用于 316L 不锈钢氢脆检测的泄漏安全机器学习：SEM 显微照片中纹理和深层特征的区域保留评估

arXiv:2609.28567v1 公告类型：新 摘要：扫描电子显微镜 (SEM) 通常用于表征结构钢中氢脆 (HE) 引起的微观结构变化。机器学习可以自动执行此表征，但通常使用图像级分割来评估模型。当多个图像来自同一样本区域时，这种分割会泄漏训练集和测试集之间的信息。在这里，我们提出了一种区域保留协议，用于对 316L 不锈钢的原样 (AR) 和充氢 (H2) SEM 显微照片进行分类，基于 14 个空间区域（8 个 AR、6 H2；31 个图像）的留一区域排除 (LORO) 交叉验证。我们比较了基于局部二值模式 (LBP)、灰度共生矩阵 (GLCM)、在 143 个未标记 SEM 图像上预训练的自监督卷积嵌入和卷积神经网络 (CNN) 构建的六种特征分类器组合。最简单的纹理方法，即带有支持向量机的 LBP（LBP+SVM），表现最好，实现了 0.79 的平衡精度、0.69 的 H2 召回率和 0.82 的 H2 精度，优于所有深度学习和组合特征模型。组级排列测试（从 3,003 个可能的区域到标签分配中采样的 500 个排列）得出 p = 0.008，表明结果不能用区域结构的偶然对齐来解释。来自在完整数据集上训练的 CNN 的 Grad-CAM 地图往往集中于局部表面和晶界特征，已知这些特征会发生氢引起的形态变化。在泄漏安全、经统计验证的协议下，即使样品很少，纹理描述符也可以从 SEM 显微照片中恢复氢充电特征，并且相同的协议可以扩展到其他合金系统中更大规模的 HE 检测研究。