通过弱监督深度学习对低碳钢中的相进行分割：在不同显微镜和EBSD系统上进行的一系列对比测试

《Materials Characterization》：Segmentation of phases in low carbon steels by weak-supervised deep learning: a round robin test on different microscopes and EBSD systems

自动区分多相钢EBSD图像中的马氏体、上贝氏体和下贝氏体，采用弱监督学习结合U-Net模型，验证了在低碳工业钢中超过90%的识别准确率，但发现对EBSD采集条件敏感且纯弱监督框架存在局限性。

　　

M. Lavrskyi|N. Gey|B. Gueraud|A. Couturier|M. Salib|L. Germain

材料、冶金与工艺技术研究所，Augustin Fresnel街4号，F-57078，梅斯，法国

摘要

表征多相钢的微观结构对于工艺控制和合金设计至关重要。这一高度复杂且耗时的任务可以通过卷积神经网络（CNN）实现自动化。人工神经网络的成功应用需要足够多的标注数据，这些数据应能代表所分析的钢材。然而，数据标注过程本身就增加了数据获取的难度。弱监督学习是一种有前景的方法，可以减少对标注数据的依赖并提高CNN的效率。本研究展示了如何利用弱监督学习在EBSD图像上区分马氏体、上贝氏体和下贝氏体。此外，还探讨了CNN对不同EBSD采集条件的鲁棒性。所开发的U-Net模型能够在低碳工业钢中自动区分上贝氏体和下贝氏体，准确率超过90％，但同时也显示出对采集条件的一定敏感性，并且在仅采用弱监督框架时存在一定的局限性。