Estimation of metal damage morphology using machine learning

영어 페이지

Miyazawa Yuto, Chiba Ryuryo, Ota Yutaro

PDF 다운로드

Miyazawa Yuto, 기술 개발 본부 기술 인프라 센터 재료 및 구조 그룹
Tsurizu Chiba 기술 개발 본부 기술 인프라 센터 재료 및 구조 그룹
Ota Yutaro, 공학 박사, 기술 그룹, 로켓 개발 비즈니스 프로모션 부서, 항공, 공간 및 방어 비즈니스 영역

구조 재료는 사용 중에 다양한 토토배팅사이트 추천을 입어 악화 및 파괴로 이어집니다. 파괴 또는 재발을 방지하려면 토토배팅사이트 추천의 원인을 명확히해야합니다. 그러나 기존의 토토배팅사이트 추천 조사에서 대부분의 추정치는 전문가의 지식과 경험을 기반으로했으며 이러한 추정의 결과는 개인적이고 불안정성이었습니다. 토토배팅사이트 추천된 재료의 미세 구조 이미지에 머신 러닝 이미지 분류 기술을 사용함으로써, 이러한 문제는 해결 될 수 있으며, 지식이나 경험없이 일반화 된 추정을 수행 할 수 있습니다. 이 논문에서, 기계 학습은 크리프, 크리프 피로 및 피로의 세 가지 유형의 토토배팅사이트 추천을받은 표본의 EBSD 이미지를 사용하여 수행되었으며, 약 89%의 정확도로 추정이 성공적이었습니다. 이는이 방법을 사용하여 토토배팅사이트 추천 형태가 높은 정확도로 추정 될 가능성을 시사합니다.

구조 재료는 사용 중에 다양한 유형의 토토배팅사이트 추천을 경험하여 탐지 및 고장으로 이어질 수 있습니다. 실패 또는 재발을 방지하려면 토토배팅사이트 추천의 원인을 식별해야합니다. 그러나 기존의 토토배팅사이트 추천 조사에서 추정은 대부분 전문가의 지식과 경험에 기초하여 주관적이고 불안정한 결과를 초래합니다. 토토배팅사이트 추천된 재료의 미세 구조 이미지에 기계 학습 이미지 분류 방법을 사용하여 지식이나 경험에 의존하지 않는 일반적인 추정을 할 것으로 예상됩니다. 이 논문은 기계 학습 모델의 예측 결과를 보여줍니다. 이 결과는이 방법을 통해 토토배팅사이트 추천 유형을 정확하게 추정 할 수있는 가능성을 보여줍니다.

1. 소개

구조 재료는 온도 및 하중 형태에 따라 다양한 토토배팅사이트 추천을 입어 열화 및 파괴를 초래합니다. 특히, 실제 환경의 토토배팅사이트 추천은 온도, 평균 응력 및 하중 진폭과 같은 많은 요인으로 인해 복잡합니다. 부품의 고장을 방지하거나 재발을 방지하기 위해서는 토토배팅사이트 추천의 원인을 명확히하기 위해 유지 보수 및 토토배팅사이트 추천 조사 중 재료의 상태를 분석해야합니다. 일반적으로, 금속 재료는 재료의 상태를 파악하기 위해 골절 표면 관찰 및 미세 구조 관찰에 적용되며, 토토배팅사이트 추천 요인은 전문가의 지식에 따라 추정됩니다. 따라서 추정에는 많은 개인적인 요소가 있었고 불안정성도있었습니다.

구조 재료는 온도 및 하중 형태에 따라 다양한 토토배팅사이트 추천을 입어 열화 및 파괴를 초래합니다. 특히, 실제 환경의 토토배팅사이트 추천은 온도, 평균 응력 및 하중 진폭과 같은 많은 요인으로 인해 복잡합니다. 부품의 고장을 방지하거나 재발을 방지하기 위해서는 토토배팅사이트 추천의 원인을 명확히하기 위해 유지 보수 및 토토배팅사이트 추천 조사 중 재료의 상태를 분석해야합니다. 일반적으로, 금속 재료는 재료의 상태를 파악하기 위해 골절 표면 관찰 및 미세 구조 관찰에 적용되며, 토토배팅사이트 추천 요인은 전문가의 지식에 따라 추정됩니다. 따라서 추정에는 많은 개인적인 요소가 있었고 불안정성도있었습니다.

기계 학습 이미지 분류 기술은 그러한 문제에 효과적이라고 생각됩니다. 토토배팅사이트 추천된 재료와 토토배팅사이트 추천 형태의 미세 구조 이미지를 연결하고 기계 학습을 수행하는 데이터 세트를 만들어 평가자의 지식이나 경험없이 일반화 된 토토배팅사이트 추천 요소를 예상 할 수 있습니다.

재료의 미세 구조는 다양한 광학 및 전자 현미경을 사용하여 평가됩니다. 무엇보다도, EBSD (전자 후방 산란 회절) 분석은 국소 결정 방향 차이에 대한 정보로부터 미세 구조의 정량적 분석을 허용하는 방법이다. 변형률과 EBSD 매개 변수 (1), (2) 사이의 상관 관계에 대한 많은보고가 있지만, 이들 EBSD 매개 변수는 시야 내의 평균 값을 사용하여 평가로 제한됩니다. 변형률이 같으면 EBSD 매개 변수의 평균값으로부터의 토토배팅사이트 추천 형태를 결정하기가 어렵고, 재료 또는 토토배팅사이트 추천 형태와의 연관에서 EBSD 매개 변수의 분포에 대한 평가는 수행되지 않았다.

이 백서에서는 기계 학습 이미지 분류 방법을 EBSD 이미지에 적용하여 EBSD 매개 변수의 분포 정보를 기반으로 토토배팅사이트 추천 형태를 추정하는 모델의 내용을보고합니다. 또한 기계 학습 지점을 분석하여 토토배팅사이트 추천 메커니즘을 설명하려고 시도했습니다.

2. Test/analysis method

2.1 Creating a dataset

2.1.1 Sample material

이 연구에서 TI-6AL-4V 합금을 시험 재료로 사용하여 3 가지 유형의 토토배팅사이트 추천, 즉 실온에서 크리프/크리프 피로/피로를 유발했습니다. 스테인레스 스틸 및 NI 기반 합금에서, LCF의 수명 (낮은 사이클 피로)은 고온에서 응력 유지에 의해 감소된다 (3). 이 현상은 고온에서 크리프가 발생했기 때문에 고유 한 것으로 생각되며 크리프 피로라고합니다. 크리프 변형은 Ti 합금의 실온에서도 발생한다고보고되었다 (4). 따라서, TI 합금에서, 응력 유지는 실온에서도 도입되어 피로 수명이 감소한다 (5). 이 실내 온도 유지 피로를 차가운 주거 피로라고합니다.

이 연구에서 일정한 하중 크리프 테스트는 876 MPa의 초기 응력으로 수행되었습니다. 피로 검사는 최대 응력 876 MPa, 응력 비율 r = 0 및 각각 2 초의 하중 시간에 따라 수행되었습니다. 크리프 피로 검사에서, 피로 테스트에서 최대 응력으로 120 초의 스트레스 유지가 도입되었다. 각 테스트는 변형의 일관성을 보장하기 위해 정지 된 테스트였습니다. 현탁액 후 시편의 신장으로 얻은 평균 변형률은 크리프의 경우 4.43%, 크리프 피로의 경우 4.13%, 피로의 경우 4.29%였습니다.

2.1.2 EBSD image acquisition

각 테스트 재료의 시험 하중 방향에 평행 한 단면의 EBSD 이미지는 400 배의 관측 배율로 6 개의 필드에서 획득되었다. 측정 범위는 200 x 200 μm이고, 단계 크기 (픽셀 크기)는 0.25 μm이고 픽셀 모양은 일반 육각형이었다. 이러한 방식으로 얻은 EBSD 이미지에 대해 오리엔테이션 차이 분석을 수행 하였다. TI-6AL-4V 합금은α + β, but the deformation is mainlyα단계가 담당하는 사람들은 광범위한 데이터를 획득 할 목적으로 관찰 배율이 낮아서 EBSD의 입자 경계가 동일합니다β이 연구는 단계를 감지하기가 어렵습니다αEBSD analysis was performed using only phases.

EBSD의 방향 차이 분석에서, 입자 경계는 먼저 각 픽셀에 대한 결정 방향 정보로부터 정의 된 후, 각 픽셀의 방향 차이는 다양한 지표를 사용하여 계산된다. 이 연구에서, 오리엔테이션 차이 분석을위한 두 가지 방법 인 GROD (곡물 참조 방향 편차) 및 KAM (커널 평균 오해)가 사용되었다. GROD는 각 곡물 내의 평균 방향을 기반으로 곡물 내 변형 구배를 나타내는 색인이며, 식 (1)을 사용하여 계산됩니다.

여기θiandθave곡물 내에서 ITH 픽셀의 방향 및 기준 평균 방향은 각각입니다. 반면 KAM은 주변 픽셀과 평균 방향 차이를 나타내는 색인이며 식 (2)을 사용하여 계산됩니다.

여기서 αi는 관심있는 픽셀과 인접한 픽셀의 방향 차이이며 Kam은 6 각형 픽셀과 6 개의 인접한 픽셀 사이의 방향 차이의 평균입니다.

이 두 가지 분석 방법 외에도이 연구는 KAM의 응용 분석 방법 인 입자 경계 KAM 및 intrArlathular KAM을 사용했습니다. 곡물 경계 KAM은 정상적인 KAM에서 입자 경계 근처에서 측정 지점을 추출하는 방법이며 입자 경계에서 방향 차이에 초점을 맞출 때 사용됩니다. 한편, intrragratheral kam은 입자 경계 근처 이외의 측정 지점에서 추출되며 곡물 내 방향 차이에 초점을 맞출 때 사용됩니다. 이 연구에서, 입자 경계의 5 픽셀 이내는 입자 경계 근처에 설정되어 있습니다. 다시 말해, 입자 경계 주위에 2.5 μm (10 픽셀)의 너비에 포함 된 입자 경계 KAM은 입자 경계 KAM 및 나머지 곡물 KAM으로 사용되었습니다.

이렇게 얻은 EBSD 이미지는 너비가 800 x 길이 799 픽셀 인 회색조 이미지로 출력되었습니다. 대표 비전그림 1에 표시됩니다. 각 이미지는 방향 차이가 클수록 흰색에 더 가까운 색상으로 그려집니다. 현재 테스트 재료는 일반적으로 각 토토배팅사이트 추천에 대한 변형률을 통합하므로 EBSD 이미지의 밝기는 거의 동일했습니다. 따라서 인간의 눈으로 토토배팅사이트 추천 형태를 구별하기가 어려웠습니다.

2.1.3 EBSD 이미지 데이터 세트

세 가지 유형의 토토배팅사이트 추천 형태 각각에 대해, 6 개의 시야에서 얻은 800 x 799 픽셀 EBSD 이미지는 데이터 확장 및 학습/평가로 데이터 분할이 있었고 기계 학습에 사용하기 위해 데이터 세트가 만들어졌습니다.

기계 학습에서 입력에 대한 정답 (라벨)이 알려진 교사 데이터의 양이 정확도에 직접적인 영향을 미치는 중요한 요소 중 하나입니다. 재료 분야에서 높은 실험 비용 및 복잡한 제조 공정과 같은 요인으로 인해 많은 양의 데이터를 통합 형식으로 확보하기가 어렵 기 때문에 머신 러닝을 방해합니다. 이미지를 처리하는 머신 러닝에서 이러한 문제를 해결하기 위해 기존 데이터 세트의 데이터 수가 부풀려진 데이터 증강이라는 몇 가지 방법이 제안되었습니다. 전형적인 예로는 회전, 역전, 번역, 트리밍, 확대 및 감소가 포함됩니다.

이 연구에서는 데이터 확장 프로세스로 트리밍 및 회전 및 반전 프로세스가 수행되었습니다. 작물 크기를 줄임으로써 EBSD 이미지 당 생성 된 이미지의 수가 증가합니다. 한편, 한 이미지에 포함 된 시야 필드는 좁아서 매크로 토토배팅사이트 추천의 특성을 반영하기가 어렵거나, 현장에서 현장에서 더 쉽게 누출되는 영역과 같이 정확도가 좋지 않은 이벤트. 따라서 트리밍 크기의 효과를 평가하기 위해 400 x 400 픽셀, 200 x 200 픽셀 및 100 x 100 픽셀의 세 가지 유형을 비교했습니다. 이러한 데이터 확장 프로세스를 사용하여 400 x 400 픽셀에 대한 EBSD 이미지 당 72 개의 이미지, 200 x 200 픽셀의 392 개의 이미지 및 100 x 100 픽셀의 1,800 이미지를 얻었습니다.

데이터 확장 처리가 수행되기 전에 EBSD 이미지에서 학습/평가에 대한 데이터 부서가 수행되었습니다. 다시 말해, 자르기, 회전 및 반전 후 이미지를 혼합하는 대신 학습 및 평가 목적으로 2 개로 나뉘어졌으며, 토토배팅사이트 추천된 6 개의 필드의 한 번의 시야는 미리 선택되었습니다. 이로부터, 데이터 확장 처리를 통해 얻은 72/392/1 800 이미지는 3 가지 유형의 토토배팅사이트 추천으로 사용되었으며, 다른 5 개의 뷰 필드에 대한 3 가지 유형의 이미지가 학습 데이터로 사용되었습니다. 이것은 평가 데이터에 포함되는 것을 배우는 데 사용되는 이미지의 회전 및 반전 이미지를 방지하며 완전히 알려지지 않은 시야에 대한 예측 정확도를 평가할 수 있습니다.

위의 처리의 결과로, GROD/KAM/입자 경계 KAM/intrArgrArgraLular KAM에 대한 다양한 방향 차이 분석 방법과 크리프/크리프 피로/피로의 토토배팅사이트 추천 형태는 다음과 같습니다.표 1was obtained.

2.2 머신 러닝 방법

2.2.1 Network Structure

15165_15752

2.2.2 Machine learning results evaluation

EBSD에서 오리엔테이션 차이 분석 방법과 트리밍 크기의 영향을 비교하려면 획득 된 기계 학습 모델의 정확도를 정량적으로 비교해야합니다. 이 연구에서 기계 학습 모델의 정확성은 정확도, 정밀도 및 리콜의 세 가지 지표를 사용하여 평가되었습니다. 이 지표는 혼란 매트릭스에서 계산됩니다. 혼란 매트릭스는 예측 결과의 정확성과 오류를 요약 한 테이블입니다. 두 개의 레이블이있을 때 혼란 매트릭스의 예표 2에 표시됩니다. 혼동 행렬은 레이블 카운트 X 레이블 카운트의 행렬이며 해당 데이터 수는 각 셀에 기록됩니다. 예를 들어, 실제 라벨과 예측 된 레이블이 모두 양수 인 TP 셀의 데이터 수는, 실제 라벨이 양수이고 예측 된 레이블이 음수 인 데이터의 수는 FN 셀에 기록된다.

첫째, 정확도는 정답 속도 또는 정확도로 변환되며 올바르게 예측 된 모든 데이터의 백분율을 나타내는 지표입니다. 정확도는 다음 방정식 (3)을 사용하여 계산됩니다.

다음, 정밀도는 적합성 속도 등으로 변환되며 실제로 긍정적 인 예측 데이터의 백분율을 나타내는 지표입니다. 정밀도는 다음 방정식 (4)을 사용하여 계산됩니다.

리콜은 리콜 속도로 변환되며 실제로 긍정적이고 긍정적 인 것으로 예상되는 데이터의 백분율을 나타내는 지표입니다. 리콜은 다음 식 (5)를 사용하여 계산됩니다.

정밀도는 예측 결과가 얼마나 정확한지를 보여주는 지표이며, 리콜은 예측 결과가 얼마나 잘 있는지를 보여주는 지표입니다. 둘 다 쌍을 이루는 관계를 갖는 것으로 일반적으로 알려져 있습니다. 따라서 그들 중 하나가 상대방을 증가 시키면 다른 하나가 더 낮아지고, 문제의 본질에 따라 어느 쪽의 우선 순위를 결정하는지 결정됩니다.

이 연구에서 라벨은 크리프/크리프 피로/피로이기 때문에 3x3 혼란 매트릭스는 기계 학습 모델을 사용하여 예측 결과로 얻을 수 있습니다. 이 혼란 매트릭스에 대해 각 토토배팅사이트 추천 형태에 대한 정확도, 정밀도 및 리콜을 계산했으며, 이러한 지표를 사용하여 오리엔테이션 차이 분석 방법 및 트리밍 크기의 영향을 비교했습니다. 또한,이 연구의 주제에서, 실제 토토배팅사이트 추천 형태가 얼마나 정확하게 예측되었는지 아는 것이 중요하므로 정밀도와 리콜 중에서 리콜이 우선 순위에 따라 평가되었습니다.

2.3 Machine Learning Point Analysis

2. 1. 2에 언급 된 바와 같이, 이번에 사용 된 EBSD 이미지와 인간의 눈에 의한 토토배팅사이트 추천 형태를 구별하기가 어려웠다. 그러나 기계 학습을 사용한 분류가 가능하다면, 다른 토토배팅사이트 추천 형태를 가진 EBSD 이미지의 차이는 인간의 눈에 의해 구별되지 않으며, 차이를 인식하여 분류를 수행합니다. 따라서 기계 학습에서 관심있는 지점을 시각화함으로써 토토배팅사이트 추천 형태로 인해 재료의 체계적인 특징의 차이를 명확히 할 수 있다고 생각됩니다. 최근 몇 년 동안, 딥 러닝 모델이 이미지에 초점을 맞추기 위해 위치를 시각화하기 위해 많은 방법이 제안되었습니다. 이 연구에서는 이러한 시각화 방법 중 하나 인 Grad-CAM (Gradient-Weighted Class Activation Mapping)^{( 7 )}.

3. 분석 결과 및 고려 사항

3.1 Impact of EBSD analysis method

먼저, 우리는 400 x 400 픽셀의 조건 하에서 트리밍 크기 조건을 통합하고 EBSD에 대한 4 가지 다른 방향 분석 방법을 사용하여 토토배팅사이트 추천 형태의 정확도 예측의 차이를 비교했습니다 : GROD/KAM/GRAIN KAM/IntrAgranular kam. 머신 러닝은 다양한 방향 차이 분석 방법에 의해 얻은 이미지로 구성된 데이터 세트를 사용하여 수행되며 정확도, 정밀도 및 리콜 계산 결과가 사용됩니다.표 3에 표시됩니다. 오리엔테이션 차이 분석 방법 모두에서, 피로 이미지에 대한 예측 결과는 정밀도와 리콜 모두에 대해 1.00이었으며, 이는 100% 정확도로 예측이 가능함을 나타냅니다. 또한, 모든 지표는 intragrathular kam 이미지를 사용할 때 가장 높은 값을 나타 냈습니다. 표 4는 뇌내 KAM 이미지를 사용할 때 혼란 매트릭스를 보여줍니다. 크리프와 크리프 피로를 결정하는 데 약간의 오류가 있지만, 이번에 검사 된 4 가지 유형의 분석 방법 중에서 intragrathular kam 이미지가 가장 많은 토토배팅사이트 추천 특성을 가질 수 있다고 제안되었다.

다음으로, 다른 분석 방법의 결과를 자세히 확인했습니다. 첫째, GROD 이미지를 사용할 때 크리프 리콜은 1.00이었고 크리프 피로 리콜은 0.042의 매우 작은 값이었습니다. 이것은 대부분의 크리프 이미지와 크리프 피로 이미지가 크리프 인 것으로 예상되었으며 크리프와 크리프 피로 사이에 차이가 거의 없다고 생각됩니다. KAM 이미지를 사용하더라도 크리프 리콜은 0.5 미만으로 떨어졌습니다. 다시 말해, 크리프 이미지의 절반 이상이 크리프 피로 인 것으로 예상되었으며 크리프와 크리프 피로 사이에는 거의 구별이 없다고 생각됩니다.

KAM 이미지, 입자 경계 KAM 이미지 및 intragrathular kam 이미지의 결과를 비교하면 모든 지표에서 예측 정확도가 가장 높았으며 곡물 경계 KAM 및 KAM이 가장 높았습니다. 입자 경계 KAM 및 intragrathular KAM 이미지는 일반 KAM 이미지의 특정 영역에서 추출되므로 한 이미지에 포함 된 방향 차이에 대한 정보의 양은 일반 KAM 이미지의 것보다 큽니다. 그럼에도 불구하고, 입자 경계 KAM과 intragrathular kam을 사용하는 이유는 더 정확한 이유가 "세분화 된 경계"및 "내부"와 같은 물질적 의미가 방향 차이를 갖는 단순한 픽셀의 좌표 정보에 주어 졌기 때문입니다.

3.2 Impact of trimming size

다음, 트리밍 크기로 인한 예측 정확도의 차이를 비교했습니다. 방향 차이를 분석하는 방법은3. 섹션 114748_14879표 5에 표시됩니다. 또한 400 x 400 픽셀에 대한 분석 결과는 다음과 같습니다.표 3，표 4와 동일합니다. 크기 크기 모두에서 피로 이미지의 예측 결과는 정밀도와 리콜 모두에 대해 1.00이어서 100% 정확도로 예측을 할 수 있습니다. 그러나 크리프와 크리프 피로를 분류 할 때 400 x 400 픽셀의 이미지가 사용되고 작물 크기가 작을 때 정확도가 낮을 ​​때 가장 높은 정확도가 달성되었습니다. 데이터 수의 증가에도 불구하고 예측 정확도 감소의 가능한 이유는 이미지 당 정보의 양이 감소하기 때문입니다. 트리밍 후 intragrathular kam 이미지의 대표적인 예그림 2에 표시됩니다. 시야 내에 포함 된 크리스탈 입자의 수는 400 x 400 픽셀의 경우 약 150, 200 x 200 픽셀의 경우 약 40, 100 x 100 픽셀의 경우 약 10과 유의하게 다릅니다. EBSD 이미지에 표시된 토토배팅사이트 추천 기능이 수십 개의 크리스탈 곡물을 덮는 매크로 인 경우 트리밍 크기가 작 으면 기능의 전체 범위를 파악하기가 어렵다고 생각하여 모델 예측의 정확도가 감소합니다. 반대로, 토토배팅사이트 추천 특징이 특정 영역에 집중되면 트리밍 크기를 줄이면 영역이 시야에 포함될 확률이 줄어들므로, 피해가 덜 영향을받는 현장에서도 레이블이있는 데이터 세트에서 학습 및 평가가 수행 될 것으로 예상됩니다. 두 경우 모두,이 연구의 결과는 트리밍 크기의 감소로 인한 데이터 수의 인플레이션이 제한없이 불가능하다는 것을 보여 주었다. 데이터 수를 늘려 정확도를 향상시킬 때 추가 EBSD 획득이 가장 효과적인 방법으로 간주됩니다.

3.3 Considerations for practical use

이제 지금까지 비교 연구에서 가장 정확한 모델을 요약 할 것입니다. 이 연구에서 검사 된 조건 하에서, 400 x 400 픽셀로 잘린 데이터 세트를 사용하여 생성 된 예측 모델이 가장 높은 정확도였다. 예측 결과의 혼란 매트릭스는표 4에 표시된대로. 피로는 100% 정확도로 예측 될 수 있지만 크리프/크리프 피로로 제한된 정확도는 약 0.8이었다.

이런 방식으로, 이번에 연구 된 방법은 높은 정확도로 토토배팅사이트 추천 형태를 결정할 가능성을 보여 주었지만 100% 정확도로 결정할 수 없습니다. 유지 보수 및 토토배팅사이트 추천 조사와 같은 상황 에서이 방법을 실제로 사용하려면 정확도 향상, 필요한 정확성 및 예측 된 결과의 유효성을 보장하는 방법과 같은 기계 학습 모델을 작동하는 방법과 같은 기술적 고려 사항을 고려해야합니다. 또한 실제 구조에서 시편 (위치, 절차)을 수집하는 방법, 수집 된 시편에서 EBSD 이미지를 획득하는 방법 및 획득 된 이미지에서 허용되는 변형과 같은 기계 학습 모델에 대한 데이터 입력 방법 및 품질에 관한 토론이 필요하다고 생각됩니다.

3.4 Grad-CAM 사용 포인트 분석

마지막으로, 우리는 KAM 내 KAM과 400 x 400 픽셀의 트리밍 크기를 가진 예측 모델에 대한 Grad-CAM을 사용하여 초점 포인트 분석을 수행했습니다. 이는 비교 연구에서 가장 정확했습니다. 크리프/크리프 피로/피로에 대한 관심 지점의 분석 결과그림 3에 표시됩니다.그림 3에서, 빨간색에 더 가까운 영역은 더 많은 관심이 있고, 파란색에 더 가까운 영역은주의가 적다는 것을 의미합니다. 올바르게 분류 된 이미지의 분석 결과입니다.그림 3에서, 초점은 주로 뇌내 캄 이미지에서 흰색 인 결정 입자, 즉 입자의 방향 차이가 증가 함을 알 수 있습니다. 초점은 전체 이미지가 아닌 로컬이기 때문에 분류는 토토배팅사이트 추천 형태로 인한 방향 차이 분포의 차이보다는 곡물 내에서 발생한 방향 차이 분포의 형태를 기반으로 할 수 있다고 제안되었습니다. 미래의 이러한 점에 대한보다 자세한 관찰을 수행함으로써 토토배팅사이트 추천 메커니즘을 명확히하는 데 도움이되기를 바랍니다.

또한, 관심있는 각 지점은 약 1 ~ 여러 개의 크리스탈 입자였으며, 그 수는 이미지 당 여러 위치였습니다. 이것으로부터, 트리밍 크기가 감소했을 때 예측 정확도 감소의 이유는 시야에 상당한 토토배팅사이트 추천 특성을 가진 영역이 포함될 확률이 감소했기 때문입니다.

4. 결론

머신 러닝은 상온에서 다른 크리프/크리프 피로/피로 토토배팅사이트 추천이있는 Ti 합금의 EBSD 이미지를 사용하여 변형량이 거의 동일하고 인간의 눈에 어려운 토토배팅사이트 추천 형태를 결정하려고 시도했습니다.

우리는 4 가지 유형의 방위각 분석 방법을 비교했습니다 : GROD, KAM, 곡물 경계 KAM 및 세 가지 유형의 트리밍 크기, 데이터 확장 프로세스 : 400 x 400 픽셀, 200 x 200 픽셀 및 100 x 200 픽셀 및 3 가지 유형의 트리밍 크기는 이러한 조건에 따라 트리밍 크기의 3 가지 트리밍 크기를 비교했습니다. 또한 Grad-CAM을 사용하여 기계 학습 분석을 수행하여 EBSD 이미지의 기능에 중점을 두었습니다. 얻은 결론은 아래에 나와 있습니다.

1. 이 연구에서 검사 된 분석 조건에서, 400 × 400 픽셀의 트리밍 크기를 갖는 모델과 intragrathular kam으로서 방향 차이 분석 방법이 가장 높은 정확도였습니다.
2. 트리밍 크기를 낮추면 시야에 상당한 토토배팅사이트 추천 특성이있는 영역이 포함될 확률이 감소하여 예측 정확도가 감소합니다. 따라서 제한없이 트리밍 크기의 감소로 인해 데이터 수를 팽창시킬 수 없습니다.
3. 이 연구에서 조사 된 방법은 토토배팅사이트 추천 형태가 높은 정확도로 결정될 수 있지만 100% 정확도로 결정할 수는 없다. 이 방법을 실질적으로 사용하기 위해서는 모델 자체의 정확성을 향상시킬뿐만 아니라 기계 학습 모델을 작동하는 방법을 고려하고 입력중인 데이터의 방법과 품질을 논의해야합니다.
4. Grad-CAM을 사용한 관심 지점의 분석은 결정 곡물 내에서 발생한 방향 차이 분포의 형태에 따라 토토배팅사이트 추천 형태가 분류 될 수 있음을 나타냅니다. 앞으로 이러한 점을 자세히 관찰함으로써 토토배팅사이트 추천 메커니즘의 설명으로 이어질 것으로 기대됩니다.

이 기술의 정확성을 높이면, 우리는 평가자의 지식이나 경험에 근거한 일반화 된 토토배팅사이트 추천 요인 추정을 실현함으로써 보존 및 재난 예방의 관점에서 사회에 기여할 것입니다.

　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　　　 　　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　

Volume 63, Issue 2 특별 기능 : 사회 문제에 대한 솔루션을 지원하는 기본 기술의 진화