Dislocation Extraction Pipeline

Le problème

Les chercheurs en matériaux étudient les dislocations, défauts linéaires du cristal, dans des films de microscopie électronique d'aluminium en déformation. La mesure de leur densité et de leur courbure se faisait à la main sur quelques vues choisies, alors que chaque film en compte des milliers. Les lignes couvrent environ 3 % des pixels, deux tiers du corpus n'étaient pas annotés, et le score de segmentation habituel récompensait des masques visuellement corrects mais qui cassaient les lignes.

Ce que j'ai construit

1. 1

   Construit un outil d'annotation humain-dans-la-boucle (FastAPI et React) avec tracé magnétique, puis fait passer la base de 318 à 890 paires image-masque sous une convention de trait unique.

2. 2

   Remplacé le recouvrement de pixels par des métriques topologiques, chacune vérifiée sur des cas d'échec construits à la main, et durci le protocole d'entraînement pour réduire la dispersion entre exécutions d'un facteur 20 à 40.

3. 3

   Mené un benchmark contrôlé de 4 architectures de segmentation, l'architecture étant la seule variable ; MA-Net arrive en tête sur toutes les métriques.

4. 4

   Écrit une bibliothèque de séparation d'instances sur CPU (algorithme hongrois, programmation linéaire en nombres entiers, splines de lissage) avec 387 tests et 94 % de couverture.

5. 5

   Assemblé la chaîne complète en application de bureau avec manifestes SHA-256, exports porteurs de leur provenance et 130 tests automatisés.

Résultats

• Un simple filtre de composantes connexes a supprimé 75 % de la fragmentation des lignes, un gain supérieur à toute la recherche d'architecture.

• 17 144 dislocations extraites sur le corpus à 0,59 s médiane par image, transformant une tâche manuelle en mesure reproductible de densité et de courbure.

• Détecté deux défauts silencieux qui avaient faussé une période complète d'entraînements, dont un argument de bibliothèque ignoré sans erreur qui injectait un bruit quinze fois trop fort.