Accurate characterization of grain size and distribution in metallic materials is extremely important for predicting their macroscopic properties and ensuring quality in industrial applications. Traditional metallographic analysis relies on time-consuming manual methods or automated image processing techniques with limited-precision. This thesis investigates the development and application of a deep learning pipeline for the automated segmentation of grain boundaries in Light Optical Microscopy (LOM) images of electrical steels, leveraging Electron Backscatter Diffraction (EBSD) data to generate annotations for model training. To answer the central research question of whether a deep learning model trained on EBSD-LOM correlative data could replicate expert analysis, a comprehensive evaluation of leading segmentation architectures was conducted. U-Net and U-Net++ architectures with ResNet encoders were optimized and rigorously assessed not only on pixel-level accuracy but, more critically, on their ability to reproduce key microstructural statistics that are vital for materials characterization. The study successfully demonstrates that an appropriately configured deep learning model can achieve results that are in very close agreement with manual annotations. The optimal model proved highly effective, accurately replicating grain count, size distributions, and standard industrial metrics like the ASTM Grain Size number. A subsequent investigation into post-processing with Generative Adversarial Networks (GANs) for post- processing indicated limited utility for global enhancement of already high- quality segmentations, unless the process was performed locally under user- supervision. This thesis validates that appropriately configured and optimized deep learning models, trained with EBSD-derived annotations, can provide a robust and accurate automated solution for quantitative microstructural analysis.

Noggrann karakterisering av kornstorlek och fördelning i metalliska material är av yttersta vikt för att förutsäga deras makroskopiska egenskaper och säkerställa kvalitet i industriella tillämpningar. Traditionell metallografisk analys förlitar sig på tidskrävande manuella metoder eller automatiserade bildbehandlingstekniker med begränsad precision. Detta examensarbete undersöker utvecklingen och tillämpningen av en djupinlärningspipeline för automatiserad segmentering av korngränser i ljusoptiska mikroskopibilder (LOM) av elektrotekniska stål, genom att utnyttja data från elektrondiffraktion med tillbakaspridda elektroner (EBSD) för att generera annoteringar för modellträning. För att besvara den centrala forskningsfrågan om en djupinlärningsmodell tränad på korrelerad EBSD-LOM-data kunde efterlikna expertanalys, ge- nomfördes en omfattande utvärdering av ledande segmenteringsarkitekturer. U-Net- och U-Net++-arkitekturer med ResNet-enkodrar optimerades och utvärderades noggrant, inte bara med avseende på noggrannhet på pixelnivå, utan än mer kritiskt, på deras förmåga att återskapa de nyckeltal för mikrostruktur som är avgörande för materialkarakterisering. Studien visar framgångsrikt att en korrekt konfigurerad djupinlärnings- modell kan uppnå resultat som ligger i mycket nära överensstämmelse med manuella annoteringar. Den optimala modellen visade sig vara mycket effektiv och replikerade noggrant kornantal, storleksfördelningar och industriella stan- dardmått som ASTM-kornstorleksnumret. En efterföljande undersökning av efterbearbetning med Generative Adversarial Networks (GANs) indikerade en begränsad nytta för global förbättring av redan högkvalitativa segmenteringar, såvida inte processen utfördes lokalt under användarövervakning. Detta examensarbete validerar att korrekt konfigurerade och optimera- de djupinlärningsmodeller, tränade med EBSD-härledda annoteringar, kan erbjuda en robust och noggrann automatiserad lösning för kvantitativ mikrostrukturanalys.