プロジェクト紹介：材料の性能は材料の微細構造と密接に関連しており、多くのジャーナル/会議論文でも構造が性能を直接決定することが明確に示されています。深層学習手法を用いて材料の微細構造画像を分析し、材料性能を予測する回帰モデルを構築することは非常に優れた方法です。しかし、現在の多くの研究では、他の視覚タスクで優れた性能を示す手法を材料画像領域に直接移行して材料性能を予測するだけにとどまっています。例えば、COCO、ImageNetで優れた性能を示すResNet、AlexNetなどを材料画像に直接移行し、最終的な分類ネットワークを1つのカテゴリ（性能値）を出力するネットワークに置き換え、トレーニングして材料性能を予測するといった方法です。しかし、材料科学の論文でも、材料性能に影響を与えるのは材料画像の特定の構造だけに限らないことが明確にされています。実際、グローバル特徴はローカル特徴と同様に非常に重要です。ローカル特徴は材料のテクスチャ、結晶粒界密度、気孔率などを詳細に特徴づけますが、グローバル特徴は異なる特徴間の長距離依存性を考慮し、材料内の異なる位置間の相互作用関係を発見でき、より包括的な情報を考慮してより完全なマッピング関係を確立します。このプログラムで構築されたネットワークは、ローカルネットワーク分岐とグローバルネットワーク分岐の両方を考慮し、材料画像のローカル特徴とグローバル特徴をそれぞれ抽出し、特徴を精密に融合処理するための専門的な特徴融合モジュールを提案しており、最終的に性能を正確に予測します。

ソフトウェア紹介：セラミック表面のナノ構造は非常に複雑で変化に富んでおり、材料組成のわずかな違いによって、材料画像に大きな変化が生じます。この研究プラットフォームは、セラミック（HfB2−B4C）のさまざまな領域の分割と識別を目的として開発されました（図1参照）。領域の境界を見つけることで各領域を識別し、さらに各領域内のサブ領域を識別することができます。

ソフトウェア紹介：DNAロボットの形態研究のため、研究者は原子間力顕微鏡を使用してロボットのAFM画像を撮影しています。AFM画像のノイズが多く、観察されるDNAロボットが大規模に重なっているため、DNAナノロボットの分類と識別が必要です。AFM画像のDNAロボットには、平行、反平行、交差の3つの異なるDNA形態が含まれています。これらはDNA大分子で作られ、液体中で撮影されているため、認識タスクの難しさの一つは、AFM画像中のこれらのナノロボットの形状が多様で柔軟であることです。ナノ構造科学技術は多くの分野で急速に発展していますが、コストが高いため、十分なナノ物体サンプルを得ることは依然として困難であり、これが材料分野における深層学習手法の発展を妨げています。これらの状況に基づき、転移学習と畳み込みニューラルネットワークに基づくDNAロボット認識ソフトウェアが設計されました。

ソフトウェア紹介：電子後方散乱パターンは分析を通じて結晶の構造や方位などの情報を反映でき、その精度はパターン位置とパターン軸線の決定に依存します。本プロジェクトでは、菊池帯パターンを処理する新しい方法を研究し、画像中の菊池帯およびその軸線と交点を迅速かつ正確に標識することができます。まずCannyオペレータで輪郭エッジを抽出し、その結果にさらにRadon変換直線検出を使用して各菊池帯の2つのエッジを取得し、それらを合併して中心線を得ます。その後、確率的ハフ変換法を使用して元の画像のエッジラインセグメントを検出します。得られた中心線とラインセグメントの結果に対して双方向フィルタリングアルゴリズムを使用して選択とペアリングを行った後、双曲線を使用して菊池帯のエッジをフィッティングします。図5と図6は菊池帯パターンのラインとラインセグメント検出結果を示し、図7は2つの菊池帯パターンのペアリング結果を示しています。菊池帯境界の最終検出結果は図8に示されています。

ソフトウェア紹介：このソフトウェアは、数理形態学に基づくラメラ輪郭の自動抽出および拡散形態パラメータの計算を実現しています。二値分割閾値を求めるために最大クラス間分散法を使用し、平均フィルタリングと形態学的操作を画像のノイズ除去に適用し、個々のラメラの連結性を確保しています。輪郭抽出によってラメラのエッジ情報を取得し、最後に抽出された輪郭に基づいてラメラの充実度パラメータを計算します。このソフトウェアはラメラ輪郭を正確に識別でき、ノイズ干渉に対する強い耐性を持ち、研究者の研究効率を効果的に向上させます。

ソフトウェア紹介：新材料の開発は材料科学の発展を推進する重要な原動力であり、材料ゲノム工学は現在、材料科学分野の最先端の学際的分野で、新材料の研究開発サイクルを短縮し、時間と人的コストを削減できます。材料画像の微細構造の分割と認識は、材料ゲノム工学におけるデータベース構築のためのデータ基盤を提供できます。本手法は複雑なテクスチャ特徴融合に基づく材料画像分割手法を提案し、FCNを基礎ネットワークとして選択・改良し、各相のテクスチャが類似する材料画像の精密分割を実現しています。ネットワークはエンコーディングとデコーディングの段階に分かれ、VGG16（VGGブロック）をバックボーンネットワークとして使用し、デコーディング段階では、カスケード接続された特徴融合モジュールを使用して高層と低層からの特徴マップのセマンティック情報を融合します。次に、融合された特徴マップをマルチスケール学習モジュール（Multi-scale block）に入力し、テクスチャ情報をさらに抽出します。デコーディング段階では、各層の復元された特徴マップに対して注意機構モジュール（Attention block）を使用して特徴マップに重みを付加し、チャネル注意機構は重要な特徴マップを保持し、空間注意機構は重要な特徴マップ内の重要なテクスチャ情報を保持します。また、材料画像におけるデータ分布の不均衡問題に対して、本章ではDice損失を選択・改良し、分割結果を最適化しています。

ソフトウェア紹介：原子の運動により結晶構造が変化し、それにより塑性変形が生じます。結晶材料の塑性変形と材料性能は密接に関連しており、材料の変形メカニズムの研究は材料性能の分析や変形メカニズムの理解に非常に重要な役割を果たします。しかし、現在の結晶構造認識はしばしばサンプルデータ不足の問題に直面しており、既存の一部の手法ではすべての結晶構造を識別できません。結晶構造における少数サンプル問題と既存手法の不足に対して、本研究では機械学習に基づく結晶構造認識手法を提案しています。

ソフトウェア紹介：材料を調製する際、析出した沈殿物が材料の性能に影響を与えることがあり、沈殿物のサイズと分布が性能に大きな影響を与えます。例えば、二相ステンレス鋼は優れた機械的特性と耐食性を持ち、これらの優れた特性はフェライトとオーステナイトの形成に起因していますが、製造プロセス中にσ相などの二次相が発生しやすくなります。分析を容易にするため、製造プロセス中に画像を収集して処理することができます。深層学習の良好な性能と材料研究におけるその成功的な応用に基づいて、このプログラムは複数の分割ネットワークと一部のデータセットで訓練されたモデルを提供し、ユーザーが深層学習アルゴリズムで材料画像をより便利に処理できるようにしています。相間エネルギーは、オストワルド熟成メカニズムに基づいて、各時点での沈殿物の半径から計算されます。