基于机器学习的铁素体-珠光体钢与球墨铸铁多相显微组织自动表征与晶粒尺寸测量研究

针对传统金相分析耗时、主观性强的问题，研究者开发了集成FFT滤波、Otsu阈值分割与双掩模分水岭算法的自动化流程，结合随机森林分类器（准确率96.96%），实现了铁素体(α-Fe)、珠光体和石墨球的多相同步识别与尺寸测量，为工业质量控制提供高效客观的解决方案。

　　

在材料科学与工程领域，铁素体-珠光体钢和球墨铸铁因其优异的力学性能和成本效益被广泛应用于汽车和建筑行业。然而，这些材料的性能高度依赖于其显微组织特征——包括铁素体(α-Fe)晶粒尺寸、珠光体分布以及石墨球的形态参数。传统的手动金相分析方法不仅耗时费力，还因操作者主观判断导致结果波动，难以满足现代工业对高效、标准化质量控制的需求。更棘手的是，现有自动化技术多局限于单一相分析，缺乏能同步处理多相复杂组织的集成方案。

针对这一技术瓶颈，哥伦比亚国立大学波哥大校区工程学院（Universidad Nacional de Colombia – Sede Bogotá – Facultad de Ingeniería）的研究团队在《Next Research》发表了一项突破性研究。他们创新性地将数字图像处理与机器学习相结合，开发出首个能同时完成铁素体、珠光体和石墨球自动识别与测量的全流程分析方法。这项技术不仅将分析效率提升数十倍，更以96.96%的分类准确率刷新了多相材料表征的精度标准。

研究团队采用三步走的技术路线：首先通过FFT（快速傅里叶变换）滤波消除抛光划痕等周期性噪声，结合min-max归一化处理解决光照不均问题；随后创新性地组合Otsu阈值分割与双掩模分水岭算法，有效分离相互接触的晶粒和石墨球；最后提取形态学、强度和几何特征，训练包括随机森林(Random Forest)、支持向量机(SVM)等在内的多种分类器。特别值得注意的是，验证集图像刻意采用与训练集不同的蚀刻和成像条件，以严格测试模型的泛化能力。

模型选择
随机森林以绝对优势胜出，对铁素体的识别达到完美水平（精确度/召回率均为1.00），珠光体和石墨球的识别率也分别高达0.92/0.97和0.98/0.95。这得益于该算法能有效整合多维度特征，特别是对珠光体层片间距和石墨球圆度等关键参数的捕捉。

测量验证
通过与传统手动测量结果对比，自动方法获得的晶粒尺寸数据误差小于5%，且能检测出手动方法易忽略的亚微米级组织差异。对球墨铸铁的分析更首次实现单个图像中同时量化石墨球尺寸分布和基体相比例。

工业适用性
研究团队专门测试了不同蚀刻程度（浅蚀刻至过度蚀刻）的样本，证实该方法在宽泛的实验条件下均保持稳定输出。这对实际生产中难以标准化的样品制备环节具有重大实用价值。

这项研究的突破性意义在于三方面：技术上，首次建立覆盖多相材料的端到端分析流程；方法学上，证实传统图像处理与机器学习融合策略在材料科学的普适性；应用层面，为智能制造提供可嵌入生产线的实时质量监控工具。研究团队在讨论部分特别指出，当前特征工程体系已预留接口，未来可扩展至贝氏体、马氏体等更复杂组织的分析。随着工业4.0时代的到来，这种将材料学家经验编码为算法的研究范式，或将成为连接基础研究与产业应用的关键纽带。