团队近期成果--高强度低合金钢微观组织的自动分割与识别
我们团队在 Materials（中科院三区，JCR Q2）上发表论文 “Automatic Segmentation and Recognition of the Microstructure of High-Strength Low-Alloy Steel”。该论文围绕高强低合金钢显微组织的自动分割与识别展开研究。
金相显微组织分析对于揭示钢在热处理和机械加工过程中的组织演化规律具有重要意义。然而，光学显微图像中普遍存在晶界模糊、晶粒内部灰度不均以及晶粒形貌不规则等问题，这给显微组织的精准分析带来了挑战。为了解决上述问题，本文提出了一种基于超像素的自动化金相图像处理方法——DPSS（Dual-Phase Steel Segmentation），重点实现显微组织的高质量分割与后续识别。
具体而言，DPSS首先通过边缘检测与图像锐化增强图像对比度和晶界可见性；随后，将超像素分割与提取的边缘信息相结合，以提升边界定位精度并保留不规则晶粒形貌，从而实现对光学显微图像中晶粒或颗粒区域更加完整的提取。本文在 Mn-Si 低合金钢光学显微图像上进行了验证，实验结果表明，与传统基于 ImageJ（Version 1.54f）的处理方法相比，DPSS 能够获得更加准确、完整的显微组织分割结果。在此基础上，本文进一步引入轻量化神经网络进行相组织识别，最终分类识别准确率达到 99.91%。该结果表明，改进后的分割方法能够为后续显微组织识别提供更加可靠的输入。总体而言，本文提出的方法为金相图像分割提供了一种高效、自动化的解决方案，并为下游相组织分析提供了有力支持。
论文链接：Automatic Segmentation and Recognition of the Microstructure of High-Strength Low-Alloy Steel
