Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-630593

Vision GNN (ViG) architecture for a fine‑tuned segmentation of a complex Al–Si metal matrix composite XCT volume

  • In this paper, we implement a vision graph neural network (ViG) architecture to segment microstructures in X-ray computed tomography 3D data. Our ViG architecture is first trained on a synthetic augmented dataset, and then fine-tuned on experimental data to obtain an improved segmentation. Successively, we assess the accuracy of the segmentation on manually-labeled experimental slices. We exemplarily use the approach on a complex microstructure: a metal matrix composite, reinforced with two ceramic phases, intermetallic inclusions and a silicon network, in order to show the generality of our method. ViG model proves to be more efficient than U-Nets in adapting to new data when fine-tuned on a small portion of the experimental data. The fine-tuned ViG shows comparable performance to U-Nets, while largely reducing the number of trainable parameters, with the potential of greater adaptability and efficiency.

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:M. Lapenna, Athanasios Tsamos, F. Faglion, R. Fioresi, F. Zanchetta, Giovanni BrunoORCiD
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Journal of Materials Science
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.5 Röntgenbildgebung
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:Springer
Jahrgang/Band:60
Erste Seite:6907
Letzte Seite:6921
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:Composites; Machine Learning; Segmentation; Virtual XCT; X-ray Computed tomography
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Additive Fertigung
DOI:10.1007/s10853-025-10834-5
URN:urn:nbn:de:kobv:b43-630593
ISSN:1573-4803
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:07.05.2025
Referierte Publikation:Ja
Datum der Eintragung als referierte Publikation:07.05.2025
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.