从数字语音助手到智能家居设备，人工智能（AI）在我们日常生活中的应用正变得司空见惯。正如这些AI工具可以帮助我们提高效率，基于AI的图像分析工具也有望做到这一点。在金相学和材相学领域，AI开启了一个可以更便捷准确地分析图像的新世界。
解决微观结构分析中图像阈值的挑战
思考在金属、合金、陶瓷、复合材料和其他材料的微观结构分析中采用的传统阈值分析所面临的挑战。虽然图像阈值是一种成熟的微观结构分析方法，但存在一些局限性。
例如，阈值不会探测图像中的特定结构，而是一次探测多个对象，并且对它们不做区分。阈值这样的分析算法可以使用边缘增强滤波、阴影校正和形态分析等其他方法来查找特定结构。问题在于，这些方法既需要编程技能，又需要完成自动化分析的工作。此外，考虑到潜在的大量特殊情况和例外，一些问题可能无法使用这些方法解决。
相比之下，机器学习基于感兴趣对象的多个代表性示例来形成对象探测的规则。基于深度人工神经网络的自动化评估提高了图像分析的便捷性和准确性，这些网络已学会独立于图像中先前设置的阈值对图像区域进行分类。
金相学和材相学领域AI辅助图像分析的示例
为了解AI如何改进图像分析，让我们回顾一个示例。下图显示了一个带有晶界、抛光痕迹和灰尘的金相样品（图1）。
图1.具有晶界、抛光痕迹和灰尘的金相试片。
使用简单的阈值设置，图像分析软件无法清楚地区分晶界与抛光痕迹和灰尘（图2）。由于无法做到仅探测晶界，这会造成晶粒度测量不正确。
图2.使用阈值化分析的金相样品的同一图像。
现在让我们看看用AI分析的同一图像（图3）。在该图像中，可将研磨、抛光、灰尘和残留物的痕迹与抛光切面图像中感兴趣的对象（例如晶界）区分开来。这是因为基于AI的图像分析可以可靠且可再现的方式探测微观结构中具有非常不均匀晶粒结构的晶界。此外，结构部件还可以进行像素精度的分类。
图3.使用TruAI深度学习技术分析的同一金相样品。AI分析清楚地呈现了探测到的晶界（红色），将其与抛光痕迹和灰尘区分开来。
利用工业成像软件进行的AI辅助微观结构分析
最新的工业图像分析软件融入了人工智能，以协助分析复杂图像。我们自己开发的PRECiV™图像和测量软件现在可提供TruAI™深度学习技术。您现在可以将经过训练的神经网络应用于图像，实现更高的可再现性和更稳健的分析。
TruAI技术的一个实用功能是实例分割，即将接触的对象分割成独立的对象。这一强大的分割方法有助于分析具有接触对象的复杂图像，例如晶粒、烧结和增材制造中使用的粉末型材料、颗粒和缺陷。用户可以利用实例分割来训练网络，并通过一次点击将其应用于分离对象。
TruAI技术还允许您使用语义分割来训练神经网络，这种分割可以识别像素属于背景还是前景。与实例分割不同，它无法区分合并的对象。因此，语义分割需要进行一些手动后处理工作，才能执行实例分割。这使得语义分割更适用于更容易的分析任务，比如清晰分离的对象或无需分离对象的情况。语义分割有助于区分大型区域，比如用于相分析、焊点检测、热影响区分析和漆层分析。
为了提高灵活性，在PRECiV软件的计测解决方案和选配的材料解决方案中，都可以使用语义和实例分割方法。
如何面向金相学和材相学领域进行充分的神经网络训练
如上所述，将训练过的神经网络应用于图像是一种高效的微观结构分析方法。但网络必须经过充分的训练，才能进行准确且可重现的图像分析。训练优化的神经网络需要精心标记的示例，这是因为生成的算法基于标记的数据。换言之，训练得越好，图像处理效果就越好。因此，材料分析应用领域的专家参与训练过程至关重要。
充分训练用于工业图像分析的深度神经网络：
1.标记训练用图像和验证训练用数据。
对于深度学习图像分析，数据的标记需要使用基准真值创建图像。简言之，基准真值是指训练和评估神经网络时所使用的信息。通过图像处理或手动标记在图像中标记基准真值，以便网络可以从这些标签中学习。
专家必须验证训练数据。只有专家可以定义应该将哪些数据用于训练，因为它是训练后的神经网络用于分析的来源。专家必须是材料分析应用领域的专家，这样他们才能决定网络应该探测图像中的哪些细节。
考虑金相样品的示例（图1左侧）。专家可能会问：在什么情况下将特征视为晶界？我们如何评估异常？数据必须能够代表每个类别中所有预期的对象和映射。
2.训练神经网络。
下一步是为任务选择优化的训练配置。这一步使用用于增强训练数据和选择训练模型的指令来完成。
增强训练数据对训练的帮助是，能够显著增加神经网络模型的学习机会并提高其可靠性。训练数据通过旋转、镜像和其他图像操作进行倍增。
重要的是要注意哪种增强方法对特定应用有意义。例如，旋转对没有优先方向的结构有用，但对卷材等细长材料无用。
3.验证训练取得成功。
在深度学习中，创建的是具有给定结构的人造神经网络，但网络使用的决策过程隐藏了起来。该网络并不提供任何分析依据来说明决策的原因。
正因如此，验证必不可少。专家可以通过查看分析结果是否符合预期来验证训练是否成功。验证数据集让您能够比较经过训练的人造神经网络在识别指定图像区域上的能力。
您还可以使用该网络生成概率图，该图可以在训练期间以叠加图的形式显示在标记的验证图像上。请注意，验证数据并非用于训练网络的数据集的一部分。为了实现对训练状态的真实评估，在训练图像和验证图像上评估的质量标准（如损失）之间的相似性可以通过数字和图形的形式输出。
在执行包括验证的训练后，使用新数据集来检验算法是否仍然适用于代表性的新数据：测试数据集。必须安排一名专家，理想情况下多名专家，验证这一最终测试，以降低因人工误差而对AI结果的误解风险。
4.将训练过的神经网络应用于可比图像。
现在训练过的神经网络可以作为一种分割方法使用。您可以将其应用于可比图像，例如具有类似光线和曝光条件的图像。在直观的工业成像软件（如PRECiV软件）中应用经过适当训练的神经网络非常简单。只需点击一下，该网络就能自动分割图像并提供可再现的结果。
详细了解金相学和材相学领域的深度学习
如需详细了解基于AI的图像分析，包括其优点、工作原理以及如何将其应用于您的工作中，请查看我们的TruAI资源中心。我们的专家很乐意帮助您将AI应用到特定的材料分析应用领域。
