1.一种基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,包括以下步骤:
a)选取标准铝合金试样进行抛光处理,获取试样表面的微米级第二相图像;
b)基于微米级第二相图像进行图像分割,筛选出特征数据集,生成特征数据库;
c)利用基于深度学习的图像分割网络u-net对特征数据库进行训练,得到u-net分割模型;
d)将未经过训练的特征数据库中的原图输入到建立的u-net分割模型中,以特征数据库中经过人工筛选的二值图像为标准对比验证u-net分割模型预测得到的二值图像的精度值,使用交并比iou作为评估指标,评估分割模型分割精度,选择最优精度对应参数建立u-net目标模型;
e)使用高通量扫描电镜对抛光后的待测铝合金表面进行显微组织连续自动采集,得到待测铝合金图像;
f)将步骤e采集得到的单张待测铝合金图像进行裁剪,将裁剪后的序列测试图像输入到步骤d建立的u-net目标模型中,分割提取待测铝合金中的第二相,得到二值图像;
g)通过连通区域算法处理步骤f中获得的二值图像,得到一个完整的数据集,数据集中包含每个第二相的尺寸、面积、位置信息;
h)结合数学统计方法对数据集进行统计分布表征,将测试图像中的位置信息还原到待测铝合金表面,获得全视场定量统计分布情况及可视化结果。
2.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤a中,选取标准铝合金试样进行抛光处理,获取试样表面的微米级第二相图像,具体包括:
打磨并抛光标准铝合金试样表面,采用机械抛光,抛光试剂采用sio2研磨膏;
采用navigator-opa高通量全自动扫描电镜,采集抛光后标准铝合金试样表面的显微组织图像,得到微米级第二相图像。
3.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤b中,基于微米级第二相图像进行图像分割,筛选出特征数据集,生成特征数据库,具体包括:
使用mipar图像处理软件对单张图像进行分割处理,所述分割处理包括中值滤波、阈值分割、形态学处理、筛除干扰四步,建立准确的分割模板;
将分割模板导入批处理区域,对数据集中的微米级第二相图像进行批量分割处理,然后进行单张人工筛选,将筛选后的特征数据集生成特征数据库。
4.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤c中,所述图像分割网络u-net,其结构左侧为下采样层,由卷积层和池化层交替组合,激活函数使用relu,通过对输入的图像进行路径收缩,从而捕捉全局内容,右侧为上采样层,由卷积层和反卷积层交替组合,训练过程中对下采样层的特征图进行路径扩张,从而精确定位图像的每个像素。
5.根据权利要求2所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤e中,采用与标准铝合金试样相同的抛光和图像采集方法,对待测铝合金进行处理。
6.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤e中,使用高通量扫描电镜对抛光后待测铝合金表面连续自动采集,任两张连续图像重叠区设置为0-10%。
7.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤h中,采用数学统计方法对第二相进行特征统计时,还引入最近邻欧式距离参数,所述最近邻欧式距离表征两相邻不溶相在空间中的最小距离。
8.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤h中,采用数学统计方法对第二相进行特征统计时,还引入长宽比参数,所述长宽比中长为费雷特直径,宽为像素面积与弗雷特直径的比值。
9.根据权利要求1所述的基于深度学习的铝合金微米级第二相定量统计表征方法,其特征在于,所述步骤e中,使用高通量扫描电镜对抛光后待测铝合金表面连续自动采集,采集图像为4096*4096像素,且相邻图像之间无重叠区域。