环境：Python

项目介绍：材料的性能与材料微观结构密切相关，不少期刊/会议论文中也明确结构直接决定性能。利用深度学习方法分析材料微观结构图像，从而建立回归模型预测出材料的性能是一种非常优秀的方法，然而，当下的许多工作中仅仅做到了将在其他视觉任务上表现优异的方法直接迁移到材料图像领域，预测材料性能，如，将在coco，ImageNet表现优异的resnet，alexnet等直接迁移到材料图像上，将最终的分类网络换成输出值为1个类别（性能值）的网络，然后加以训练，用以预测材料性能。 然而，在材料类的论文中，也明确了影响材料性能的不仅仅局限于材料图像的某些具体结构，事实上，全局特征和局部特征一样非常重要，局部特征细致刻画了材料的纹理，晶界密度以及孔隙率等，而全局特征则考虑了不同特征之间的长程依赖，可以发现材料中不同位置之间的相互作用关系，综合考虑更全面的信息，建立更加完整的映射关系。本程序所构建的网络同时考虑了局部网络分支和全局网络分支，分别对材料图像的局部特征和全局特征进行提取，并提出了专门的特征融合模块，对特征进行精细化融合处理，最终准确预测性能。

预测掺杂Al2O3的四方相YSZ涂层的热导率的模型架构

项目开源网址：

https://github.com/han-yuexing/RCFNet_Conv_Resnet50_MHSA/tree/main

环境：C++、Python

软件介绍：陶瓷表面纳米结构是异常复杂多变的，根据材料组成成份的细微不同，就会使得材料图像巨大的变化。本研究平台是针对陶瓷(HfB2−B4C)各种区域分割和识别为目的而开发的软件平台，如图1所示。其中，通过找到区域边界，从而可以识别出每个区域，然后再进一步识别出每个区域中的子区域。

图1：针对陶瓷(HfB2−B4C)各种区域分割和识别为目的而开发的软件平台

软件开源网址：

https://github.com/han-yuexing/Analysis-of-SEM-image-of-ceramic-surface-based-on-clustering-method

环境：C++、Python

软件介绍：为了对 DNA机器人形态进行研究，研究人员利用原子力显微镜拍摄出机器人的AFM图像。由于AFM图像多噪声及被观察的DNA机器人大规模重叠，所以需要对DNA纳米机器人进行分类和识别。AFM图像中的DNA机器人包含三种不同的DNA形态：平行、反平行和交叉。因为它们是由DNA大分子制成的，并且是在液体中拍摄的，因此，识别任务的困难之一就是AFM图像中这些纳米机器人的形状多样且灵活。尽管纳米结构科学和技术在许多领域得到了迅速发展，但由于成本高昂，仍然难以获得足够的纳米物体样本，从而阻碍了材料领域深度学习方法的发展。基于以上情况，设计了一个基于迁移学习和卷积神经网络的DNA机器人识别软件。

AFM图像中DNA机器人的识别软件采用迁移学习技术研究AFM图像中的纳米物体，取代人工识别AFM图像，省时省力、精确度高，符合实际应用需求。软件向用户提供精度高、品质好、再现性强以及灵活性高的DNA机器人识别功能，提高科研人员对AFM图像研究的效率，降低研究成本。AFM图像中DNA机器人的识别软件，解决了AFM图像处理中的小样本问题。该软件可以应用在材料学中，对AFM图像中纳米物体的研究有着重要的推动作用。

图2：液体中微纳米物体形状分割的的结果

几乎所有的AFM图像都包含大量的噪声，主要噪声类型包括：白斑、水印、小噪声点和条纹噪声。噪声阻碍了纳米结构形状的提取，增加了处理AFM图像的复杂性，因此，首先要消除噪声。之前AFM图像预处理工作中采用3*3的邻域求平均值、再阈值判断白点。但是，处理结果不是很完善，特别是一些与真实DNA目标粘连的白点噪声无法完全去除。该软件基于LoG检测的方法，消除AFM图像中的噪声，图3为消除后的效果。AFM图像中DNA机器人的噪声去除软件，可以应用在材料学中，对AFM图像中纳米物体的研究有着重要的推动作用。

图3：去噪后的效果

软件开源网址：

https://github.com/han-yuexing/Image-Analysis-of-Atomic-Force-Microscope-on-Material-Surface-Based-on-Deep-Learning-Method

环境：matlab

软件介绍：电子背散射花样能够通过分析反映出晶体的结构和取向等信息，其准确性依赖于对花样位置和花样轴心线的确定。项目研究了一种新的处理菊池带花样的方法，能够快速准确地对图像中的菊池带及其轴线和交点进行标注。首先通过Canny算子进行边缘轮廓提取，在对其结果进一步使用Radon变换直线检测后得到每条菊池带的两条边缘并合并得其中心线。随后使用概率霍夫变换方法检测原始图像边缘线段。在对所得中心线和线段结果使用双向筛选算法进行选取配对后，使用双曲线拟合菊池带边缘。图5和图6展示了菊池带花样的直线与线段检测结果，图7展示了两条菊池带花样的配对结果。菊池带边界的最终检测结果如图8所示。

软件开源网址：

https://github.com/han-yuexing/Identification-and-search-of-Kikuchi-zone-boundary

环境：Python

软件介绍：本软件完成了基于数学形态学的片层轮廓自动提取及铺展形貌参数的计算，用最大类间方差法求取二值分割阈值，运用均值滤波和形态学操作为图片去噪，并保证单个片层的连通性。通过轮廓提取来获得片层边缘信息，最后根据所提取出的轮廓计算片层的实度参数。本软件可以精确识别出片层轮廓，且具有很强的抗噪声干扰能力，有效提升了科研人员的研究效率。

软件开源网址：

https://github.com/han-yuexing/Calculation-and-identification-of-spread-rate-of-special-area-on-coating

环境：Python

软件介绍：新材料的研发是推动材料科学发展的重要动力，而材料基因工程是一门目前材料科学领域的前沿交叉学科，能够缩短新材料的研发周期及降低时间人力成本，对材料图像微观结构分割与识别能够为材料基因工程中的数据库构建提供数据基础。本方法提出一种基于复杂纹理特征融合的材料图像分割方法，选择并改进FCN作为基础网络，实现了对各相纹理相似的材料图像精确分割。网络分为编码和解码阶段，使用VGG16(VGG block)作为骨干网络，在解码阶段，使用级联的特征融合模块融合了分别来自高层和低层的特征图的语义信息；然后将融合的特征图放入多尺度学习模块(Multi-scale block)进一步提取纹理信息；在解码阶段，对于每层恢复的特征图使用注意力机制模块(Attention block)对特征图附加权重，通道注意力机制保留重要的特征图，空间注意力机制保留重要特征图中的关键纹理信息。同时，对于材料图像中数据分布不平衡的问题，本章选择并改进Dice损失，优化分割结果。

软件开源网址：

https://github.com/han-yuexing/Segmentation-of-material-image-with-virtual-boundary-based-on-depth-learning-VGG-model

环境：Python

软件介绍：由于原子运动使得晶体结构发生变化，进而导致塑性形变。晶体材料的塑性形变与材料性能具有密切相关，研究材料形变机理对分析材料的性能以及理解形变机制具有极其重要的作用。然而，目前晶体结构识别常常面临样本数据不足的问题，且现有的一些方法并不能识别出所有的晶体结构。针对晶体结构中的小样本问题以及现存方法的不足，本研究提出了一种基于机器学习的晶体结构识别方法。

图9:本方法与CNA、A-CNA方法的可视化结果对比

软件开源网址：

https://github.com/han-yuexing/Crystal-structure-recognition-method-based-on-machine-learning

环境：Python

软件介绍：在制备材料时，一些析出的沉淀物会影响材料的性能，其中，析出物的尺寸和分布对性能有很大的影响。例如双相不锈钢，具有很好的机械性能和耐腐蚀性，这些优秀的性能归因于形成的铁氧体和奥氏体，但是在制备过程中容易产生一些次生相，如σ相。为了便于分析，可以在制备过程中采集图像进行处理。基于深度学习的良好性能以及它们在材料研究上的成功应用，本程序提供了多个分割网络，以及它们在一些数据集上训练得到的模型，帮助使用者更便捷地用深度学习算法处理材料图像。相间能量是通过奥斯特瓦尔德粗化机制，根据各个时刻沉淀物的半径计算得到。

图10:相间能量计算流程图

软件开源网址：

https://github.com/han-yuexing/Roughening-Behavior-Analysis-Procedure-for-2205-Duplex-Stainless-Steel