доктор технических наук;
doctor of technical sciences;
кандидат биологических наук;
candidate of sciences in biology;
доктор психологических наук;
doctor of psychological sciences;
Выполнена систематизация алгоритмических решений для автоматизированного анализа металлографических изображений по патентной документации 2018-2026 гг. Целью обзора является актуализация сведений о зарубежных патентах в сфере количественного анализа процессов автоматизации компьютерного распознавания металлографических изображений. Рассмотрены: методы фазовой сегментации и выделения границ зерен, включающие детерминированные контуры цифровой обработки и модификации функций потерь для подавления топологически критических ошибок; подходы к увеличению обучающих наборов путем генерации синтетических изображений на базе генеративно-состязательных сетей (GAN) с последующей классификацией структур методом опорных векторов; полно-полевые методы регистрации и сшивки массивов микроснимков, включая энтропийно-информационный критерий взаимной информации (энтропии/совместные энтропии) и глобальную оптимизацию позиций FoV-тайлов для stitching/stacking в многократных циклах сканирования (в сопоставлении с conventional ASHLAR: E_NCC + minimum spanning tree); а также контуры контроля качества данных (метрика качества/порог, пересканирование), агрегации и фильтрации/отбраковки кадров по метрикам качества и иерархические схемы сканирования overview→target region; статистическую постобработку результатов детектирования неметаллических включений с применением аппарата статистики экстремальных значений и обобщенного распределения Парето. Показано, что ключевые направления патентного анализа связаны с повышением воспроизводимости количественных оценок за счет формализации топологии сегментации, полно-полевой репрезентативности и хвостовых характеристик распределений дефектов.
The article presents a systematization of algorithmic solutions for automated analysis of metallographic images based on patent documentation from 2018 to 2026. The aim is to update information on foreign patents in the field of quantitative analysis of automated computer recognition processes for metallographic images. The paper considers the following: phase-segmentation and grain-boundary detection methods that employ deterministic digital-processing contours and modified loss functions to suppress topologically critical errors; approaches to augmenting training datasets via synthetic image generation using generative adversarial networks (GANs), followed by structure classification with support vector machines; and full-field methods for acquiring and stitching arrays of micrographs, including an entropy–information mutual-information criterion (entropy/joint entropy) and global optimization of FoV tile positions for stitching/stacking over multiple scanning cycles (in comparison with the conventional ASHLAR workflow E_NCC + minimum spanning tree). as well as data quality control loops (quality metric/threshold, rescanning), aggregation and filtering/rejection of frames based on quality metrics and hierarchical scanning schemes overview→target region, statistical post-processing of non-metallic inclusion detection results using extreme value statistics and the generalized Pareto distribution. It is shown that the key areas of patent analysis are associated with increasing the reproducibility of quantitative assessments due to formalizing segmentation topology, full-field representativeness and tail characteristics of defect distributions.