区域留出协议下，LBP+SVM 以 0.79 平衡准确率从 316L 不锈钢 SEM 图像中识别氢充注特征
核心概要
该工作针对 316L 不锈钢的 SEM 显微图像，提出以 14 个空间区域（8 个 AR、6 个 H2，共 31 张图像）为基础的 Leave-One-Region-Out 区域留出交叉验证协议，比较了 LBP、GLCM、自监督卷积嵌入与 CNN 等六种特征-分类器组合，结果最简单的 LBP+SVM 表现最好，平衡准确率 0.79、H2 召回率 0.69、H2 精确率 0.82，优于所有深度学习与组合特征模型；区域级置换检验（500 次置换，取自 3,003 种区域-标签分配）得 p = 0.008，CNN 的 Grad-CAM 图倾向于集中在局部表面与晶界特征上。
Figure 1: Pooled confusion matrix for the LBP+SVM model under Leave-One-Region-Out cross-validation, aggregated across all 14 folds (31 images in total: 18 AR, 13 H 2 ). Diagonal cells are correct classifications; off-diagonal cells are misclassifications. The model reaches a specificity of 0.89 for AR and a recall of 0.69 for H 2 , with 4 false negatives (H 2 classified as AR) and 2 false positives (AR classified as H 2 ).
arXiv深度剖析
提出并验证了面向 SEM 显微图像的区域留出（Leave-One-Region-Out）评估协议，用于区分 316L 不锈钢的 as-received（AR）与氢充注（H2）状态。 以往此类表征的机器学习模型常采用图像级划分，当同一试样区域产生多张图像时会在训练集与测试集之间泄漏信息；该工作改为按 14 个空间区域（8 AR、6 H2，31 张图像）留出，使评估单元与试样区域对齐。 协议在 14 个区域、31 张图像上执行 LORO 交叉验证，并配合区域级置换检验（500 次置换，取自 3,003 种可能的区域-标签分配，p = 0.008），说明结果不能由区域结构的偶然对齐解释。
在六种特征-分类器组合中，最简单的纹理方法 LBP+SVM 取得最佳性能，平衡准确率 0.79、H2 召回率 0.69、H2 精确率 0.82。 该结果优于所有基于自监督卷积嵌入、GLCM 以及组合特征的深度学习模型，表明在样本量有限时，手工纹理描述子仍可恢复氢充注信号。 比较覆盖 LBP、GLCM、在 143 张无标签 SEM 图像上预训练的自监督卷积嵌入以及 CNN 等六种组合，并在同一区域留出协议下评估。
CNN 的 Grad-CAM 图倾向于集中在局部表面与晶界特征上。 这为模型关注区域与已知发生氢致形貌变化的部位之间提供了定性对应，补充了以整体分类指标为主的评估。 Grad-CAM 图来自在完整数据集上训练的 CNN，属于定性可视化证据，而非独立的定量验证。
启示与展望
该协议面向以 SEM 显微图像区分 AR 与 H2 状态的场景，适用于同一试样区域产生多张图像、需要按区域留出的实验设置；作者明确表示同一协议可扩展到其他合金体系的更大规模氢脆检测研究。对希望复现或采用该评估流程的研究者，其价值在于把评估单元与试样区域对齐，并在小样本条件下给出可检验的统计结论。
当前证据基于 14 个区域、31 张图像的小样本，LBP+SVM 的 H2 召回率 0.69 意味着仍有漏检空间；Grad-CAM 的观察来自在完整数据集上训练的 CNN，属于定性可视化，未与留出协议下的定量结果直接对应。所加载文本为摘要级内容，未包含图像、表格与超参数细节，因此特征设置、预处理与阈值选择等具体做法仍需查阅原文确认。