引言
飞机结冰对飞行安全构成严重威胁。不同类型的冰层在宏观和微观层面存在显著差异，其对飞行性能的影响也大相径庭[1]。从宏观角度来看，冰的类型、孔隙率以及几何形状等特性会直接影响冰的附着强度以及清除难度[1]。在微观层面，冰层的孔隙结构则决定了冰的密度、附着强度、热导率以及抗压强度等物理性质[2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12]。此外，冰的微观结构还为更精准地描述其宏观特性提供了依据，比如对冰类型的详细分类与定义。随着宏观尺度冰检测技术的不断进步，提升对冰的结构认知能力、为智能防冰系统奠定基础，进而实现精准的防冰安全措施，关键就在于能够感知冰内部的微观孔隙结构[8], [13], [14], [15]。
近年来，冰的微观结构特征分析及3D建模方面取得了显著进展。X射线CT/微CT作为获取冰微观结构特征数据的主要手段，能够以微米级精度获取冰孔的大小、形状以及连通性信息，从而帮助构建高精度的3D模型。该方法有助于定量分析孔隙结构与宏观力学性质（如密度和弹性模量）之间的关系[2], [3], [4], [5], [11], [12], [16], [17], [18], [19], [20], [21]。然而，CT及相关设备成本高昂且效率有限，难以实现对大量冰样本的快速、无损检测以及实时监测[18], [19], [20], [22], [23], [24]。而光纤传感和超声脉冲回波技术等光学方法则被广泛用于冰的宏观结构分析，这些方法可用于实现冰类型的在线识别、厚度测量以及平均密度的反演。基于全反射和散射光调制的光纤冰传感器已能同时实现冰类型与厚度的识别[22], [25], [26]；基于光纤光栅的结冰检测方案则在早期冰层识别方面表现优异[27]。超声脉冲回波技术及其衍生的超声衰减技术则被应用于冰类型识别、实时冰层厚度测量，以及冰密度和孔隙率的精确动态反演[28], [29], [30], [31]。不过，这些方法仅适用于冰层的宏观结构分析，尚未成熟到可以用于冰微观孔隙结构的3D重建。近期的一些研究通过单相机3D表面重建技术推动了主动热成像的发展[40]，还实现了对激光扫描数据的反卷积重建[41]，并能预测三维表面温度场以评估地下缺陷[42]。另有研究利用涡流脉冲激励技术重建了自由曲面上的热分布图[43]，并通过多频激光锁相热成像技术定量估算了开口裂纹的深度[44]。
关于微观孔隙结构重建方法的研究表明，在土壤和致密储层岩心等其他多孔介质中，与传统的分割方法相比，深度学习网络能够更有效地提取复杂的孔隙骨架，进而为后续的几何建模和多物理场数值模拟提供支撑[24], [32]。此外，为了高精度地提取气泡区域，基于Mask R-CNN的实例分割方法在目标检测精度和轮廓恢复能力方面，也优于传统的机器学习及语义分割方法。因此，这类方法被视为对冰层中复杂孔隙结构进行精细分割和几何重建的有效手段[33], [34], [35]。目前已有大量研究致力于3D CT图像分割领域，现有研究表明将深度学习网络与几何建模及统计分析技术相结合，能够在保持较低硬件成本的前提下，实现高质量三维结构的重建[21], [23], [36], [37]。不过，在我们所综述的文献中，这些深度学习网络分割技术的主要应用场景仍局限于单层图像或直接的CT体数据，尚未见到基于光学断层扫描图像来实现三维孔隙结构重建的系统化研究。
目前该领域的研究存在三个明显不足：首先，CT及相关设备在实现对大量结冰样本的实时监测方面存在局限性；其次，用于分析冰层微观结构的光学检测技术仍在发展阶段；最后，现有的深度学习模型大多适用于单层气泡图像的分割，这一限制不利于对三维气泡结构的准确建模。
本文的其余部分结构如下：第2节阐述了用于分析冰层微观孔隙结构的整体框架，包括基于Mask R-CNN分割与霍夫变换的二维重建方法，以及所提出的基于偏移阈值聚类法的三维重建方法；第3节介绍了实验平台的构建、多焦点断层扫描图像的采集流程，以及实验数据集的构成；第4节通过定量指标和可视化结果，评估了深度学习模型的分割精度、霍夫变换的拟合效果，以及基于偏移阈值聚类法在3D重建任务中的适用性，同时还分析了在不同名义液水含量和喷淋时间条件下的气泡分布随深度的变化规律；第5节总结了本研究的主要发现，指出了研究的局限性，并提出了未来的研究方向。
