.png){kind=icon}
返回
Generalizable image segmentation for microstructure characterization through integrated SEM and EBSD analysis
.png){kind=icon}
OA
AI
DOI：10.1038/s41524-025-01801-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们使用最少的真实数据证明了可泛化的语义分割。相关性扫描电子显微镜（SEM）图像和电子背散射衍射（EBSD）测量数据被用于训练用于晶界分割的深度学习模型。在10 keV下获得的二次电子（SE）成像与EBSD衍生的晶界相关联，产生了性能最佳的模型。值得注意的是，在一个SE图像上训练的三个模型的集合，对在不同加工参数下制造样品的一系列背散射电子（BSE）图像进行了准确分割，晶粒尺寸的平均绝对误差为0.34 µm。模型的泛化能力可能源于SE训练输入和EBSD训练输出的相似逃逸深度，以及图像中存储应变伪影出现的概率降低。这强调了在考虑成像背后的物理原理以开发用于微观结构表征的稳健模型方面的重要性。
期刊
IF:
11.9
论文数:
2.4K
被引数:
1.7W
机构
引用论文
In-situ grain structure and texture evolution during friction stir welding of austenite stainless steel.png)
MATERIALS & DESIGN
OAAI
MATERIALS & DESIGNIF7.9
OAAI分享收藏A generic high-throughput microstructure classification and quantification method for regular SEM images of complex steel microstructures combining EBSD labeling and deep learning结合EBSD标记和深度学习的复杂钢组织常规SEM图像的通用高通量组织分类和量化方法OAAI
OAAI分享收藏Quantitative microstructure analysis for solid-state metal additive manufacturingviadeep learning
PREAI
分享收藏Improved representations of misorientation information for grain boundary science and engineering
PREAI
分享收藏Grain detection from 2d and 3d EBSD data—Specification of the MTEX algorithm从2d和3d EBSD数据进行谷物检测-MTEX算法的规范
PREAI
分享收藏Deep Learning for Semantic Segmentation of Defects in Advanced STEM Images of Steels深度学习用于钢材高级STEM图像中缺陷的语义分割SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容