伪二元扩散偶方法作为一种工具，用于评估AlCoCr、xFeNi、AlxCoCrFeNi以及AlxCoCrFeNi等多元合金中微观结构随成分（x）变化的情况

《Materials Advances》：Pseudo-binary diffusion couple approach as a tool for evaluation of microstructural changes as a function of composition (x) in AlCoCr xFeNi, Al xCoCrFeNi and AlCoCrFeNi x multicomponent alloys

本研究对比了Transformer模型在金属增材制造复合材料SEM图像缺陷检测中的应用，发现UPerNet和SegFormer在碳化物稀释度精度上分别达到94.33%和93.46%，优于传统CNN模型DeepLabV3+。实验构建了首个针对AMedMMC的SEM图像数据集，揭示了模型在缺陷像素边界处的分类误差问题，并基于预测置信度提出模型选择建议。

　　

Mutahar Safdar|Bashir Kazimi|Karina Ruzaeva|Gentry Wood|Max Zimmermann|Guy Lamouche|Priti Wanjara|Stefan Sandfeld|Yaoyao Fiona Zhao

摘要

机器学习（ML）在分析增材制造（AMed）结构中的复杂模式方面展现出了潜力。金属基复合材料（MMC）通过金属基体和增强颗粒提升了零件的功能。然而，其加工过程可能会在微观结构中引入多种共存的异常现象，这些现象难以通过光学金相学进行分析。扫描电子显微镜（SEM）能够更好地显示增强颗粒的退化情况，但分析过程可能较为繁琐、耗时，并且高度依赖专家知识。基于深度学习的语义分割技术有助于加速SEM图像的分析，从而支持其在工业中的应用。这种能力对于快速、精确地从SEM图像中量化缺陷特征尤为重要。本研究探讨了基于自注意力机制的视觉变换器（ViTs）中的几种先进语义分割方法在SEM图像上的分割性能，重点关注缺陷像素的分割。具体评估了SegFormer、MaskFormer、Mask2Former、UPerNet、DPT、Segmenter和SETR模型。同时，还纳入了一个在语义分割任务中广泛使用的参考全卷积模型DeepLabV3+作为对比对象。本研究通过大量实验生成了一个代表AMed MMCs的SEM数据集，并将其公开共享。比较结果显示，几种基于变换器的模型表现优于参考的CNN模型：UPerNet（碳化物稀释准确率为94.33%）和SegFormer（碳化物稀释准确率为93.46%）在分割SEM图像中的碳化物颗粒损伤方面表现尤为突出。验证集和测试集的分析结果表明，最常见的错误发生在缺陷像素与无缺陷像素的边界处。此外，这些模型还根据其预测置信度进行了评估，作为支持决策和模型选择的实用指标。综上所述，在需要高准确性和鲁棒性的场景中，推荐使用带有Swin框架的UPerNet模型来分割AMed MMCs的SEM图像；而SegFormer模型则因其更轻量级的架构和竞争力强的性能而受到推荐。未来，可以通过引入更高性能的模型或调整特定超参数来进一步优化分析方法。