用于复合材料X射线断层扫描图像自动分割的模块化U-Net

X射线计算机断层扫描（X-ray Computed Tomography, XCT）技术已发展至能够以极高速度获取高分辨率数据，使得传统的图像分割方法变得极为繁琐，亟需能够处理复杂三维图像的自动化数据处理流程。深度学习在众多图像处理任务中展现出显著成效，包括材料科学领域的应用，为实现无需人工干预的全自动分割流程提供了极具前景的替代方案。本文提出一种模块化U-Net（Modular U-Net）结构，并将其训练用于对三相玻璃纤维增强聚酰胺66（Polyamide 66）的三维断层扫描图像进行分割。我们对比了模型的二维与三维版本，发现二维版本的性能略优于三维版本。研究还发现，即使仅使用10层标注数据，亦可获得与人工标注相当的分割结果；同时，采用浅层U-Net反而优于深层网络结构。综上所述，神经网络（Neural Network, NN）确实为实现无需人工介入、全自动的XCT数据处理流程提供了极具潜力的技术路径。