Глубокое компьютерное зрение для обнаружения фрагментов тантала и ниобия в высокоэнтропийных сплавах

"Компьютерное зрение"

Глубокое компьютерное зрение для обнаружения фрагментов тантала и ниобия в сплавах с высокой энтропией

Deep Computer Vision может выполнять задачи обнаружения объектов и классификации изображений. В задачах классификации изображений конкретная система получает некоторое входное изображение, и система знает о некотором заранее определенном наборе категорий или меток. Существует некоторый фиксированный набор меток категорий, и задача компьютера - посмотреть на изображение и присвоить ему фиксированную метку категории. Сверточная нейронная сеть (CNN) приобрела широкую популярность в области распознавания образов и машинного обучения. В нашей настоящей работе мы построили сверточную нейронную сеть (CNN) для идентификации присутствия фрагментов тантала и ниобия в сплавах с высокой энтропией (HEA). Результаты показали 100% точность при тестировании данного набора данных.

Введение

Видение - это самое важное чувство, которым обладают люди. В повседневной жизни люди зависят от зрения, например, распознавания объектов, их выбора, навигации, распознавания сложных человеческих эмоций и поведения. Глубокое компьютерное зрение способно решать необычайно сложные задачи, которые раньше не могли быть решены. Обнаружение, распознавание и обнаружение лиц - пример глубокого компьютерного зрения. На рисунке 1 показано зрение, поступающее в глубокую нейронную сеть в виде изображений, пикселей или видео, а результат внизу - изображение человеческого лица [1–4].

Следующее, что стоит ответить на вопрос, как компьютер обрабатывает изображение или видео и как они обрабатывают пиксели, полученные от них? Изображения представляют собой просто числа, а пиксели имеют некоторые числовые значения. Таким образом, наше изображение может быть представлено двумерной матрицей, состоящей из чисел. Давайте разберемся в этом на примере идентификации изображения, то есть того, является ли изображение мальчиком, девочкой или животным. На рисунке 2 показано, что выходная переменная принимает метку класса и может давать вероятность принадлежности к определенному классу.

Чтобы правильно классифицировать изображение, наш конвейер должен правильно рассказать о том, что уникального в конкретной картинке. Сверточная нейронная сеть (CNN) находит применение в области производства и материаловедения. Ли и др. [5] предложили модель CNN для диагностики и классификации неисправностей в процессе производства полупроводников. Weimer et al. [6] разработали архитектуры глубоких сверточных нейронных сетей для автоматического выделения признаков в промышленных приложениях. Scime et al. В [7] модель CNN использовалась для обнаружения дефектов обработки на месте при аддитивном производстве сплавов лазерного порошка. Результаты показали, что архитектура CNN повысила точность классификации и общую гибкость разработанной системы.

В настоящей работе мы разработали архитектуру CNN для обнаружения следов тантала и ниобия в микроструктуре высокоэнтропийного сплава (HEA). В 1995 году Yeh et al. [8] впервые открыли высокоэнтропийные сплавы, а в 2004 г. Cantor et al. [9] выделили высокоэнтропийный сплав как многокомпонентную систему. ВЭА обычно представляют собой современные сплавы и новые сплавы, которые состоят из 5–35 ат.%, Где все элементы ведут себя как основные элементы. По сравнению со своими обычными сплавами они обладают превосходными свойствами, такими как высокая износостойкость, коррозионная стойкость, высокая термическая стабильность и высокая прочность. Zhang et al. В [10–11] перечислены различные параметры для параметров изготовления HEA, которые показаны в следующих уравнениях:

HEA находят применение в различных отраслях промышленности, таких как аэрокосмическая промышленность, подводные лодки, автомобили и атомные электростанции [12–14]. HEA также используются в качестве наполнителя для процесса микросоединения [15]. Geanta et al. [16] провели тестирование и определение характеристик HEA из системы AlCrFeCoNi для военных приложений. Было замечено, что в расплавленном состоянии микроструктура HEA имеет застывший вид, как показано на рисунке 3.

Материалы и методы

Geanta et al. [17] изготовили биосовместимые HEA FeTaNbTiZrMo. В нашем исследовании мы использовали данные о микроструктуре из их исследований. Полученная микроструктура показана на рисунках 4 и 5. Сбор данных - это процесс сбора и измерения информации из бесчисленных различных источников. Чтобы использовать данные, которые мы собираем, для разработки практических решений в области искусственного интеллекта (ИИ) и машинного обучения, они должны собираться и храниться таким образом, чтобы иметь смысл для решения рассматриваемой бизнес-задачи. Поскольку у нас не хватало изображений, мы сначала сделали Image Augmentation.

Увеличение данных изображения используется для расширения набора обучающих данных с целью повышения производительности и способности модели к обобщению. Расширение данных изображений поддерживается в библиотеке глубокого обучения Keras через класс Image Data Generator. Итак, входные данные состоят из двух изображений. Как мы знаем, мы не можем обучить нашу глубокую нейронную сеть только с двумя изображениями, потому что это приведет к переобучению модели. Чрезмерная подгонка модели в основном означает, что наша модель будет давать лучший результат по обучающим данным, но не по данным тестирования или проверки или данным, которые она не видела раньше. Таким образом, такая переоборудованная модель будет бесполезна для эффективного обучения нашей модели, мы сделаем больше изображений с помощью этих входных изображений. Мы добьемся этого с помощью увеличения изображения.

Рис.5. Нерастворенный фрагмент тантала в сплаве FeTaNbTiZrMo.

Для этого мы можем использовать класс Image Data Generator. Сначала мы создадим объект этого класса. После этого мы предоставим некоторые параметры, которые в основном представляют собой колебания или особенности, которые мы хотим предоставить изображению, такие как интенсивность света, диапазон сдвига ширины, диапазон сдвига высоты и т. Д., И мы можем перебирать каталог, в котором хранятся изображения, с помощью предоставление пути в функции. Таким образом, мы можем генерировать множество данных. В этом проекте мы создали примерно 3000 изображений для каждого изображения.

Мы создали два набора данных для обучения и тестирования. Программирование на Python использовалось для разработки кода, необходимого для построения архитектуры сверточной нейронной сети. Сверточная нейронная сеть (ConvNet / CNN) - это алгоритм глубокого обучения, который может принимать входное изображение, назначать важность (обучаемые веса и смещения) различным аспектам / объектам на изображении и иметь возможность отличать один от другого. Предварительная обработка, требуемая в ConvNet, намного ниже по сравнению с другими алгоритмами классификации. В то время как в примитивных методах фильтры создаются вручную при достаточном обучении, ConvNets могут изучать эти фильтры / характеристики.

Результаты и обсуждения

Увеличенное изображение микроструктуры показано на рисунке 6.

Модель скомпилирована с использованием двоичной кросс-энтропии потерь и метрик-точности, а оптимизатор - адам. Чтобы предотвратить переобучение модели, используются ранняя остановка и контрольные точки модели, чтобы предотвратить переобучение модели. Ранняя остановка - это, по сути, процесс, при котором обучение модели прекращается, когда она не претерпевает никаких улучшений. Этот параметр предоставляется при ранней остановке при создании своего объекта. Этот параметр известен как терпение. Метрики и режим также предоставляются в качестве параметра для тестирования модели на их основе. Предположим, что метрики - это точность значений, а режим - максимальный, поэтому, когда модель не покажет никаких улучшений (увеличение точности значения), она будет ждать, пока параметр терпения не будет, а после этого остановится. Результаты были вполне удовлетворительными, когда мы обучили нашу модель изображениям без меток. Как видно на рисунке 7, во время прогнозирования почти каждое фактическое значение сопоставляется с прогнозируемым значением, поэтому наша модель была обучена эффективно.

Графики на рисунке 8 показывают изменения показателей во время тренировки. Как мы видим, потери модели снижаются с увеличением эпохи, а точность увеличивается с увеличением эпохи.

Заключение

Можно сделать вывод, что текущее исследование в основном касается обработки и классификации изображений, в ходе которых мы сначала собирали данные из-за нехватки данных, мы выполняли увеличение данных для обучения нашей модели глубокого обучения, после этого мы реализовали нашу архитектуру модели и компиляцию. сделано. После тренировки показаны результаты. Замечено, что предсказанное значение совпадает с фактическим значением, что обеспечивает хорошую точность классификации изображений фрагментов, присутствующих в HEA.

Ссылки

[1] Форсайт, Дэвид А. и Жан Понсе. Компьютерное зрение: современный подход. Профессиональный технический справочник Прентис Холл, 2002.

[2] Манди, Дж. Л. и Зиссерман, А. ред., 1992. Геометрическая инвариантность в компьютерном зрении (Том 92). Кембридж, Массачусетс: MIT Press.

[3] Брадски, Г. и Келер, А., 2008. Изучение OpenCV: компьютерное зрение с библиотекой OpenCV. «O’Reilly Media, Inc.».

[4] Schalkoff, R.J., 1989. Цифровая обработка изображений и компьютерное зрение (Vol. 286). Нью-Йорк: Вили.

[5] Ли К.Б., Чхон С. и Ким С.О., 2017. Сверточная нейронная сеть для классификации и диагностики неисправностей в процессах производства полупроводников. IEEE Transactions on Semiconductor Manufacturing, 30 (2), pp.135–142.

[6] Веймер, Д., Шольц-Райтер, Б. и Шпитальни, М., 2016. Проектирование архитектур глубоких сверточных нейронных сетей для автоматического выделения признаков при промышленной инспекции. CIRP Annals, 65 (1), стр. 417–420.

[7] Шайм, Л. и Бейт, Дж., 2018. Многомасштабная сверточная нейронная сеть для автономного обнаружения и классификации аномалий в процессе аддитивного производства с применением термоядерного синтеза в лазерном порошковом слое. Аддитивное производство, 24, стр. 273–286.

[8] Йе Дж. У., Чен С. К., Лин С. Дж. И др. Наноструктурированные высокоэнтропийные сплавы с множеством основных элементов: новые концепции проектирования сплавов и результаты. Современные инженерные материалы. 2004; 6 (5): 299–303.

[9] Кантор Б. Высокоэнтропийные сплавы. В: Buschow KHJ, Cahn RW, Flemings MC, Ilschner B, Kramer EJ, Mahajan S, et al. редакторы. Энциклопедия материалов: наука и технологии. ISBN 978–0–08043152–9

[10] Йе Дж. У., Чен Ю. Л., Лин С. Дж. И др. Высокоэнтропийные сплавы - новая эра эксплуатации. Форум по материаловедению. 2007; 560: 1–9.

[11] Zhang Y, Zhou YJ, Lin JP, et al. Правила образования фаз твердого раствора для многокомпонентных сплавов. Современные инженерные материалы. 2008; 10 (6): 534–538.

[12] Чжоу YJ, Zhang Y, Wang YL и др. Сплавы твердого раствора AlCoCrFeNiTix с превосходными механическими свойствами при комнатной температуре. Письма по прикладной физике. 2007; 90 (18): 1904.

[13] Сеньков О.Н., Уилкс Г.Б., Скотт Дж. М., Miracle DB. Механические свойства тугоплавких высокоэнтропийных сплавов Nb25Mo25Ta25W25 и V20Nb20Mo20Ta20W20. Интерметаллиды. 2011; 19: 698–706.

[14] Линь С.М., Цай Х.Л. Эволюция микроструктуры, твердости и коррозионных свойств высокоэнтропийного сплава Al0,5CoCrFeNi. Интерметаллиды. 2011; 19 (3): 288–294.

[15] Ашутош Шарма (6 апреля 2020 г.). Сплавы с высокой энтропией для микро- и наносоединений [сначала онлайн], IntechOpen, DOI: 10.5772 / intechopen.91166. Доступно по адресу: https://www.intechopen.com/online-first/high-entropy-alloys-for-micro-and-nanojoining-applications

[16] Виктор Геанта и Ионелия Войкулеску (23 октября 2019 г.). Определение характеристик и испытания высокоэнтропийных сплавов из системы AlCrFeCoNi для военных приложений [сначала онлайн], IntechOpen, DOI: 10.5772 / intechopen.88622.

[17]. Виктор Геанта, Ионелия Войкулеску, Петрика Визуряну и Андрей Виктор Санду (21 сентября 2019 г.). Сплавы с высокой энтропией для медицинских приложений [сначала онлайн], IntechOpen, DOI: 10.5772 / intechopen.89318.