通过基于深度学习和像素分割方法的微结构分类模型，成功实现了对于低碳钢微观组织多个组分类型的快速、精确分类，准确率达到了 93.94%，比现有技术提升明显，为钢质检测等领域提供了更加客观、准确的检测方法。

Jun, 2017

通过深度学习技术对扫描电子显微镜图像进行分割，实现了对较强度的低贝氏体和回火马氏体钢中碳化物析出的定量分析。

Dec, 2023

本文利用卷积神经网络技术进行微观组织中晶界的检测，结合不同仪器下的多模式显微镜技术生成像素级标签，提高了检测精度，并且通过引入拓扑信息，得到了更好的分割性能和晶粒形貌分布预测。

May, 2023

通过纳米压痕研究了 Cu-Cr 复合材料，使用无监督学习的高斯混合模型分析大量数据集，确定了多个机械相和相应的机械性能，并引入交叉验证方法来解决在材料科学机器学习中常遇到的数据数量和可靠预测问题。

Sep, 2023

本文使用卷积神经网络（CNN）对真实数据和合成数据组合进行了训练，提高了晶界分割的准确性，为粉末冶金过程中的晶界分析提供了新的方法。

Jul, 2023

探索计算实验在优化材料结构以获得期望性能方面的应用，并利用多尺度方法研究处理 - 微观结构 - 材料性能的相互作用，开发基于神经网络的方法来减轻预测微观结构演变的计算负担，同时实现更快速且更优的材料优化。

Apr, 2023

通过对断裂表面进行深度学习模型的半监督训练，实现了对材料的断裂表面分割，研究了结构相似性的影响，并且在断裂力学评估中取得了显著的成功。

Mar, 2024

本研究提出了用于分割位错的合成训练数据的参数模型，并开发了一种优化分割重叠或相交位错线的深度学习方法，该方法在多种微结构和成像条件下都表现出高效性和优越性。

Jul, 2023

通过利用机器学习分析材料微结构的图像，我们引入了一种名为 FAGC（Feature Augmentation on Geodesic Curves）的方法，用于预测基于微结构的材料的力学和电子性质，从而提供了一种理解和预测材料性能的新途径。这种生成性的 FAGC 方法能够有效扩展由于材料图像标记的数量有限而导致的相对较小的训练数据集，并在 Cu-Cr-Zr 合金中展示了显著的结果，显著提高了预测电导率和硬度的准确性（R 方分别为 0.978 和 0.998），这突显了 FAGC 在解决材料科学中图像数据有限挑战方面的潜力，并为建立复杂微结构和材料性质之间的详细和定量关系提供了一个有力工具。

Apr, 2024

该研究提出了一种集成多尺度特性和生成对抗网络的创新生成模型，用于重建三维微结构，提高模型的准确性，并通过结合图像正则化损失和 Wasserstein 距离损失进一步改进模型，实现了生成的三维结构与真实样本的高相似性和统计数据一致性。

Feb, 2024