A facile methodology to identify microstructural grains on etched surfaces using panoptic segmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The advancement of manufacturing processes demands the deployment of new innovative solutions to control polycrystalline material microstructures in cheap, safe and rapid manner. Analysing polycrystalline microstructures requires grain segmentation, which is typically performed on image data or spatially resolved diffraction data collected from carefully prepared specimens. Recently, machine learning (ML) models have been developed to identify grain boundaries and defects from acquired image data. Despite existing ML-based methods showing an improvement over classical computational methods, there is still a significant structure error due to the necessity to have a high accuracy in detected boundaries to avoid grain misidentification. This investigation deploys a simple and open panoptic model, YOLO (You only look once), to directly identify grains from etched surfaces. The model performance was evaluated after appropriate data preparation and training. Even with a limited number of samples, the model outperformed computational methods like the Canny edge algorithm with an intersection-over-union ( IoU ) score 45 % higher and an aggregated Jaccard index score three times higher. Additionally, an index to measure segmentation quality was introduced, particularly suited for objects with a wide range of sizes, such as microstructural grains. By detecting grains directly instead of relying on boundary detection, common issues—such as failed grains reconstruction due to missing grain boundaries—are avoided, resulting in more accurate grain structures with reduced sensitivity to surface defects. The proposed approach offers significant potential for application to various materials and grain sizes, facilitating the detection of grains, defects, and microstructural artefacts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle