L’apprentissage en profondeur économe en données optimise l’imagerie de la microstructure

L'apprentissage en profondeur économe en données optimise l'imagerie de la microstructure

Annotation effectuée par un expert par rapport à une annotation prédite par apprentissage en profondeur. Crédit : Université Carnegie Mellon, Collège d’ingénierie

Le plus souvent, nous reconnaissons le deep learning comme la magie des voitures autonomes et de la reconnaissance faciale, mais qu’en est-il de sa capacité à préserver la qualité des matériaux qui composent ces appareils avancés ? Professeur de science et d’ingénierie des matériaux Elizabeth Holm et Ph.D. L’étudiant Bo Lei a adopté des méthodes de vision par ordinateur pour les images microstructurales qui non seulement nécessitent une fraction des données sur lesquelles l’apprentissage en profondeur repose généralement, mais peuvent faire économiser beaucoup de temps et d’argent aux chercheurs en matériaux.

Le contrôle de la qualité dans le traitement des matériaux nécessite l’analyse et la classification de microstructures de matériaux complexes. Par exemple, les propriétés de certains aciers à haute résistance dépendent de la quantité de bainite de type latte dans le matériau. Cependant, le processus d’identification de la bainite dans les images microstructurales est long et coûteux car les chercheurs doivent d’abord utiliser deux types de microscopie pour examiner de plus près, puis s’appuyer sur leur propre expertise pour identifier les régions bainitiques. « Ce n’est pas comme identifier une personne qui traverse la rue lorsque vous conduisez une voiture », a expliqué Holm. « Il est très difficile pour les humains de catégoriser, nous bénéficierons donc beaucoup de l’intégration d’une approche d’apprentissage en profondeur. »

Leur approche est très similaire à celle de la communauté plus large de la vision par ordinateur qui pilote la reconnaissance faciale. Le modèle est entraîné sur des images de microstructures matérielles existantes pour évaluer de nouvelles images et interpréter leur classification. Alors que des entreprises comme Facebook et Google forment leurs modèles sur des millions ou des milliards d’images, les scientifiques des matériaux ont rarement accès à dix mille images. Par conséquent, il était essentiel que Holm et Lei utilisent une « méthode économe en données » et entraînent leur modèle en utilisant seulement 30 à 50 images de microscopie. « C’est comme apprendre à lire », a expliqué Holm. « Une fois que vous avez appris l’alphabet, vous pouvez appliquer ces connaissances à n’importe quel livre. Nous pouvons être économe en données en partie parce que ces systèmes ont déjà été formés sur une grande base de données d’images naturelles. »

En collaboration avec des instituts allemands, Holm et Lei ont essayé différentes approches d’apprentissage en profondeur de la segmentation laith-bainite dans l’acier en phase complexe. Ils ont atteint des précisions de 90% rivalisant avec la segmentation effectuée par des experts. Dans le cadre de cette collaboration, Holm a reçu une subvention de la Fondation allemande pour la recherche (DGM) qui soutient ses collaborateurs allemands en visite à Pittsburgh au début de 2022 pour travailler aux côtés de son équipe.

De plus, l’équipe se concentre sur le développement d’une méthode d’apprentissage en profondeur encore plus frugale qui ne nécessiterait qu’une seule image pour obtenir les mêmes résultats. Outre l’acier, Lei a travaillé avec divers groupes expérimentaux qui étudient la caractérisation de l’apprentissage en profondeur sur une variété de matériaux.

Holm estime : « Avec des résultats aussi prometteurs, nous pourrons, espérons-le, présenter cette méthode à une communauté plus large de la science des matériaux et de la caractérisation de la microstructure. »

Cette recherche a été publiée dans Communication Nature et menée en collaboration avec l’Institut Fraunhofer de mécanique des matériaux, l’Institut de technologie de Karlsruhe, l’Université de Fribourg, l’Université de la Sarre et le Material Engineering Center Saarland.


Utiliser l’apprentissage automatique pour comprendre les matériaux


Plus d’information:
Ali Riza Durmaz et al, Une approche d’apprentissage en profondeur pour l’inférence de microstructures complexes, Communication Nature (2021). DOI : 10.1038/s41467-021-26565-5

Fourni par l’Université Carnegie Mellon Science et ingénierie des matériaux

Citation: L’apprentissage profond data-frugal optimise l’imagerie de la microstructure (2021, 15 décembre) récupéré le 15 décembre 2021 à partir de https://techxplore.com/news/2021-12-data-frugal-deep-optimizes-microstructure-imaging.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.