測(cè)該圖像的宏觀性能或成分組成。

Azimi等首先對(duì)FCN深入研究并結(jié)合材料組織的特性, 將FCN與最大表決法相結(jié)合, 提出了一種新型的針對(duì)材料顯微組織的分割算法MVFCNN[15],與當(dāng)時(shí)最先進(jìn)的材料顯微組織分割技術(shù)相比,將精確度從48.89%提高到93.94%,取得了顯著的進(jìn)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(luò),可以實(shí)現(xiàn)復(fù)雜微觀結(jié)構(gòu)的分割,能夠從含有多種微觀成分的復(fù)雜的微觀圖中獲得水灰石粒度和變質(zhì)區(qū)寬度的分布[43]。Li等結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和圖像局部分析方法開發(fā)了一套適用于不同對(duì)比度、亮度和磁化的組織圖像中缺陷的自動(dòng)檢測(cè)工具[44]。Maksov等提出了基于深度學(xué)習(xí)的動(dòng)態(tài)STEM成像分析模型,可在幾秒內(nèi)從原始的STEM數(shù)據(jù)中提取出數(shù)千個(gè)晶格缺陷[45]。在此基礎(chǔ)上,部分科研工作者通過(guò)深入分析材料顯微圖像數(shù)據(jù)的特殊性,對(duì)深度學(xué)習(xí)的各個(gè)組件進(jìn)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(duì)稱重疊平鋪策略的局部處理方法,使深度學(xué)習(xí)方法在推理過(guò)程擯棄對(duì)高顯存機(jī)器的依賴,進(jìn)而使得卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)Υ蟪叽顼@微圖像進(jìn)行分析[22]。Boyuan等針對(duì)純鐵多晶粒組織圖像分割任務(wù)中的不平衡分割問題,提出了一種基于自適應(yīng)邊緣加權(quán)的損失函數(shù),該損失函數(shù)提高了深度網(wǎng)絡(luò)對(duì)于邊界提取的準(zhǔn)確度[46]。

【參考文獻(xiàn)】：
期刊論文
[1]生成式對(duì)抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(03)
[2]體視學(xué)、圖像分析與計(jì)算材料學(xué)之間的關(guān)系及進(jìn)展[J]. 宋曉艷.  中國(guó)體視學(xué)與圖像分析. 2008(04)

博士論文
[1]基于深度學(xué)習(xí)的人臉圖像識(shí)別技術(shù)的研究[D]. 劉小灃.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所) 2019
[2]基于深度學(xué)習(xí)的自動(dòng)駕駛單目視覺目標(biāo)識(shí)別技術(shù)研究[D]. 陳宇鵬.吉林大學(xué) 2019

碩士論文
[1]基于深度學(xué)習(xí)的中文OCR算法與系統(tǒng)實(shí)現(xiàn)[D]. 馮海.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院) 2019
[2]基于深度學(xué)習(xí)的手勢(shì)識(shí)別技術(shù)研究[D]. 王蘇振.浙江大學(xué) 2019



本文編號(hào)：3415411