Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-602517
Geometric deep learning for enhanced quantitative analysis of microstructures in X-ray computed tomography data
- Quantitative microstructural analysis of XCT 3D images is key for quality assurance of materials and components. In this paper we implement a Graph Convolutional Neural Network (GCNN) architecture to segment a complex Al-Si Metal Matrix composite XCT volume (3D image). We train the model on a synthetic dataset and we assess its performance on both synthetic and experimental, manually-labeled, datasets. Our simple GCNN shows a comparable performance, measured via the Dice score, to more standard machine learning methods, but uses a greatly reduced number of parameters (less than 1/10 of parameters), features low training time, and needs little hardware resources. Our GCNN thus achieves a cost-effective reliable segmentation.
Autor*innen: | Michela Lapenna, Athanasios TsamosORCiD, Francesco Faglioni, Rita Fioresi, Ferdinando Zanchetta, Giovanni Bruno |
---|---|
Dokumenttyp: | Zeitschriftenartikel |
Veröffentlichungsform: | Verlagsliteratur |
Sprache: | Englisch |
Titel des übergeordneten Werkes (Englisch): | Discover Applied Sciences |
Jahr der Erstveröffentlichung: | 2024 |
Organisationseinheit der BAM: | 8 Zerstörungsfreie Prüfung |
8 Zerstörungsfreie Prüfung / 8.5 Röntgenbildgebung | |
Veröffentlichende Institution: | Bundesanstalt für Materialforschung und -prüfung (BAM) |
Jahrgang/Band: | 6 |
Ausgabe/Heft: | 6 |
Aufsatznummer: | 313 |
Erste Seite: | 1 |
Letzte Seite: | 9 |
DDC-Klassifikation: | Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten |
Freie Schlagwörter: | Al–Si metal matrix composites; Geometric deep learning; Microstructure; Segmentation; X-ray computed tomography |
Themenfelder/Aktivitätsfelder der BAM: | Material |
Material / Degradation von Werkstoffen | |
DOI: | 10.1007/s42452-024-05985-0 |
URN: | urn:nbn:de:kobv:b43-602517 |
ISSN: | 3004-9261 |
Verfügbarkeit des Dokuments: | Datei für die Öffentlichkeit verfügbar ("Open Access") |
Lizenz (Deutsch): | Creative Commons - CC BY - Namensnennung 4.0 International |
Datum der Freischaltung: | 18.06.2024 |
Referierte Publikation: | Ja |
Datum der Eintragung als referierte Publikation: | 18.06.2024 |
Schriftenreihen ohne Nummerierung: | Wissenschaftliche Artikel der BAM |