PhD (Engineering), senior researcher
кандидат технических наук, старший научный сотрудник
PhD (Engineering), researcher
кандидат технических наук, научный сотрудник
In the process of formation of composite coatings, partial dissolution of strengthening particles (most often carbides) in the matrix is possible; therefore, in some cases, the material creation mode is chosen taking into account the volume fraction of primary carbides not dissolved during coating deposition. The methods currently widely used for calculating the volume fraction of carbides in the structure of composite coatings (manual point method and programs implementing classical computer vision methods) have limitations in terms of the possibility of automation. It is expected that performing semantic segmentation using convolutional neural networks will improve both the performance of the process and the accuracy of carbide detection. In the work, multiclass semantic segmentation was carried out including the classification on the image of pores and areas that are not a microstructure. The authors used two neural networks based on DeepLab-v3 trained with different loss functions (IoU Loss and Dice Loss). The initial data were images of various sizes from electron and optical microscopes, with spherical and angular carbides darker and lighter than the matrix, in some cases with pores and areas not related to the microstructure. The paper presents mask images consisting of four classes, created manually and by two trained neural networks. The study shows that the networks recognize pores, areas not related to the microstructure, and perfectly segment spherical carbides in images, regardless of their color relative to the matrix and the presence of pores in the structure. The authors compared the proportion of carbides in the microstructure of coatings determined by two neural networks and a manual point method.
В процессе формирования композиционных покрытий возможно частичное растворение упрочняющих частиц (чаще всего карбидов) в матрице, поэтому в ряде случаев выбор режима создания материала осуществляется с учетом объемной доли первичных, не растворившихся при нанесении покрытий карбидов. Широко используемые в настоящее время методы расчета объемной доли карбидов в структуре композиционных покрытий (ручной точечный метод и программы, реализующие классические методы машинного зрения) имеют ограничения по возможности автоматизации. Ожидается, что выполнение семантической сегментации с использованием сверточных нейронных сетей повысит как производительность процесса, так и точность определения карбидов. В работе проводилась многоклассовая семантическая сегментация, включающая классификацию на изображении пор и областей, не являющихся микроструктурой. Использовались две нейронные сети на основе DeepLab-v3, обученные с разными функциями потерь (IoU Loss и Dice Loss). Исходными данными были изображения различных размеров с электронного и оптического микроскопов, с карбидами сферической и угловатой формы темнее и светлее матрицы, в ряде случаев – с порами и областями, не относящимися к микроструктуре. В работе представлены изображения-маски, состоящие из четырех классов, созданные вручную и двумя обученными нейронными сетями. Показано, что сети распознают поры, области, не относящиеся к микроструктуре, и отлично сегментируют на изображениях карбиды сферической формы, независимо от их цвета относительно матрицы и наличия пор в структуре. Проведено сравнение доли карбидов в микроструктуре покрытий, определенной двумя нейронными сетями и ручным точечным методом.