Использование нейронных сетей U-Net и W-Net в металлографическом анализе образцов стали
Ключевые слова:
металлография, нейронные сети, анализ изображений
Аннотация
В статье предлагается подход к металлографическому исследованию образов стали, основанный на использовании обучаемого нейросетевого классификатора W-Net. Разработан программный подход к обработке данных (микрофотографий срезов металлов), включающий в себя предобработку изображений, нахождение сегментов (зёрен) металла, вычисление их границ, площадей и балла зерна с последующим построением гистограммы распределения площадей зёрен металла на микрофотографии. Проведён анализ эффективности предлагаемого подхода путем сравнения полученных гистограмм распределений с эталонными через вычисление их статистических характеристик. Полученные результаты демонстрируют высокую корреляцию между рассчитанными и эталонными данными.
Скачивания
Данные скачивания пока не доступны.
Литература
1. GOST 5639-82 Stali I splavy. Metody vyyavleniya I opredeleniya velichiny zerna (s Izmeneniem N 1) [Steels and alloys. Methods for detecting and determining grain size (with Change No. 1)] (1988). Moscow publishing house of standards.
2. Galdran A. and Anjos A. (2020) The Little W-Net That Could: State-of-the-Art Retinal Vessel Segmentation with Minimalistic Models. arXiv:2009.01907 [online] URL
3. Kovun V. and Kashirina I. (2020) Development of machine learning models and algorithms for automatic metallographic determination of observed steel grain sizes (in Russian). Applied
Mathematics, Computational Science and Mechanics: Current Problems.
4. Kovun V. and Kashirina I. (2020). On development of models and algorithms for automated metallographic measurement of visible metal slice grain sizes. Journal of Physics: Conference
Series. DOI
5. Ronneberger O., Fischer P. and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:1505.04597v1 [online] URL
6. Long J., Shelhamer E. and Darrell T. Fully Convolutional Networks for Semantic Segmentation. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). P. 3431–3440
7. Beucher S. and Meyer F. (1993) The Morphological Approach to Segmentation: The Watershed Transformation. Mathematical Morphology in Image Processing. P. 433–481.
2. Galdran A. and Anjos A. (2020) The Little W-Net That Could: State-of-the-Art Retinal Vessel Segmentation with Minimalistic Models. arXiv:2009.01907 [online] URL
3. Kovun V. and Kashirina I. (2020) Development of machine learning models and algorithms for automatic metallographic determination of observed steel grain sizes (in Russian). Applied
Mathematics, Computational Science and Mechanics: Current Problems.
4. Kovun V. and Kashirina I. (2020). On development of models and algorithms for automated metallographic measurement of visible metal slice grain sizes. Journal of Physics: Conference
Series. DOI
5. Ronneberger O., Fischer P. and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv:1505.04597v1 [online] URL
6. Long J., Shelhamer E. and Darrell T. Fully Convolutional Networks for Semantic Segmentation. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). P. 3431–3440
7. Beucher S. and Meyer F. (1993) The Morphological Approach to Segmentation: The Watershed Transformation. Mathematical Morphology in Image Processing. P. 433–481.
Опубликован
2022-04-26
Как цитировать
Ковун, В. А., & Каширина, И. Л. (2022). Использование нейронных сетей U-Net и W-Net в металлографическом анализе образцов стали. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (1), 101-110. https://doi.org/10.17308/sait.2022.1/9205
Выпуск
Раздел
Интеллектуальные системы, анализ данных и машинное обучение
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
