arXiv:2511.11485v1 Announce Type: new 
Abstract: Understanding reactor-pressure-vessel steel microstructure is crucial for predicting mechanical properties, as carbide precipitates both strengthen the alloy and can initiate cracks. In scanning electron microscopy images, gray-value overlap between carbides and matrix makes simple thresholding ineffective. We present a data-efficient segmentation pipeline using a lightweight U-Net (30.7~M parameters) trained on just \textbf{10 annotated scanning electron microscopy images}. Despite limited data, our model achieves a \textbf{Dice-S{\o}rensen coefficient of 0.98}, significantly outperforming the state-of-the-art in the field of metallurgy (classical image analysis: 0.85), while reducing annotation effort by one order of magnitude compared to the state-of-the-art data efficient segmentation model. This approach enables rapid, automated carbide quantification for alloy design and generalizes to other steel types, demonstrating the potential of data-efficient deep learning in reactor-pressure-vessel steel analysis.

تم تطوير خط أنابيب جديد للتجزئة باستخدام نموذج U-Net خفيف الوزن لتحليل الميكروهياكل الكربيد في صور المجهر الإلكتروني الماسح (SEM) للفولاذ المستخدم في المفاعلات. تم تدريب هذا النموذج على 10 صور SEM مشروحة فقط، ويحقق معامل Dice-Sørensen قدره 0.98، متجاوزًا بشكل كبير الطرق التقليدية التي تحقق معامل 0.85. لا يقلل هذا النهج من جهد التوضيح بمقدار مرتبة واحدة فحسب، بل يتعمم أيضًا على أنواع الفولاذ الأخرى، مما يحسن الكمية الآلية للكربيد لتصميم السبائك.

Se ha desarrollado un nuevo pipeline de segmentación utilizando un modelo U-Net ligero para analizar microestructuras de carburo en imágenes de microscopía electrónica de barrido (SEM) de acero para reactores. Este modelo, entrenado con solo 10 imágenes SEM anotadas, logra un coeficiente de Dice-Sørensen de 0.98, superando significativamente los métodos tradicionales que alcanzan un coeficiente de 0.85. Este enfoque no solo reduce el esfuerzo de anotación en un orden de magnitud, sino que también se generaliza a otros tipos de acero, mejorando la cuantificación automatizada de carburo para el …

Un nouveau pipeline de segmentation utilisant un modèle U-Net léger a été développé pour analyser les microstructures de carbure dans les images de microscopie électronique à balayage (SEM) de l'acier utilisé dans les réacteurs. Ce modèle, entraîné sur seulement 10 images SEM annotées, atteint un coefficient de Dice-Sørensen de 0,98, surpassant de manière significative les méthodes traditionnelles qui donnent un coefficient de 0,85. Cette approche réduit également les efforts d'annotation d'un ordre de grandeur et se généralise à d'autres types d'acier, améliorant la quantification automatisée…

A new segmentation pipeline utilizing a lightweight U-Net model has been developed for analyzing carbide microstructures in scanning electron microscopy (SEM) images of reactor-pressure-vessel steel. This model, trained on only 10 annotated SEM images, achieves a Dice-Sørensen coefficient of 0.98, significantly surpassing traditional methods that yield a coefficient of 0.85. The approach not only reduces annotation efforts by an order of magnitude but also generalizes to other steel types, enhancing automated carbide quantification for alloy design.

Data-efficient U-Net for Segmentation of Carbide Microstructures in SEM Images of Steel Alloys

Was this article worth reading? Share it

Ready to build your own newsroom?