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

铝合金中第二相粒子是在铸造过程中产生并对材料的物理化学性能有着显著影响的显微组织。目前常用的第二相的定量表征方法存在人工工作量和消耗时间过大的问题。本文提出一种基于深度学习的大尺寸铝合金中第二相的快速提取与定量统计表征方法,通过对图像中的第二相特征的快速、智能化提取,实现多角度精细化的定量统计。研究结果显示,该方法的图像处理时间与软件批量处理时间一样为0.4s/张,但图像分割精度从42.74%提升到91.12%。从数据集制作方面,本方法用MIPAR软件结合人工微调代替传统的手工标记,大大节省了人工时间。为了满足精细化表征的要求,对11万张包括四种类型的全视场7B05铝合金扫描电镜图像进行分割提取,计算了第二相的长宽比、最短间距、面分布以及线分布等新的表征参数,其中线分布结果证明,与传统的随机选取视场的统计结果相比较,本文使用的全视场多角度的统计表征方式误差更小,特征信息更全面。定量统计结果显示,厚度为6mm的铸轧7B05-T4铝合金截面,在最近邻上下表面的位置第二相的平均面积最小,在厚度在3mm的位置存在波谷值;将截面均分为三个区域,第二相的平均面积分别为1.99μm2、1.84μm2、2.18μm2,平均长宽比分别为1.89、1.95、1.84,第二相数量分别为33574、33207、42035个。以上结果表明,基于深度学习的铝合金中第二相的快速提取与定量统计表征方法可进行多角度的分析数据与挖掘,为组织、性能研究提供依据。