しかしながら、材料組織の教師画像に基づき作成された機械学習モデルは、高い精度で材料組織の相を抽出できるが、教師画像と測定条件の異なる画像に対しては適切な材料組織の相の抽出を行えない場合が多い。これは教師画像で示された材料組織の相と測定条件の異なる材料組織の相を異なる相と識別するためである。熟練の技術者であれば、このような測定条件の変化に対しても材料組織の相を識別し、抽出を行うことができる。これは熟練の技術者が分析装置及び材料に関する知識、他の分析装置で得られた材料組織の画像などに基づき総合的に材料組織の相を識別するためである。このような多角的な情報に基づき、材料組織の相を識別し、抽出できれば、コンピュータによる材料組織の相の抽出精度が向上すると考えられる。

本開示者らは、課題を解決する方途について鋭意検討した。その結果、本開示者らは、材料組織の相に関し、熱力学計算又は数値解析により算出した相の分率、相に含まれる成分の濃度、例えばＸＲＤ（Ｘ－ｒａｙ Ｄｉｆｆｒａｃｔｉｏｎ）、ＥＰＭＡ（Ｅｌｅｃｔｒｏｎ Ｐｒｏｂｅ Ｍｉｃｒｏ Ａｎａｌｙｚｅｒ）などの分析装置で測定又は解析して得られた情報を事前情報として用いることによって、材料組織の相・・・　続きを知財ポータルサイト IP Force にログインして見る