基于深度学习的Zn-Al-Mg合金微观结构自动化相分割方法研究

本研究针对Zn-Al-Mg合金微观结构分析中低对比度、高噪声SEM图像的相分割难题，开发了结合U-Net/LinkNet与ResNet-34主干的深度学习框架。通过各向异性扩散（AD）和对比度拉伸（CS）预处理，系统优化256/512像素中间尺度样本训练策略，实现IoU与平均精度（mAP）>85%的相分割性能，并借助Segment Anything Model（SAM）创新性区分共晶Zn/带状Zn亚相，为合金设计提供可扩展的微观表征方案。

　　

在材料科学领域，Zn-Al-Mg-Y合金因其优异的机械性能和耐腐蚀性成为研究热点，但复杂的多相微观结构给传统表征方法带来巨大挑战。扫描电子显微镜（SEM）图像中存在的低对比度、高噪声问题，以及共晶Zn、带状Zn等亚相的形态差异，使得人工分割效率低下且主观性强。如何实现高通量、高精度的自动化相分割，成为优化合金成分设计与工艺调控的关键瓶颈。

针对这一难题，研究人员开发了基于深度学习的创新解决方案。该研究采用U-Net和LinkNet两种编码器-解码器架构，并首次在金属材料领域集成ResNet-34作为特征提取主干网络。预处理阶段创新性组合各向异性扩散（Anisotropic Diffusion, AD）滤波与对比度拉伸（Contrast Stretching, CS），有效提升图像信噪比。通过系统比较64-1024像素不同尺寸训练样本，发现256和512像素的中间尺度最能平衡局部细节与全局上下文特征。

研究结果部分，定量评估显示：在测试集上，最佳模型组合达到87.3%的IoU（Intersection over Union）和86.1%的平均精度（mAP），显著优于传统图像处理方法。特别值得注意的是，引入Segment Anything Model（SAM）的半自动标注流程，将亚相分类准确率提升23%，成功区分出传统方法难以识别的纳米级共晶组织。形态学分析进一步证实，深度学习模型能准确量化各相的面积分数、界面曲率等关键参数，为建立工艺-结构-性能关系奠定基础。

结论部分强调，该框架首次实现了复杂金属材料微观结构的端到端智能解析，其提出的多尺度训练策略和SAM辅助标注方法具有普适性意义。研究不仅为Zn-Al-Mg-Y合金开发提供新工具，更为其他多相材料的数字化表征树立了技术范式。论文成果发表于《Materials Characterization》，标志着材料科学与人工智能的交叉研究取得重要突破。未来工作可进一步探索三维重构和原位观测的结合，推动材料基因组计划的实施。