一种针状焦偏光显微结构分析方法与流程

本发明涉及显微结构检测，尤其涉及一种针状焦偏光显微结构分析方法。

背景技术：

1、针状焦是高端人造石墨负极的核心原料，将针状焦样品制成光片后，在正交偏光显微镜下观察，不同取向的碳层会呈现不同的干涉色，行业一般将其分为细纤维、粗纤维、短纤维、大片、小片、镶嵌共6类光学组织，即偏光显微结构，这6类组织的占比直接决定针状焦的电化学性能，下游电池企业已将其纳入原料入厂检验标准。

2、目前，行业内针状焦偏光显微结构的分析方法主要有两种标准方法：面积法和计点法。面积法是统计各类组织的面积占比，计点法是统计落在各类组织上的网格点数量的占比。目前两种方法均为人工操作：检验人员在偏光显微镜下逐张观察图像，人工目估面积占比或逐点计数；核心性能指标克容量则需将生焦经碳化、石墨化处理后，通过充放电测试获得。其中，人员人工判读，单样本需处理 500 张图像、耗时 120 分钟，人工主观重复性误差达高5%，同时行业无统一量化标准，检测结果受人员经验影响显著，无法实现标准化质控；针状焦克容量等关键性能指标需经石墨化全流程处理后检测，周期长达10天，检测成本高，无法实时指导生产工艺调整，严重制约产品交付效率与工艺优化节奏。

3、现有技术中虽有尝试用简单kmeans聚类算法进行面积法分割的研究，但均未针对针状焦偏光图像的色彩特性进行优化，存在分割准确率低、同结构被切碎、长纤维粘连等问题；而计点法的自动化实现目前行业内完全空白。

技术实现思路

1、本技术实施例提供一种针状焦偏光显微结构分析方法，其分割准确率高，工作效率高，并符合金相检测目视规范。

2、本技术实施例第一方面提供一种针状焦偏光显微结构分析方法，依次包括以下步骤：

3、s10，将采集的显微图像转为灰度图，对灰度图执行二维快速傅里叶变换并fftshift将零频移至中心，以中心30%半径外为高频区域，计算高频功率与总功率的比值作为图像清晰度量化指标，筛选高频能量占比高于预设阈值的目标图像；

4、s20，对目标图像进行前景提取，包括：将目标图像转换为hsv色彩空间，提取v通道，计算v通道直方图的全局阈值，将高于所述全局阈值的像素判定为针状焦颗粒前景，低于或等于所述全局阈值的像素判定为背景，生成前景二值图；对所述前景二值图依次进行去噪处理和平滑处理，生成前景掩码区域；其中，所述前景掩码区域中像素值为1的区域构成有效区域，像素值为0的区域构成无效区域；

5、s30，对前景掩码有效区域的图像执行像素增强，所述像素增强包括色彩归一化模式或lch增强模式：色彩归一化模式为，先以标准图像照片标定得到与前景掩码区域对应的有效区域内l通道标准中位数l_ref和c通道标准中位数c_ref，将每张待校正图像的l通道整体平移对齐至l_ref、将a/b通道同乘比例系数c_ref/c_cur对齐至c_ref，色相h保持不变，其中c_cur为待校正图像当前的c通道当前中位数；lch增强模式为，将每张待校正图像的l通道平移对齐至目标亮度l_target，将c通道乘以增益系数c_gain，色相h锁死不动；

6、s40，将前景掩码区域图像从bgr转换为lch色彩空间，对l、c、h三个通道进行加权处理，且三个通道的权重系数依次增大，加权后将三通道数值归一化至相同尺寸；

7、s50，从前景像素中随机采样m个像素作为计算样本，在k=2到k=15的范围内遍历每个k值，对k值执行聚类计算，确定最优聚类k值，其中m＞2000；

8、s60，从前景像素中随机选择n个像素作为训练集，在前景掩码有效区域按等间距网格采样初始聚类中心，使用步骤s50确定的最优聚类k值在加权后的lch三通道特征上执行聚类计算得到聚类中心；对全图所有前景像素计算其到各聚类中心的加权距离，分配给距离最近的聚类中心；输出像素级聚类标签图，其中n＞6000，且n＞m；

9、s70，对每个聚类标签单独处理生成二值掩码，对二值掩码执行距离变换得到每个像素到最近边界的距离图，按最小外接矩形短边长度分级执行阈值腐蚀：短边小于15μm的区域采用2μm腐蚀深度，短边大于等于15μm的区域采用5μm腐蚀深度，在纤维交叉的细颈位置断开连接，腐蚀后对各断开连通域基于voronoi距离变换执行带标签独立膨胀恢复，各连通域独立膨胀不跨缝，对断开后的图像重新查找轮廓得到独立的纤维个体；

10、s80，提取每个轮廓的点序列，对轮廓点坐标进行平滑处理，以像素级零重叠的方式统计每个轮廓实际占有的像素数并换算为实际面积，对每个轮廓执行等效椭圆拟合，以椭圆长轴作为真实长度、短轴作为真实宽度并计算长径比，保证所有像素有且仅有一个归属，6类结构面积之和等于总前景面积；

11、s90，根据每个轮廓的长度、宽度、长径比，将针状焦偏光显微结构自动分类为：粗纤维、大片、细纤维、短纤维、小片、镶嵌，输出6类结构的面积占比。

12、在一种可能的实现方式中，在步骤s20中，所述去噪处理具体为：针对高于阈值的针状焦颗粒前景，对前景二值图执行连通域分析，将最大边长小于阈值的小连通域判定为噪点，进行去除处理；所述平滑处理具体为：执行3×3矩形核的形态学闭运算进行平滑处理。

13、在一种可能的实现方式中，在步骤s40中，lch色彩空间中l为亮度0～100，c为色度0～100+，h为色调0～360度环形值，l、c、h三个通道的权重系数依次为0.2～0.5、1.0、1.5～2.5。

14、在一种可能的实现方式中，在步骤s40中，将h通道色调值定义为环形拓扑结构，使0°与360°在色环上重合，基于所述环形拓扑结构计算任意两个像素之间的色调差δh，即两像素色调分量在色环上的最短弧长，然后再进行加权处理。

15、在一种可能的实现方式中，在步骤s50中，所述对k值执行聚类计算，确定最优聚类k值，具体为：固定随机种子为42，在k=2到k=15的范围内重复执行10轮完整搜索，每轮中对每个k值使用k-means++初始化执行一次kmeans聚类并计算类内距离和sse，将sse归一化后用距离法计算肘部拐点对应的k值，取10轮肘部k值的众数作为最优聚类数。

16、在一种可能的实现方式中，在步骤s80中，进行平滑处理具体为：使用窗口大小为11、多项式阶数为2的savitzky-golay滤波器对轮廓点坐标进行平滑处理。

17、在一种可能的实现方式中，在步骤s80中，所述以像素级零重叠的方式，具体为：将所有轮廓按面积从小到大进行排序，遵循“小轮廓优先统计”的原则，建立与图像同尺寸的像素归属标记矩阵，记录每个像素的归属；按面积从小到大依次处理每个轮廓，遍历每个轮廓的所有像素，若未被分配则归属当前轮廓，若已被更小的轮廓分配则跳过。

18、在一种可能的实现方式中，所述针状焦偏光显微结构分析方法还包括步骤s100，结合输出的6类偏光显微结构的面积占比和真密度、硫含量、氮含量、挥发分、哈氏可磨性指数、d50共6项理化指标形成12维特征，作为输入特征，计算每个特征与克容量的皮尔逊相关系数，自动移除相关系数较小的弱特征，识别并剔除训练集中的异常样品；

19、将样本数据集按8:2划分为训练集和测试集，采用optuna框架进行多次贝叶斯优化试验和5折交叉验证，以平均决定系数r²最大化为目标，确定预测模型的最优超参数；

20、以所述最优超参数训练预测模型，对目标样品输出预测克容量，并基于测试集均方根误差rmse计算预测值的95%置信区间。

21、本技术实施例第二方面提供一种针状焦偏光显微结构分析方法，依次包括以下步骤：

22、s110，将采集的显微图像转为灰度图，对灰度图执行二维快速傅里叶变换并fftshift将零频移至中心，以中心30%半径外为高频区域，计算高频功率与总功率的比值作为图像清晰度量化指标，筛选高频能量占比高于预设阈值的目标图像；

23、s120，对目标图像进行前景提取，包括：将目标图像转换为hsv色彩空间，提取v通道，计算v通道直方图的全局阈值，将高于所述全局阈值的像素判定为针状焦颗粒前景，低于或等于所述全局阈值的像素判定为背景，生成前景二值图；对所述前景二值图依次进行去噪处理和平滑处理，生成前景掩码区域；其中，所述前景掩码区域中像素值为1的区域构成有效区域，像素值为0的区域构成无效区域；

24、s130，对前景掩码有效区域的图像执行像素增强，所述像素增强包括色彩归一化模式或lch增强模式：色彩归一化模式为，先以标准图像照片标定得到与前景掩码区域对应的有效区域内l通道标准中位数l_ref和c通道标准中位数c_ref，将每张待校正图像的l通道整体平移对齐至l_ref、将a/b通道同乘比例系数c_ref/c_cur对齐至c_ref，色相h保持不变，其中c_cur为待校正图像当前的c通道当前中位数；lch增强模式为，将每张待校正图像的l通道平移对齐至目标亮度l_target，将c通道乘以增益系数c_gain，色相h锁死不动；

25、s140，设置横向和纵向网格数，在图像有效区域内按网格等间距分布种子点，并避开图像边缘区域，其中落在前景掩码区域内的标记为有效种子点；

26、s150，将前景掩码区域图像从bgr经lab中转转换为lch色彩空间，其中l为亮度0～100、c为色度0～100+、h为色调0～360度环形值，针对每个有效种子点，以对应种子点的lch值为基准，计算加权颜色差δe=√((wl·δl)²+(wc·δc)²+(wh·δh)²)，其中δl为两像素亮度分量的算术差绝对值，δc为两像素色度分量的算术差绝对值，δh为两像素色调分量在色环上的最短弧长，wl、wc、wh依次为0.2～0.5、1.0、1.5～2.5，先使用cv2.floodfill函数以宽松立方体容差执行漫水填充预筛选得到候选区域外接矩形，再在该矩形范围内计算各像素与种子点的加权颜色差δe并二值化，取种子点所在连通域作为生长区域；

27、s160，建立与图像同尺寸的visited矩阵标记已探索像素，每个种子生长出的区域仅抢占visited中未被分配的像素，已被其他种子分配的像素不再重复归属，同时在同一等色区域内的多个种子点中，后到的种子直接继承已有的区域id；

28、s170，对每个生长出的独立区域执行等效椭圆拟合，并将椭圆长轴、短轴的像素尺寸换算为物理尺寸，得到该区域的真实长度和真实宽度。

29、根据每个区域的真实长度和真实宽度及计算得到的长径比，将针状焦偏光显微结构自动分类为：粗纤维、大片、细纤维、短纤维、小片、镶嵌，将区域边框更换为对应结构的标准颜色，统计落在各类结构上的有效种子点数量，输出6类结构的点数占比。

30、在一种可能的实现方式中，在步骤s150中，lch色彩空间中l为亮度0～100，c为色度0～100+，h为色调0～360度环形值，l、c、h三个通道的权重系数依次为0.2～0.5、1.0、1.5～2.5。

31、在一种可能的实现方式中，在步骤s170中，以等效椭圆长轴为长度l、短轴为宽度w、长径比ratio=l/w，自动分类结果为：

32、粗纤维 l≥30μm且10≤w＜30μm；

33、大片 l≥30μm且w≥30μm；

34、细纤维 l≥10μm且w＜10μm且ratio≥5；

35、短纤维 l＜30μm且w＜30μm且2≤ratio＜5；

36、小片 10≤l＜30μm且10≤w＜30μm；

37、镶嵌 l＜10μm且w＜10μm。

38、在一种可能的实现方式中，所述针状焦偏光显微结构分析方法还包括步骤s180，结合输出的6类偏光显微结构的点数占比和真密度、硫含量、氮含量、挥发分、哈氏可磨性指数、d50共6项理化指标形成12维特征，作为输入特征，计算每个特征与克容量的皮尔逊相关系数，自动移除相关系数较小的弱特征，识别并剔除训练集中的异常样品；

39、将样本数据集按8:2划分为训练集和测试集，采用optuna框架进行多次贝叶斯优化试验和5折交叉验证，以平均决定系数r²最大化为目标，确定预测模型的最优超参数；

40、以所述最优超参数训练预测模型，对目标样品输出预测克容量，并基于测试集均方根误差rmse计算预测值的95%置信区间。

41、有益效果：与现有技术相比，本技术提供的针状焦偏光显微结构分析方法首次将lch加权技术应用于计点法区域生长，针对“色调是特征、亮度是干扰”的领域特性设计l、h权重，分割准确率能够比等权重lab提升15%以上；同时还首次实现符合gb/t标准的自动计点法，与面积法并行独立，效率比人工计数提升100倍以上；通过自动k值选择可以消除聚类的随机性，并查集零重叠统计保证6类结构占比之和恒为100%，轮廓平滑符合金相检测目视规范，使得该分析方法结果严谨并可复现；样本图像分析从人工约120分钟缩短至约20分钟，且克容量检测从约10天缩短至分钟级，能够大幅提升检测效率。

42、本发明的目的、特点和优势通过下述的详细说明得以充分体现。