机器学习检测氢脆竟靠最简单纹理法夺冠，区域留出协议杜绝数据泄漏！
Leakage-Safe Machine Learning for Hydrogen Embrittlement Detection in 316L Stainless Steel: A Region-Held-Out Evaluation of Texture and Deep Features in SEM Micrographs
📖 AI 总结
本研究针对316L不锈钢氢脆检测中的机器学习评估方法提出改进。传统图像级数据划分在训练集与测试集来自同一试样区域时会造成信息泄漏，导致评估结果虚高。为此，作者提出基于区域留一交叉验证（LORO）的泄漏安全协议，覆盖14个空间区域（8个原始态、6个充氢态，共31张图像），系统比较了局部二值模式（LBP）、灰度共生矩阵（GLCM）、自监督卷积嵌入及卷积神经网络等六种特征-分类器组合。结果显示，最简单的LBP结合支持向量机表现最佳，平衡准确率达0.79，充氢态召回率0.69、精确率0.82，优于所有深度学习及组合特征模型。组水平置换检验（500次置换）得p=0.008，表明该结果并非区域结构的偶然对齐所致。Grad-CAM可视化显示CNN关注局部表面与晶界特征，与氢致形貌变化区域一致。该工作证明在泄漏安全且统计验证的框架下，纹理描述符可在小样本条件下有效识别SEM图像中的充氢特征，并可推广至其他合金体系的氢脆检测研究。
🔑 关键词速览
| 氢脆 (Hydrogen Embrittlement, HE) | 金属材料因吸收氢原子而导致脆性增加、易发生断裂的现象。 |
| 留一区域交叉验证 (Leave-One-Region-Out, LORO) | 一种交叉验证方法，每次留出一个空间区域作为测试集，避免同一区域图像泄漏到训练集。 |
| 局部二值模式 (Local Binary Patterns, LBP) | 一种用于图像纹理分析的描述符，通过比较像素与其邻域的灰度值生成二进制模式。 |
| 灰度共生矩阵 (Grey-Level Co-occurrence Matrix, GLCM) | 一种统计纹理分析方法，通过计算图像中灰度级对的出现频率来表征纹理。 |
| Grad-CAM | 一种可视化技术，通过梯度加权类激活映射生成热力图，显示CNN关注图像中的哪些区域。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅