Microstructure quality control of steels using deep learning

要約

品質管理では、構造の完全性を確保し、重大な体積欠陥の存在を排除し、ターゲットの微細構造の形成を検証するために、微細構造が厳密に調査されます。
焼入れされた階層構造鋼の場合、使用条件下での材料の信頼性を保証するには、ベイナイトおよびマルテンサイトの微細構造の形態が大きな懸念事項となります。
したがって、業界では、金属鑑定者による材料断面の小さなサンプルサイズの検査を実施して、そのような微細構造の針状形態を検証しています。
我々は、職員の徹底的な訓練にもかかわらず、この視覚的グレーディングが顕著な主観によって影響を受けていることを明らかにするラウンドロビンテストの結果を実証します。
代わりに、我々は、微細構造タイプに基づいて鋼を区別し、ISO 643 粒度評価標準を暗示して針の長さを分類する深層学習画像分類アプローチを提案します。
この分類アプローチにより、階層構造の鋼材の信頼性が高く、客観的かつ自動化された分類が容易になります。
具体的には、マルテンサイト/ベイナイトのサブタイプと針の長さの区別について、それぞれ 96% と約 91% の精度が達成されています。
これは、多くの金属鑑定者 (評価者) が複数の植物、合金、エッチング剤アプリケーション、および光学光学顕微鏡から 10 年以上にわたって取得した画像データセットで実現されており、これには大きな差異とラベル ノイズが含まれています。
解釈可能性分析により、これらのモデルの意思決定に関する洞察が得られ、一般化能力を推定できるようになります。

要約(オリジナル)

In quality control, microstructures are investigated rigorously to ensure structural integrity, exclude the presence of critical volume defects, and validate the formation of the target microstructure. For quenched, hierarchically-structured steels, the morphology of the bainitic and martensitic microstructures are of major concern to guarantee the reliability of the material under service conditions. Therefore, industries conduct small sample-size inspections of materials cross-sections through metallographers to validate the needle morphology of such microstructures. We demonstrate round-robin test results revealing that this visual grading is afflicted by pronounced subjectivity despite the thorough training of personnel. Instead, we propose a deep learning image classification approach that distinguishes steels based on their microstructure type and classifies their needle length alluding to the ISO 643 grain size assessment standard. This classification approach facilitates the reliable, objective, and automated classification of hierarchically structured steels. Specifically, an accuracy of 96% and roughly 91% is attained for the distinction of martensite/bainite subtypes and needle length, respectively. This is achieved on an image dataset that contains significant variance and labeling noise as it is acquired over more than ten years from multiple plants, alloys, etchant applications, and light optical microscopes by many metallographers (raters). Interpretability analysis gives insights into the decision-making of these models and allows for estimating their generalization capability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google