Определение объемной доли первичных карбидов в микроструктуре композиционных покрытий с применением семантической сегментации

В процессе формирования композиционных покрытий возможно частичное растворение упрочняющих частиц (чаще всего карбидов) в матрице, поэтому в ряде случаев выбор режима создания материала осуществляется с учетом объемной доли первичных, не растворившихся при нанесении покрытий карбидов. Широко используемые в настоящее время методы расчета объемной доли карбидов в структуре композиционных покрытий (ручной точечный метод и программы, реализующие классические методы машинного зрения) имеют ограничения по возможности автоматизации. Ожидается, что выполнение семантической сегментации с использованием сверточных нейронных сетей повысит как производительность процесса, так и точность определения карбидов. В работе проводилась многоклассовая семантическая сегментация, включающая классификацию на изображении пор и областей, не являющихся микроструктурой. Использовались две нейронные сети на основе DeepLab-v3, обученные с разными функциями потерь (IoU Loss и Dice Loss). Исходными данными были изображения различных размеров с электронного и оптического микроскопов, с карбидами сферической и угловатой формы темнее и светлее матрицы, в ряде случаев – с порами и областями, не относящимися к микроструктуре. В работе представлены изображения-маски, состоящие из четырех классов, созданные вручную и двумя обученными нейронными сетями. Показано, что сети распознают поры, области, не относящиеся к микроструктуре, и отлично сегментируют на изображениях карбиды сферической формы, независимо от их цвета относительно матрицы и наличия пор в структуре. Проведено сравнение доли карбидов в микроструктуре покрытий, определенной двумя нейронными сетями и ручным точечным методом. 

1. Savrai R.A., Gladkovsky S.V., Lepikhin S.V., Kolobylin Yu.M. Approaches to the development of wear-resistant laminated metal composites // Diagnostics, Resource and Mechanics of materials and structures. 2021. № 5. P. 24–35. DOI: 10.17804/2410-9908.2021.5.24-35.

2. Соболева Н.Н., Николаева Е.П., Макаров А.В., Малыгина И.Ю. Влияние добавки карбида хрома на структуру и абразивную износостойкость NiCrBSi покрытия, сформированного лазерной наплавкой // Вектор науки Тольяттинского государственного университета. 2020. № 1. С. 68–76. DOI: 10.18323/2073-5073-2020-1-68-76.

3. Прибытков Г.А., Калита В.И., Комлев Д.И. и др. Твердость и износостойкость плазменных покрытий, напыленных СВС-композиционными порошками TiC + Ti-связка // Упрочняющие технологии и покрытия. 2019. Т. 15. № 8. C. 359–364. EDN: MROUSQ.

4. Makarov A.V., Soboleva N.N., Malygina I.Yu., Osintseva A.L. The tribological performances of a NiCrBSi – TiC laser-clad composite coating under abrasion and sliding friction // Diagnostics, Resource and Mechanics of materials and structures. 2015. № 3. P. 83–97. DOI: 10.17804/2410-9908.2015.3.083-097.

5. Nurminen J., Näkki J., Vuoristo P. Microstructure and properties of hard and wear resistant MMC coatings deposited by laser cladding // International Journal of Refractory Metals and Hard Materials. 2009. Vol. 27. № 2. P. 472–478. DOI: 10.1016/j.ijrmhm.2008.10.008.

6. Enrici T.M., Dedry O., Boschini F., Tchuindjang J.T., Mertens A. Microstructural and Thermal Characterization of 316L+WC Composite Coatings obtained by Laser Cladding // Advanced Engineering Materials. 2020. Vol. 22. № 12. Article number 2000291. DOI: 10.1002/adem.202000291.

7. Deschuyteneer D., Petit F., Gonon M., Cambier F. Processing and characterization of laser clad NiCrBSi/WC composite coatings – Influence of microstructure on hardness and wear // Surface and Coatings Technology. 2015. Vol. 283. P. 162–171. DOI: 10.1016/j.surfcoat.2015.10.055.

8. Zhang Z., Liu H.X., Zhang X.W., Ji S.W., Jiang Y.H. Dissolution Behavior of WC Reinforced Particles on Carbon Steel Surface during Laser Cladding Process // Advanced Materials Research. 2012. Vol. 430-432. P. 137–141. DOI: 10.4028/www.scientific.net/AMR.430-432.137.

9. Xu H., Huang H. Plasma remelting and injection method for fabricating metal matrix composite coatings reinforced with tungsten carbide // Ceramics International. 2022. Vol. 48. № 2. P. 2645–2659. DOI: 10.1016/j.ceramint.2021.10.048.

10. Kazakov A.A., Kiselev D. Industrial Application of Thixomet Image Analyzer for Quantitative Description of Steel and Alloy’s Microstructure // Metallography, Microstructure, and Analysis. 2016. Vol. 5. P. 294–301. DOI: 10.1007/s13632-016-0289-6.

11. Schneider C.A., Rasband W.S., Eliceiri K.W. NIH Image to ImageJ: 25 years of image analysis // Nature Methods. 2012. Vol. 9. P. 671–675. DOI: 10.1038/nmeth.2089.

12. Rose D., Forth J., Henein H., Wolfe T., Qureshi A.J. Automated semantic segmentation of NiCrBSi-WC optical microscopy images using convolutional neural networks // Computational Materials Science. 2022. Vol. 210. Article number 111391. DOI: 10.1016/j.commatsci.2022.111391.

13. Wang M., Wu F., Zhao J. A Comprehensive Research and Strategy of Transfer Learning for Image Segmentation // Lecture Notes on Data Engineering and Communications Technologies book series. 2021. Vol. 88. P. 1394–1406. DOI: 10.1007/978-3-030-70665-4_152.

14. Benjdira B., Bazi Y., Koubaa A., Ouni K. Unsupervised domain adaptation using generative adversarial networks for semantic segmentation of aerial images // Remote Sensing. 2019. Vol. 11. № 11. Article number 1369. DOI: 10.3390/rs11111369.

15. Chen L.C., Papandreou G., Kokkinos I., Murphy K., Yuille A.L. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018. Vol. 40. P. 834–848. DOI: 10.1109/TPAMI.2017.2699184.

16. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015. P. 3431–3440. DOI: 10.1109/CVPR.2015.7298965.

17. Емельянов А.В. Анализ методов семантической сегментации изображений на основе нейронных сетей // Математические методы в технике и технологиях – ММТТ. 2019. Т. 12-1. С. 195–201. EDN: GCGRLL.

18. Chen L.C., Papandreou G., Schroff F., Adam H. Rethinking Atrous Convolution for Semantic Image Segmentation // arXiv:1706.05587. 2017. DOI: 10.48550/arXiv.1706.05587.

19. Xu H., He H., Zhang Y., Ma L., Li J. A comparative study of loss functions for road segmentation in remotely sensed road datasets // International Journal of Applied Earth Observations and Geoinformation. 2023. Vol. 116. Article number 103159. DOI: 10.1016/j.jag.2022.103159.

20. Расторгуев Д.А., Севастьянов А.А. Разработка цифрового двойника процесса точения на основе машинного обучения // Вектор науки Тольяттинского государственного университета. 2021. № 1. С. 32–41. DOI: 10.18323/2073-5073-2021-1-32-41.

21. Вик К.В., Друки А.А., Григорьев Д.С., Спицын В.Г. Применение нейронных сетей глубокого обучения для решения задачи сегментации лесных пожаров на спутниковых снимках // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 55. С. 18–25. DOI: 10.17223/19988605/55/3.