• Treffer 4 von 6
Zurück zur Trefferliste
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.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
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 / 8.5 Röntgenbildgebung
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Jahrgang/Band: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 / 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):License LogoCreative 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
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.