利用人工智能对大型图像数据集进行自动分割：用于微观结构表征、损伤分析和高通量建模输入

常用材料的许多特性由其微观结构驱动，而微观结构又受成分和制造工艺的影响。为了优化未来材料，理解微观结构至关重要。在此，我们提出了两种基于人工智能的新方法，用于分割那些简单数值方法（如阈值分割）不适用的微观结构相：一种基于 nnU-Net 神经网络，另一种基于生成对抗网络（GAN）。以双相钢的大尺度全景扫描电子显微镜图像为例，我们展示了这两种方法如何有效地分割包括马氏体、铁素体和损伤位点在内的复杂微观结构细节，以供后续分析。两种方法在多种图像尺寸和条件（包括具有不同相配置的热处理微观结构）下均表现出显著的泛化能力。nnU-Net 在映射大图像区域方面表现出色。相反，基于 GAN 的方法在较小图像上表现可靠，提供了对分割过程更强的逐步控制和灵活性。本研究强调了分割后的微观结构数据在多种用途中的优势，例如计算相分数、通过有限元模拟建模材料行为，以及对损伤位点及其周围微观结构局部特性进行几何分析。