业务 | 微观组织图像识别助力精准科学

微观组织图像识别简介

材料的微观结构决定了宏观性能，对微观结构进行观察、识别和量化统计有助于揭示其对宏观性能的影响机制。以铝合金为例，常见的分析对象包括第二相、晶粒尺寸、孔隙缺陷等，如图1所示。

图1 常见识别目标

目前，研究人员一般利用OM、SEM等表征设备观察材料的微观结构，并借助Image-ProPlus等软件进行标记和量化统计。然而，即使借助各类软件，手动标记的效率依然十分低下。对海量实验图像进行人工统计，会产生较大的人力成本。更为重要的是，人工标记受到操作人员主观判断的影响，统计结果的精度严重依赖于个人经验水平。

随着图像处理技术和深度学习模型的发展，用算法和工具代替人工识别，逐渐成为解决上述效率问题和标准化问题的可行技术路线。针对不同的量化识别任务，需要根据数据集的特点选用不同的方法，通常包括统计学决策方法和深度学习神经网络两种方向，如图2所示。

图2 微观实验量化分析方向

以微观结构第二相检测为例，通过结合区域自适应阈值分割方法和最大类间方差阈值分割方法，能够在较高精度下快速完成实验结果的批量统计分析。该方法可以批量化自动识别图片中的第二相目标，进行像素级别的划分，并根据距离进行第二项目标的聚类，对面积、比例、个数和中心坐标等信息进行量化统计，如图3所示。

图3 微观第二相快速识别量化

以压铸铝合金铸造缺陷检测为例，由于半监督或无监督训练的模型识别结果精度较低，本文采取有监督训练模型对孔隙缺陷进行识别和量化。基于U-net或YOLOv8等模型的识别精度可达80%以上，该方法整体流程如图4所示。其中，U-net模型由编码器单元和解码器单元组成，性能稍逊于YOLOv8模型，但在训练集样本量较小时有一定适应性；YOLOv8舍弃锚框的设计使其预测效率得到大幅提升，但是对样本标注的质量和训练集规模有更高的要求。以一种铝合金SEM图片的缺陷检测为例，不同模型的结果有所区别，如图5、图6所示。因此，对于不同的识别任务，有必要对数据进行整理、分析，从而选取合适的模型。

图4 深度学习方法快速识别量化微观缺陷流程

图5 基于U-net的快速缺陷识别结果

图6 基于YOLOv8的快速缺陷识别结果

除了上述案例，图像处理技术和深度学习模型在其它微观组织图像处理中也有较广泛的运用，例如对晶体边界的识别，对奥氏体、马氏体等微观组织的统计等。与传统人工统计方法相比，图像处理技术和深度学习模型具有人力成本低、消耗时间短和量化标准统一的优点，能够极大提高实验结果的分析效率，有助于构建微观组织特征和宏观力学性能的关系，从而缩短材料和工艺的开发周期。

如果有微观图像识别量化的需求，请联系我们，电话：13701582764。