《Materials》：Automatic Segmentation and Recognition of the Microstructure of High-Strength Low-Alloy Steel
编辑推荐：
金相显微组织分析对于理解钢在热处理和机械加工过程中微观组织的演变至关重要。然而，由于晶界模糊、晶粒内部灰度不均匀以及晶粒形态不规则，光学显微图像的精确分析仍然困难。为解决这些问题，本研究提出了一种基于超像素的自动金相图像处理方法——双相钢分割（Dual-Pha
金相显微组织分析对于理解钢在热处理和机械加工过程中微观组织的演变至关重要。然而，由于晶界模糊、晶粒内部灰度不均匀以及晶粒形态不规则，光学显微图像的精确分析仍然困难。为解决这些问题，本研究提出了一种基于超像素的自动金相图像处理方法——双相钢分割（Dual-Phase Steel Segmentation, DPSS），其主要贡献聚焦于显微组织分割。首先，通过边缘检测和锐化增强图像对比度和边界可见性。随后，将超像素分割与提取的边缘信息相结合，以改进边界定位并保留不规则的晶粒形态，从而从光学图像中更完整地提取晶粒或颗粒区域。该方法在Mn-Si低合金钢的光学显微图像上进行了验证，结果表明其比传统的基于ImageJ（版本：1.54f）的处理方法提供更准确、更完整的分割。基于分割区域，进一步采用轻量化神经网络进行相识别，最终分类识别准确率可达99.91%。该分类结果证明，改进的分割结果可为后续显微组织识别提供更可靠的输入。总体而言，所提出的方法为金相图像分割提供了一种有效的自动化解决方案，并支持更准确的下游相分析。
## 研究背景与问题提出
高强度低合金钢具有超高强度与塑性、优异的能量吸收能力及良好的可变形性等卓越力学性能，广泛应用于汽车车身制造以实现车辆轻量化与稳定性及乘客安全。除强度和延展性外，现代工业应用还要求深入理解低合金钢的磨损机制，其摩擦学特性和耐磨性与显微组织状态密切相关。金属及其含量可揭示强度、柔韧性、屈服应力、抗拉强度、硬度、表面粗糙度等重要力学性能信息，晶粒尺寸、晶粒形态和相分数的变化可能导致材料最终性能的显著改变。因此，晶粒尺寸估算在金属性能分析中至关重要，而金相晶粒图像的自动分割是晶粒分类的重要步骤，分割方法直接影响后续定性金相分析的最终结果。
然而，金相图像分割不仅受图像噪声和灰度变化影响，还受晶界倾角、晶内灰度不均匀性及边界析出物等冶金因素的影响，这增加了精确晶界提取的难度。现有的金相图像分割方法通常可分为基于规则的方法和基于学习的方法。基于规则的方法包括自适应阈值法、最大类间方差法（Otsu）等，这些方法在晶界清晰、晶内灰度分布相对均匀的金相图像中往往能实现良好的分割效果，但对于晶界模糊、晶内灰度分布不均匀或晶界与晶内对比度弱的情况，往往难以确定合适的阈值，影响分割结果的稳定性和准确性。基于边缘的分割方法如Han等提出的结合均值漂移和基于流的差分高斯（Flow-based Difference-of-Gaussians, FDOG）的区域聚类分割方法，在有限材料图像样本条件下实现了约87%的分割精度，但规则-based方法对图像质量和晶界清晰度高度敏感。基于学习的方法包括机器学习方法和深度学习方法，能自动学习纹理、灰度、空间和形态特征，但其应用仍受标注数据稀缺和像素级标注困难的限制，尤其对于晶界模糊、晶内灰度不均匀和晶粒形态不规则的光学金相图像，仍需一种能保留弱晶界信息同时减少过分割的分割方法。
## 研究目的、方法与结论意义
本研究提出DPSS（dual-phase-steel-segmentation）分割框架，旨在从受模糊边界、不均匀晶内灰度和不规则晶粒形态影响的光学显微图像中提取可靠的晶界和相信息。与传统ImageJ方法、形态学方法和基于边缘的方法不同，该方法引入线性谱聚类（Linear Spectral Clustering, LSC）到金相图像分割中，并结合条件区域合并策略抑制过分割并恢复更完整的晶粒区域。研究进一步评估分割区域对后续显微组织识别的实用性，为定量金相表征和后续材料性能研究提供基础。该论文发表于《Materials》。
## 主要技术方法
研究人员使用Mn-Si系双相钢样本，在两相区740 °C至900 °C不同温度退火处理后制备金相试样，经4%硝酸酒精腐蚀后在金相光学显微镜下获取图像。分割方法验证集包含两幅双相钢图像；识别方法利用40幅双相钢图像构建深度模型数据集，包含15,162个训练图像块和5,968个验证图像块。技术流程包括：自动色阶调整进行图像增强；采用基于流的差分高斯方法检测晶粒边缘；运用线性谱聚类算法进行超像素分割，其中像素由CIELAB颜色分量l、a、b和空间坐标x、y五个归一化变量表示，并映射为10维加权特征表示，通过加权K-均值近似归一化切割目标，经迭代优化直至簇中心收敛；提出ERAG（Edge-aware Region Adjacency Graph）区域合并方法，根据LAB颜色空间平均灰度差I和边缘长度S重新定义合并准则，设定灰度阈值50和边缘点阈值300进行条件区域合并；最后基于分割结果构建轻量化卷积神经网络进行相识别，该网络包含两个卷积层、两个池化层和一个全连接层。
## 研究结果
**光学图像分割结果**：实验首先在低合金钢光学显微图像上评估方法有效性。SLIC、SEEDS和LSC三种超像素算法的比较显示，LSC产生的超像素更紧密贴合晶界，实现更精确的晶粒描绘，为后续区域合并奠定基础。随后与FDOG方法、ImageJ方法和形态学方法的进一步比较表明：FDOG方法仅能提取有限的晶粒信息，大量图像信息丢失；ImageJ软件提取的晶界信息过于杂乱，且将晶内析出物误检为边缘；自适应形态学方法虽能较完整提取大部分晶粒信息，但在检测某些小晶粒时仍存在误差。而DPSS方法具有四方面优势：通过重新编程光学图像灰度分布增强整体对比度；将像素点特征从低维转换为高维以增强可区分性；检测每个超像素块的像素数和边缘点数以完成相似超像素块合并；利用超像素分割原理恢复大部分弱边缘信息。定量指标方面，该分割模型的平均精度为T
seg，在像素精度（acc）、平均交并比（mIOU）和频率加权交并比（FWIOU）上均优于对比方法。对于晶内强度不均匀、晶界模糊且微观取样较差的困难图像，该方法仍能比其余三种方法更准确地识别晶界和提取晶粒，得到与手工测量接近的晶粒度等级。
**相组织识别结果**：从40张低合金钢光学图像中共提取46,920个显微组织图像块作为识别分类模型数据集。与多个模型的比较显示，研究人员构建的模型在识别精度方面表现更优，最终分类识别准确率可达99.48%。与全连接模型相比，卷积神经网络更适合该任务，因其能更好地从分割的显微组织块中提取局部空间特征；与LeNet5相比，所提出模型结构更紧凑、层数更少、仅含一个全连接层，减少了参数量并提高了参数效率，能以更低计算成本实现高准确率。
**讨论与结论**
本研究提出的基于超像素的分割方法能够从双相钢金相图像中以更高精度和完整性提取闭合晶粒轮廓。相比传统分割方法，该方法在处理模糊晶界、复杂显微组织形态和晶内非均匀灰度变化方面具有更好的适应性，能有效减少传统方法中常见的欠分割和过分割问题，可作为常规材料图像分割方法的有效替代方案。在此基础上，结合基于深度学习的识别方法，可进一步提高马氏体和铁素体的识别准确率。由于分割结果更完整地保留了目标区域的边界信息和形态特征，为后续相分类提供了更可靠的输入，从而提高了自动显微组织识别的稳定性和准确性。基于分割和识别结果，还可进一步开展晶粒尺寸统计、显微组织成分分析以及加工参数、晶粒尺寸与显微组织演化关系研究，为双相钢的性能评价和显微组织控制提供可靠依据。
研究指出，所有实验均在标准4%硝酸酒精腐蚀条件下获得的金相图像上进行，但腐蚀程度的变化可能影响晶界清晰度、相对比度和局部纹理特征，进而影响超像素划分和后续区域合并过程。此外，该方法仍依赖预设参数，其在不同样品制备和成像条件下的鲁棒性和泛化性尚未得到充分验证。未来工作将扩展该框架至铁素体-珠光体钢、贝氏体钢、马氏体钢和多相钢等具有更复杂微观组织的其他钢种，以评估其在更广泛金相分析中的迁移性和实际应用潜力。
