团队近期成果--利用深度学习预测掺杂 Al2O3 的四方 YSZ 涂层的导热率

我们团队在国际期刊《Journal of the European Ceramic Society》(IF:5.7，中科院一区)上发表论文”Thermal Conductivity Prediction of Al2O3-Doped Tetragonal YSZ Coatings Using Deep Learning”。该论文上海大学计算机工程与科学学院为第一单位，陈侨川为第一作者，韩思凡为第二作者，宋雪梅为第三作者，韩越兴和曾毅为共同通讯作者。

基于深度学习预测材料图像性能面临着数据稀缺和无法同时提取材料图像的局部特征和全局特征以及发现特征之间的关联性等问题。在材料领域中，由于制造成本、商业保护等因素导致无法像获取自然场景图像一样批量获取数据，这使得因数据量不足难以将深度学习模型直接应用于材料领域。另一方面，与自然场景图像不同，材料图像由于自身特性，往往具有非常精细且复杂的纹理结构，而且宏观性能不仅仅受到局部微观结构的影响，特征与特征之间的关联，结构之间的相互作用即全局特征一样非常重要。现有的大多数深度学习方法往往直接将在自然场景图像上表现优异的CNN模型应用于材料领域，没有做有针对性的优化，而CNN由于固定的卷积核尺寸，导致感受野受限，往往只能提取到图像的局部特征，忽略了全局特征。因此，算法因为数据量稀缺训练不足和无法同时提取局部和全局特征而导致预测精度不够和鲁棒性差的问题。为了解决这些问题，本文提出了一种双结构特征提取与多尺度注意力融合网络（RCFNet）。该模型采用了全局特征提取模块和局部特征提取模块双分支结构，独立地提取材料图像的全局特征和局部特征，不破坏各自特征的原始建模。通过提出的多尺度注意力融合模块（Merge）对每个尺度下提取到的全局特征和局部特征进行融合，且融合模块对上一个融合结果的信息进行积累。最终的融合特征送入FCNN进行处理并得出预测结果。下图是多尺度注意力融合模块结构示意图。

对于每个尺度下的全局特征和局部特征，首先采用SCSE注意力机制，同时激发通道和空间两个维度上的重要信息，以突出最关键的特征并分配显著权重。接着，带有全局语义的全局特征通过通道注意力机制进一步处理，而带有局部语义信息的局部特征则通过空间注意力机制进一步处理。随后进行高维空间映射和非线性变换，得出当前阶段的融合结果。所提出的方法兼顾了材料图像的局部和全局特征提取，其中Merge模块对特征进行了多级融合，多注意力持续聚焦关键特征，抑制噪声信息，减少信息损失，并降低模型对大量训练数据的依赖。在样本稀缺的材料图像领域中，也获得了非常可观的预测结果。

论文链接：Thermal Conductivity Prediction of Al2O3-Doped Tetragonal YSZ Coatings Using Deep Learning

我们的代码和论文都公布在github：https://github.com/han-yuexing/RCFNet_Conv_Resnet50_MHSA/tree/main