随着先进陶瓷材料在现代社会中的应用范围逐渐扩大,其重要性也日益剧增。陶瓷材料的微观结构会影响其宏观性能,研究陶瓷材料的微观结构对认识和改进陶瓷材料的物理和化学性能有着重要的意义。陶瓷晶粒是陶瓷材料最基本、最重要的微观组成,但是当前阶段对陶瓷晶粒形状、分布、排列等信息的收集还在使用简单的人工统计的方法。为了达到提高对这些信息收集的效率,减少科研人员负担的目的,本文使用基于深度学习的方法对陶瓷材料中的陶瓷晶粒进行检测和分类。本文所做主要工作如下:(1)设计陶瓷晶粒数据集的制作流程,完成数据集的建立。整个数据集的制作流程可以分为原始图片采集、图片筛选和标记三个步骤。首先从电子显微镜拍摄的原始图片中筛选出晶粒特征清晰、分布均匀的部分,之后使用标注工具对筛选出的图片进行手工标注,最后得到了一个包含629张晶粒图片和标注图片的陶瓷晶粒数据集。(2)构建面向陶瓷晶粒语义分割的深度卷积神经网络(Convolutional Neural Networks,CNN)模型。设计一个性能良好的网络模型是本文的核心内容,在参考FCN、Segnet、Deep Lab系列等经典网络模型的结构并经过大量实验后,本文网络选择使用基于编码器—解码器结构的网络模型。本文网络以Block结构为基础结构,共设计了3个功能各异的Block,其中编码Block-A和编码Block-B位于编码器部分,编码Block-A的主要作用是降低特征图分辨率、增加特征图维度,编码Block-B的主要作用是进行特征提取;解码Block位于解码器部分,其主要作用是恢复特征图分辨率,增加特征图细节。这三种Block通过堆叠构建成了本文网络模型,整个模型共有34层,其中前29层属于编码器部分,后5层属于解码器部分。(3)进行网络模型训练、测试并使用交并比(Intersection over Union,IOU)和网络参数模型大小作为评估网络模型性能的评价指标。训练网络前把数据集中预处理完毕的图片和对应的标签按照7:1:2的比例随机划分为训练集、验证集和测试集三个部分,对训练集部分进行数据增强后开始训练。网络训练完成后保存网络参数模型,使用测试集部分进行测试,并使用测试集部分的预测标签手工标注的标签来计算评价指标,最后与FCN、Segnet、Unet等6种经典语义分割网络进行对比。实验与对比结果表明,本文网络在有较好语义分割效果的同时网络模型大小也相对偏小。本文网络的IOU为0.671,高于参与对比的Segnet、Unet、Deep Lab V3+等另外6种网络。本文网络的参数模型大小为89,339KB,仅大于Enet和Erfnet两种网络。本文网络所产生的预测图片中的各类晶粒分类清晰,各个晶粒的边界也较为明显。