基于深度学习算法的大尺寸铝合金中第二相的识别提取与定量统计分析

作者:万卫浩; 孙丹丹; 李冬玲; 赵雷; 沈学静; 王海舟; 韩冰
更新时间:

铝合金中的第二相颗粒是在铸造过程中产生的,对材料的物理和化学性能有重大影响。目前,第二阶段常用的定量表征方法存在人工工作量大、消耗时间长的问题。本研究提出了一种基于深度学习的大规模铝合金中第二相的快速提取和定量统计表征方法。通过对图像第二相位特征的快速智能提取,实现了多角度细化的定量统计。结果表明,该方法的图像处理时间与软件批处理相同,为0.4s/张,但图像分割精度从42.74%提高到91.12%。在数据集制作方面,该方法采用MIPAR软件与人工微调相结合,取代了传统的人工打标,大大节省了人工时间。为了满足精细表征的要求,对包括四种类型的3万张7B05铝合金全场扫描电镜图像进行了分割和提取,并计算了新的表征参数,如长宽比、最短间距、表面分布和第二相线分布。线分布结果表明,与传统的随机选择视场统计结果相比,本研究采用的全视场多角度统计表示的误差更小,特征信息更全面。定量统计结果表明,铸轧7B05-T4铝合金截面最近的上下表面第二相的平均面积最小,厚度为6mm,mm位置有一个谷值,厚度为3。该路段分为三个区域,第二阶段的平均面积分别为1.98、2.17和1.83m2,长宽比的平均面积分别为1.89、1.94和1.84,第二阶段的数量分别为33574、33207和42035。以上结果表明,基于深度学习的铝合金第二相快速提取和定量统计表征方法可以进行多角度分析和数据挖掘,为组织性能研究提供了基础。