基于区域排除法的机器学习模型助力氢脆检测：扫描电镜图像中的纹理与深度特征分析

摘要：本研究提出了一种基于区域排除法的机器学习协议，用于检测316L不锈钢中的氢脆现象。该方法通过Leave-One-Region-Out (LORO) 交叉验证，对扫描电镜(SEM)图像中的纹理和深度特征进行分类分析。研究发现，简单的局部二值模式(LBP)结合支持向量机(SVM)的模型表现最佳，平衡准确率达到0.79，氢脆样本的召回率和精确率分别为0.69和0.82，优于所有深度学习模型和组合特征模型。该研究验证了纹理描述符在少量样本下仍能有效捕捉氢脆特征，并提出了适用于更大规模研究的统计验证协议。

---

研究背景与挑战

扫描电镜(SEM)常用于表征结构钢中由氢脆(HE)引起的微观结构变化。然而，传统的机器学习模型在评估时通常采用图像级分割，这会导致训练集和测试集之间的信息泄露。为解决这一问题，本研究提出了一种基于区域排除法的机器学习协议。

方法与模型

研究团队开发了一种基于Leave-One-Region-Out (LORO) 交叉验证的分类方法，对14个空间区域（8个AR，6个H2；31张图像）进行分类分析。比较了六种特征-分类器组合，包括局部二值模式(LBP)、灰度共生矩阵(GLCM)、在143张未标记SEM图像上预训练的自我监督卷积嵌入，以及卷积神经网络(CNN)。

主要发现

1. 最佳模型：最简单的纹理方法LBP结合支持向量机(SVM)表现最佳，平衡准确率为0.79，H2样本的召回率和精确率分别为0.69和0.82。
2. 深度学习表现：深度学习模型和组合特征模型的表现均不如LBP+SVM。
3. 统计验证：通过500次排列测试（从3003种可能的区域到标签分配中抽样），得到p值为0.008，表明结果并非偶然。
4. Grad-CAM分析：在完整数据集上训练的CNN的Grad-CAM图倾向于集中在局部表面和晶界特征上，这些区域是已知的氢诱导形态变化发生的地方。

行业影响与建议

1. 适用性：该方法不仅适用于316L不锈钢，还可用于其他合金系统的HE检测研究。
2. 数据效率：即使在样本量较少的情况下，纹理描述符也能有效捕捉氢脆特征。
3. 未来方向：建议在更大规模的研究中采用类似的统计验证协议，以确保模型的可靠性和泛化能力。

开发者建议

对于从事材料科学和机器学习交叉领域的研究人员，本研究提供了一个有效的框架来设计和评估泄漏安全的机器学习模型。建议在类似的应用场景中采用LORO交叉验证方法，并结合纹理描述符和统计验证来提高模型的鲁棒性和可靠性。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-09-26)

—— 完 ——

主题标签： #机器学习 #氢脆检测 #扫描电镜 #深度学习 #统计验证