QPoroLyser：一种用于微观结构孔隙率定量分析和指纹生成的便捷自动化工具

《Materials Characterization》：QPoroLyser: An accessible automated tool for quantitative analysis and fingerprint generation of porosity in microstructures

　　

• •
  介绍 QPoroLyser，一种易于使用的端到端工具，用于从显微照片中自动化定量孔隙率分析。
• •
  检测并计数孔隙，并在三个形状定义类别中量化孔隙面积：球形、不规则 和 网状。
• •
  生成孔隙率 指纹，报告在 孔隙计数 和 孔隙面积 空间中按类别解析的分布。
• •
  展示了烧结 CP-Ti 中对加工敏感的孔隙演化，包括随着温度升高网状孔隙的优先减少以及随着保温时间延长由合并驱动的球形孔隙转变。
• •
  发布了一个包含超过 370,000 个单独裁剪孔隙实例的开放数据库，以支持未来的深度学习调查和基准测试。
• •
  将整个工作流程部署为 Hugging Face Spaces 上的免费基于浏览器的 Web 应用程序，无需安装、GPU 硬件或编程专业知识。

引言

孔隙率是一种普遍存在的微观结构特征，显著影响粉末冶金组件的功能和结构性能。在烧结金属中，孔隙减少了有效承载横截面并降低了抗拉强度、疲劳抗性、硬度和延展性 [1], [2], [3]。其体积分数、尺寸、形状和空间分布取决于粉末特性、压实压力、烧结温度、气氛和保温时间 [4], [5], [6]。因此，严格的孔隙率表征对于将加工条件与烧结组件的性能联系起来是必要的。

单一的孔隙率面积分数虽然有用，但无法区分包含不同孔隙群体的微观结构。两个试样可能具有相似的总孔隙率，但在孔隙尺寸、计数、圆度、连通性和空间分布上存在显著差异。这些区别很重要，因为与紧凑的圆形孔隙相比，细长或相互连接的孔隙轮廓通常会产生不同的局部应力集中和传输路径 [1], [4]。因此，需要一种形态解析的描述符来补充常规的面积分数测量。

此外，孔隙形态在烧结过程中会演变。压实粉末颗粒之间的初始空隙通常是不规则且相互连接的，它们逐渐致密化，导致孔隙闭合和总面积减少。长时间的暴露虽然促进了孔隙的球化，但也促进了残余孔隙的粗化或合并 [5], [6]。这些既定的粉末冶金行为可用于描述基于轮廓的三类可观察孔隙，包括圆形、不规则和相互连接的。虽然这些类别可以与演化阶段或形成机制相关联，但这种关联将主要是定性的。因此，在本工作中，这些类别仅基于二维显微照片中孔隙的形态来定义。

手动分类解析 手动解析类别 以及随后的孔隙率分析是劳动密集型的、主观的且难以重现的。经验丰富的金相学家必须识别、勾勒并对每张图像中的数百或数千个孔隙进行分类，这项任务容易受到操作员间变异性的影响 [7], [8]。传统的图像分析软件包，如 ImageJ，提供基于阈值的分割，可以加速面积分数测量，但它们缺乏区分形态上不同的孔隙类型的能力 [9], [10]。这些工具通常使用全局或自适应阈值将显微照片转换为二值图像，然后计数连通组件，提供总孔隙率和基本形状描述符。虽然对于具有强对比度的均质孔隙群体有效，但当孔隙边界模糊时、当不同类型的孔隙以相似的灰度共存时，或当分析人员必须将每个孔隙分配到一个物理上有意义的类别时，基于阈值的方法会失效。近期出现的基于深度学习的方法正在日益解决这些局限性。

深度学习，特别是卷积神经网络架构，在材料科学中分割和检测微观结构特征方面展示了显著的成功。诸如 U-Net、Mask R-CNN 和 YOLO 系列的模型已被应用于检测增材制造组件中的孔隙 [14], [15], [16]，分割陶瓷中的相 [17]，以及分类 X 射线计算机断层扫描体积中的孔隙类型 [18]。然而，几个障碍阻碍了实验研究人员广泛采用这些方法。首先，许多报告的模型是在狭窄的、特定于应用程序的数据集上训练的，并且不公开提供，限制了重现性和重用性。其次，推理所需的计算资源——高端 GPU 和专用软件环境——通常对于在传统实验室环境中工作的冶金学家来说是无法访问的。第三，现有的少数工具没有一个提供统一的工作流程，即输入原始显微照片并输出完整的、分类的孔隙普查。

认识到这些障碍，本工作介绍了 QPoroLyser，一种易于使用的轻量级端到端工具，用于从光学显微照片进行定量孔隙率分析和指纹生成。对于给定的显微照片，QPoroLyser 输出总孔隙面积，按类别细分的面积和计数，以及一个简明地编码对应加工条件下材料孔隙状态的复合指纹。至关重要的是，该工具作为自由访问的 Web 应用程序部署在 Hugging Face Spaces 上，无需本地安装、无需 GPU，且用户无需编程专业知识。研究人员只需上传一张显微照片，工具就会返回指纹以及一个可下载的 CSV 文件，列出每个检测到的孔隙及其类别标签和面积。这种部署理念反映了致力于让先进的表征能力惠及尽可能广泛的实验社区的承诺。

除了工具本身，本工作还贡献了一个开放图像数据库，包含从在一系列压实和烧结条件下处理的烧结纯钛的光学显微照片中提取的超过 370,000 个单独孔隙实例。本工作旨在通过工具和数据库降低定量、类别解析的孔隙率表征的门槛，并催化粉末冶金、增材制造及更广泛领域中下一代微观结构 - 性能关联框架的开发。

章节片段

材料与加工

通过氢化 - 脱氢 (HDH) 路线生产的商业纯钛 (CP-Ti) 粉末作为本研究中的模型材料系统。粉末呈现不规则的颗粒形态，粒径为 $<$ $75\mathrm{\mu }\mathrm{m}$，氧含量为 0.25 wt%。对于每个实验，60 g 粉末被单轴压制成直径 40 mm 的圆柱形坯料，使用钢模。在选定的压实压力下施加停留时间，坯料几何形状的选择是为了最小化

图像分块

每张在 $200\times$ 倍放大下获取的 395 张原始光学显微照片被分割成不重叠的象限。这种分块在增加可标注帧数的同时，保留了局部孔隙形态，并减少了每张图像的计算负载。由此产生的集合包含 1577 张可用的子图像。为了防止同一父级显微照片的信息出现在模型开发和评估子集中，训练 - 测试分配是在 级别上进行的

与真实值验证

除了指标外，定量模型的实用性是通过将其总孔隙率面积分数与 100 张随机选择的保留显微照片的手动标注真实值进行比较来评估的。对于每张图像，真实值孔隙率是根据智能多边形掩膜计算得出的，然后训练好的模型独立应用于同一图像。对于某个加工条件有多个视场可用时，使用平均预测值和标准差来表示

定性与定量孔隙检测

图 4 比较了两张具有不同孔隙群体的代表性原始显微照片的定性和定量输出。上图主要包含细小、分散的轮廓，而下图包含更粗大且更不规则的特征。

定性模型将每个检测到的孔隙封闭在颜色编码的边界框内并分配一个形态标签。这种表示足以快速枚举孔隙群体并计算

结论

QPoroLyser 提供了光学显微照片中孔隙的自动化检测、实例分割和形态解析指纹化。该模型是从 1577 张高频感应烧结 CP-Ti 的图像中开发的，并将二维孔隙轮廓分类为圆形、不规则或相互连接。定量模型达到了 64.1% 的 mAP₅₀，与 100 张保留显微照片的手动标注掩膜比较得出的标准差为总

CRediT 作者贡献声明

A. Gowrishankar: 方法，调查，形式化分析，数据整理。 V. Vijayan: 验证，调查，形式化分析。 Stella Raynova: 调查，数据整理。 S. Giribaskar: 资源。 Ajit Pal Singh: 资源，方法。 P.G. Kubendran Amos: 写作 – 审阅与编辑，写作 – 初稿，可视化，监督，资源，方法。

代码可用性

QPoroLyser 作为自由访问的、基于浏览器的 Web 应用程序部署在 Hugging Face Spaces 上 (https://huggingface.co/spaces/theoRmet/PorosAnalyser)。

未引用参考文献

[28], [29], [30]

利益冲突声明

作者声明他们没有已知的相互竞争的经济利益或个人关系，这些关系可能会影响本论文中报告的工作。

致谢

作者感谢 Anusandhan 国家研究基金会 (ANRF) 通过 ANRF/ARG/2025/000213/ENS 下的先进研究补助金提供的财政支持。

A. Gowrishankar|V. Vijayan|Stella Raynova|S. Giribaskar|Ajit Pal Singh|P.G. Kubendran Amos