Lekkage-veilige machine learning voor het detecteren van waterstofbrosheid in 316L roestvrij staal: een regio-uitgesloten evaluatie van textuur- en deep features in SEM-microscopiebeelden

8. arXiv:2609.28567v1 Type aankondiging: nieuw Abstract: Rasterelektronenmicroscopie (SEM) wordt routinematig gebruikt om de microstructurele veranderingen te karakteriseren die waterstofverbrossing (HE) in constructiestaal veroorzaakt. Machine learning kan deze karakterisering automatiseren, maar modellen worden vaak geëvalueerd met behulp van opsplitsingen op beeldniveau. Wanneer meerdere beelden uit hetzelfde monstergebied komen, lekken zulke opsplitsingen informatie tussen de trainings- en testset. Hier stellen we een protocol voor met achtergehouden regio's voor het classificeren van as-r...