|
文献精读 Cem. Concr. Compos.：基于深度学习的水泥浆体中水泥颗粒的分割与分析  背景介绍 混凝土作为一种普遍使用的人造材料，其性能取决于水泥净浆中水化产物和水泥颗粒的分布。扫描电子显微镜（SEM）成为分析混凝土微观结构的主流技术。然而，传统的阈值分割和边缘检测等算法存在局限性，对分割结果的准确性和效率有限。最近，深度学习技术的发展使得深度学习分割算法成功应用于图像分割任务。基于深度学习的分割方法不需要显式手动定义特征，而是通过卷积神经网络来自动提取特征，并取得了良好的分割效果。 研究出发点 传统的混凝土SEM图像分割方法存在诸多局限性，且通常需要人工干预，因此准确性和效率都受到限制。深度学习技术可以自动地提取图像特征，可以有效地解决传统方法的局限性，从而提高混凝土SEM图像的分割效率和准确性。因此，本文旨在利用深度学习技术对混凝土SEM图像进行分割和分析，以提高分割效率和准确性。 全文速览 南阳理工大学Hanjie Qian课题组首先介绍了混凝土作为一种普遍使用的人造材料的背景和SEM技术的应用。接着，讨论了传统的混凝土SEM图像分割方法的局限性，以及深度学习技术在图像分割中的应用前景。然后，详细介绍了深度学习分割算法的优化和构建自动分割框架的方法。接着，给出了水泥浆体样本的实验数据和分割效果，并与传统方法进行比较。最后，分析了水泥颗粒的形态。本文的研究成果表明，利用深度学习技术对混凝土SEM图像进行分割和分析是可行和有效的，对提高混凝土SEM图像分割的准确性和效率具有重要意义。相关论文以“Segmentation and analysis of cement particles in cement paste with deep learning”为题，于2023年发表在Cement and Concrete Composites上。 图文解析 （1）算法性能比较 研究了不同算法在水泥混凝土图像分割方面的性能比较，使用了像素准确度（PA）和交并比（IOU）两个指标来评价算法的预测性能。PA是指被纠正的预测像素占一类总像素数的比率，IOU是测量对象检测或分割准确性的度量标准，用于衡量预测边界框与真实边界框重叠区域的面积比，如图6所示。在图5中，提供了原始图像和四种算法分割图像的实例。深度学习算法（全卷积神经网络（FCN）和PointRend）的准确性明显优于基于像素的可训练的Weka分割（TWS）方法，FCN模型的PA和IOU比TWS模型分别高4.48和18.64个点，如图1所示。TWS算法无法很好地区分水泥颗粒和水化产物，因为它们的亮度、纹理和颜色相似，容易导致误解。此外，FCN算法的噪声扰动显著降低，但边界仍然不够清晰。PointRend模型通过预测和插值获得更精确的分割结果，其准确性比FCN模型提高了0.27和3.25个点，适用于大尺寸图像，如SEM水泥图像。通过基于梯度重新计算不确定性图，修改后的PointRend模型进一步提高了分割准确性，其PA和IOU分别比FCN高0.51和1.67个点。与FCN相比，PointRend具有更复杂的网络结构和更精细的特征提取方法。经过改进的ModPointRend方法不需要改变网络结构，并且在计算上几乎不需要额外的消耗。ModPointRend的准确性比PointRend高1.67个点。结果表明，我们的方法对分割边界具有更好的控制能力，预测结果更平滑和连续。 使用平均精度（AP）对ModPointRend方法的准确性进行更详细的分析，AP是从0.5到0.95之间的阈值间隔为0.05的AP的平均值。AP50表示IOU高于0.5的实例的AP值。与IOU相比，AP是一种更详细的度量标准，并提供更有用的信息。ModPointRend的得分在所有指标上都高于原始PointRend，特别是AP和AP50。然而，AP75指标的改善相对较小。这是因为AP75是指IOU阈值为0.75时的平均精度，而在这个阈值下，不同算法之间的区别较小，因为物体的边界框需要非常精确地匹配才能得到正确的结果。因此，尽管ModPointRend在其他指标上的表现非常优秀，但在AP75指标上的表现与原始PointRend相似。 总的来说，ModPointRend是一个非常有希望的目标检测算法，它利用了点采样和聚合的优势，并通过多层注意力机制来增强模型的性能。它在几个广泛使用的数据集上表现出色，特别是在COCO数据集上，比原始PointRend的表现都要好。因此，它是一个值得进一步研究和应用的算法。  图1 优化算法的框架  图2 IOU反映了预测框和真实值之间重叠程度  图3 （a）修改后的PointRend，（b） PointRend，（c） FCN 生成的分割结果的比较，（d） 修改后的PointRend的细节，（e）PointRend 的细节，（f）FCN 的细节，（g）TWS，（h）真实值，（i）对应的扫描电子显微镜图像。 （2）水泥浆体样品的水化程度 基于改进的PointRend模型，对包括346×9张图像在内的整个数据集进行了分割。分割后的图像用于分析水泥浆样品的水化程度。通过比较基于分割图像和烧失量（LOI）测试所得到的水化程度随时间的变化曲线，表明这种改进后的分割算法的有效性和准确性（见图4）。该基于图像的方法在分析水泥基体的孔隙结构和相分布方面具有更高的时间和经济效率，具有较大的应用潜力。对于W/C-0.4样品在1，3，7，14和28 d的水化程度的百分比差异分别为5.1％，2.9％，3.6％，2.0％和0.4％。该偏差被认为较低，因为混凝土样品之间的变化通常很大。短期内（小于14 d）的水化程度，LOI测试所得到的水化程度略高于分割图像所得到的结果。这可能归因于105°C干燥过程中的额外水化反应，或其他挥发相（如碳酸盐）的分解。随着养护时间的增加，水化速率减缓。对于W/C-0.2样品，由于水化反应的水分有限，这一趋势更早出现。同时，水化程度从约40％上升到约60％，且W/C-0.4的水化程度比W/C-0.2更高，这是可以预期的。  图4 浆体样品的水化程度 （3）水泥颗粒分析 使用ModPointRend对水泥颗粒进行分割，得到了每个水泥颗粒的掩模，并计算了颗粒的不规则度和圆度指数来分析未水化水泥颗粒的形状。结果表明，这两个指数在水胶比不同的两个样本中随着养护时间的增加变化较小，而水胶比对水泥颗粒的形状没有明显的影响。此外，从图9可以看出，在7 d水化后，水化发生在水泥颗粒表面的整个区域上。这解释了为什么水泥颗粒形状没有改变，尽管表面变得更加粗糙，但不会反映在不规则度和圆度指数中。  图5 水化7 d后的水泥颗粒示例 总结 本研究回顾了以往微观结构定量分析方法的不足，包括高度依赖人工经验和人力成本高等缺点，提出了一种基于深度学习的水泥浆体扫描电子显微镜图像自动精准分割的方法。在对SEM图像特点的分析基础上，提出了一种优化的PointRend算法，并通过不同的评估指标与其他常用的分割算法进行对比，验证了该方法的准确性和高效性。同时，本研究还分析了水泥颗粒形态参数与养护时间的关系，这在除SEM图像分割之外的其他方法中无法获取。研究结果表明，基于深度学习的分割方法在此类研究中具有较高的准确性和精度，将有助于未来混凝土设计和理解的研究。 本期编者简介 翻译： 程博远 博士生 深圳大学 审核： 刘建伟 硕士生 深圳大学 排版： 赖慈锋 硕士生 深圳大学 本期学术指导 何 闯 博士后 深圳大学 龙武剑 教 授 深圳大学 文献链接： https:///10.1016/j.cemconcomp.2022.104819 |
|
|
