Naukowcy z branży materiałów opracowali system komputerowej wizji do przewidywania trwałości stali bezpośrednio z jej mikrofotografii, eliminując potrzebę przeprowadzania czasochłonnych testów mechanicznych trwających dziesiątki do setek godzin. Podejście łączy preprocessing OpenCV (siedem etapów usuwania artefaktów), fizykę materiałów (28-wymiarowy ekstraktor cech opisujący morfologię pęknięć i strukturę ziaren) oraz sieć neuronową CNN trenowaną specjalistyczną funkcją straty GNLL do jednoczesnego przewidywania log trwałości i niepewności próbki.

Na syntetycznym benchmarku mikrofotografii ResNet-50 osiągnął R2 = 0,93, RMSE = 0,18 log-cykli i makro-F1 = 0,91, znacznie przewyższając model ze stratą MSE. Zastosowanie funkcji GNLL zmniejszyło Expected Calibration Error aż o 76 procent, co wskazuje na lepszą kalibrację prognoz. Mapy Grad-CAM potwierdzily, że sieć zwraca uwagę na metalurgicznie istotne cechy mikrostrukturalne.

Szybkość działania poniżej 65 milisekund na obraz czyni to rozwiązanie praktyczne dla przemysłowych procesów kontroli jakości. Zarówno pipeline jak i generator syntetycznych danych zostały udostępnione jako open source, chociaż walidacja opiera się całkowicie na danych syntetycznych, co stanowi ograniczenie wymagające testowania na rzeczywistych próbkach.