基于无监督学习(unsupervised learning)的热锻及热处理TiAl合金显微组织分割

《Journal of Materials Research and Technology》：Unsupervised Learning-Based Segmentation of Microstructures in Hot Forged and Heat-treated TiAl Alloys

　　

金属间化合物钛铝化物(TiAl)合金是高温应用中有前景的轻质材料，其力学性能受显微组织形貌和相分布的强烈影响，因此TiAl显微组织的定量分析对理解和优化合金性能十分重要。然而TiAl显微组织的相分割(phase segmentation)仍具挑战性，因为等轴α2区域与细小的α2/γ层片(lamellar)结构排列于复杂的显微组织形貌中。研究人员评估了无标注(no-annotation)分割方法，用于对热锻及热处理后经光学显微镜(optical microscopy, OM)获取的TiAl显微组织进行定量相分割。研究人员以人工标注真值掩膜(ground truth masks)对比基于图像处理的方法与无监督聚类算法，并将表现最优的无监督方法与有监督深度学习模型进行比较。在评估方法中，高斯混合模型(Gaussian Mixture Model, GMM)取分量数K=3时分割精度最高，对等轴α2、层片α2及层片γ区域的分类最为均衡。此外，在多种热处理条件下GMM在未使用标注训练数据的情况下达到了与有监督深度学习模型相当的分割性能。结果表明，当标注数据集有限时，无标注GMM聚类是TiAl合金显微组织定量分割的有效方法。

论文解读：基于无监督学习的热锻及热处理TiAl合金显微组织分割

该论文发表于《Journal of Materials Research and Technology》。研究背景方面，钛铝化物(TiAl)合金因低密度、高比强度及优良高温蠕变抗力，被广泛视为航空航天与汽车高温部件（如涡轮叶片、增压器转子）的轻质耐热候选材料。TiAl合金通常由α₂-Ti₃Al、γ-TiAl及β-Ti等多相组成，随热处理温度、成分及冷速发生相变，形成全层片(fully lamellar, FL)、近层片(nearly lamellar, NL)、双态(duplex, DP)及近γ(near-gamma, NG)等典型显微组织，其各相所占分数与空间分布显著决定合金的强度、塑性与蠕变抗力，故定量评价显微组织分数与分布至关重要。然而TiAl合金显微组织中多相细观尺度共存、层片α₂与γ衬度差异微小且边界模糊，传统基于全局阈值的Otsu法或分水岭(Watershed)等图像处理方法对复杂多相分割效果有限。虽有监督深度学习(supervised deep learning)在钢铁等合金显微组织分割中有所应用，但TiAl合金可靠像素级标注(pixel-level annotation)耗时费力且引入人为偏差，难以构建足量一致标注集，迄今缺乏针对TiAl合金系统的系统性分割方案。因此研究人员提出并验证一种无需标注的无监督学习(unsupervised learning)分割策略，以实现TiAl合金热锻及热处理显微组织中α₂（等轴及层片）与γ（层片）三相的定量分割。

关键技术方法方面，研究人员选用Ti-42Al-(4-6)V-(≤1)W-(≤1)Fe（原子百分比）合金，经等离子弧熔炼后于1300 ℃热锻（变形量60%），再分别于1260、1270、1280、1290及1300 ℃保温1 h后空冷。试样经标准研磨抛光后用Kroll试剂（2 vol% HNO₃、2 vol% HF、96 vol%蒸馏水）室温蚀刻30 s，使用光学显微镜(OM, Olympus DSX1000)于×293、×650、×1400及×2810倍下采集图像并裁剪去除标尺区。由三名专家基于形态学特征共识手工标注10张真值掩膜(ground truth masks)，将显微组织分为等轴α₂、层片α₂及层片γ三类。研究人员比较五类分割算法——传统图像处理法[Otsu阈值分割（自动及固定阈值t=85,127,170）、Watershed分割（距离阈值dt=0.1,0.2,0.3,0.4）]与无监督聚类法[K-means(K=2–5)、DBSCAN(ε=0.01–0.04, MinPts=127)、高斯混合模型(GMM, K=2–5, 全协方差矩阵, EM算法求解)]，并以F1分数(F1 score)与平均交并比(mean Intersection over Union, mIoU)结合相分数(phase fraction)对比量化评估；最优无监督方法进一步与三种有监督深度学习语义分割模型——全卷积网络(FCN)、U-Net及DeepLab v3+（联合交叉熵与Dice损失、Adam优化器、余弦退火学习率调度、早停法）——在相同真值集上对比。

研究结果如下：

4.1. Microstructural Characteristics of Forged TiAl Alloy（锻造TiAl合金显微组织特征）

研究人员通过OM观察不同温度热处理后显微组织，确认其由等轴α₂区域与α₂/γ交替排列的层片团(colonies)构成，随温度升高等轴α₂面积增加、层片团粗化。据此制作含等轴α₂（黄）、层片α₂（紫）及层片γ（绿）三类的人工标注真值掩膜作为后续算法评估基准。

4.2. Comparative Evaluation of Image Processing-Based and Unsupervised Learning-Based Methods（基于图像处理与无监督学习方法对比评估）

定性及定量评估显示，Otsu、Watershed及K-means(K=2)虽能分离大致区域但完全无法单独识别层片α₂（该类F1及IoU为零）；DBSCAN(ε=0.02)仅微弱检出层片α₂且参数稳定区间窄。GMM在K=3时整体F1分数(0.925)与mIoU(0.864)最高，且是唯一对等轴α₂(F1=0.9424, IoU=0.8911)、层片α₂(F1=0.8574, IoU=0.7504)及层片γ(F1=0.9752, IoU=0.9516)均获有效分数的算法，相分数估算也最接近真值。研究人员认为GMM的概率建模配合全协方差可灵活拟合层片结构中重叠灰度分布，是其优于硬聚类K-means与密度聚类DBSCAN的原因。

4.3. Applicability of GMM Segmentation at Different Magnification Levels（GMM分割在不同放大倍数下的适用性）

研究人员将K=3的GMM应用于不同放大倍数OM图像，发现相同物理区域内×1400与×2810所得三相面积分数存在差异——低倍下三相比例接近，高倍下等轴α₂减少而层片γ比例高于层片α₂，更接近真值。表明GMM可跨倍率应用，但定量相分数比较须保持放大倍数一致或依分析目的选定合适倍率。

4.4. Performance comparison of GMM and Supervised Deep Learning Models（GMM与有监督深度学习模型性能比较）

在1260–1290 ℃热处理条件下，U-Net、DeepLab v3+及FCN的F1与mIoU略高于或接近GMM；1300 ℃时所有方法性能均下降，说明该温度下显微组织对分割最具挑战。整体而言GMM(K=3)在多个热处理条件下达到与有监督模型可比的性能却无需任何标注训练数据。

讨论与结论翻译（Conclusion部分）：

本研究探讨了无标注分割对锻态TiAl合金显微组织定量相分析——特别是区分等轴α₂、层片α₂与层片γ区域且无需标记训练数据——的可行性。研究中检验了基于图像处理及无监督学习的方法以确定实用分割途径。在评估方法中，优化后的高斯混合模型(GMM)提供最均衡的分割性能，有效区分全部三种显微组织组分。放大倍数依存性分析表明，分割所得相分数可受OM图像放大倍数影响，尤其对层片团内(intra-colony lamellar)组分，因此定量相分数比较应使用一致的放大倍数。优化GMM在多数热处理条件下取得与有监督深度学习模型相当的性能，且不需标注训练数据。综上结果表明，当标注数据集有限时，无标注GMM聚类可为TiAl合金显微组织提供实用的分割方案；所得的定量显微组织描述符（含相分数）可支持未来TiAl合金体系的数据驱动工艺–显微组织–性能(data-driven process–microstructure–property)建模。