基于微结构图像深度学习的荧光陶瓷光热性能预测方法

摘要: 本发明涉及荧光陶瓷微结构表征、计算机视觉与人工智能辅助材料性能预测,尤其涉及一种基于微结构图像深度学习的荧光陶瓷光热性能预测方法。背景技术:1、激光荧光陶瓷在高...
基于微结构图像深度学习的荧光陶瓷光热性能预测方法

本发明涉及荧光陶瓷微结构表征、计算机视觉与人工智能辅助材料性能预测,尤其涉及一种基于微结构图像深度学习的荧光陶瓷光热性能预测方法。

背景技术:

1、激光荧光陶瓷在高功率蓝光ld激发下承担光转换和热传导双重功能,其实际服役性能不仅由组分和发光中心决定,也强烈受微观结构影响。晶粒尺寸、晶界连续性、气孔率、晶界杂质、第二相分布和缺陷团聚都会改变光在陶瓷内部的传播路径和热传导通道,从而影响发光效率、色坐标稳定性和饱和功率密度。

2、需要说明的是,sem、bse、eds和ebsd等二维图像不能脱离材料组分、厚度和测试条件而单独决定热导率或饱和功率密度。热导率主要受声子散射、气孔、晶界、第二相及其连通状态共同影响;饱和功率密度则受热积累、发光热猝灭和光散射共同影响。因此,本发明并不将二维图像直接等同于光热性能,而是将二维图像用于提取微结构中间表征,再与组分、工艺和测试条件融合后进行预测。

3、三维卷积神经网络通常适合处理x射线ct、fib-sem连续切片或三维重构数据,但在常规荧光陶瓷研究中,最容易获得且数量最多的数据通常是二维sem图像、bse图像、eds元素分布图和ebsd取向图。若将三维卷积神经网络作为必要技术特征,既可能增加数据获取难度,也会不必要地缩小方法保护范围。因此,对于二维微结构图像,应采用二维卷积网络、图像分割网络或视觉注意力模型进行处理。

4、目前已有图像深度学习方法可用于一般材料显微图像识别,但针对ce:yag、ce:luag和al2o3-石榴石复相荧光陶瓷,仍缺乏一种将二维显微图像、制备工艺、微结构物理先验和光热性能标签统一关联的预测方法。特别是对于高功率激光照明场景,需要预测的不是普通显微结构类别,而是热导率、光散射、150℃发光保持率和饱和功率密度等光热综合性能。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种基于微结构图像深度学习的荧光陶瓷光热性能预测方法。

2、为达到上述目的,本发明第一方面实施例提出了一种基于微结构图像深度学习的荧光陶瓷光热性能预测方法,包括以下步骤:

3、s1,获取含ce3+石榴石荧光陶瓷样品的二维微结构图像、组分参数、工艺参数、样品厚度、测试条件及对应的光热性能测试数据;

4、s2,对二维微结构图像依次进行裁剪、去噪、灰度归一化、尺度标定、数据增强及样本标注的预处理操作;

5、s3,将预处理后的二维微结构图像输入二维图像深度学习模型,提取晶粒尺寸、晶界连续性、气孔率、第二相分数、第二相团聚程度及缺陷聚集程度的微结构特征;

6、s4,将微结构特征与组分参数、工艺参数、样品厚度及测试条件进行融合,通过微结构特征到热导路径、光散射路径和发光衰减路径的中间物理表征,建立从二维微结构图像到微结构质量、再到光热性能的定量映射关系,预测热导率、光散射强度、发光效率、150℃发光保持率及饱和功率密度中的一种或多种光热性能;

7、s5,根据预测结果输出微结构质量评价和光热性能预测结果,用于在未对全部样品开展完整光热测试前完成样品快速分级评价和优先测试筛选;

8、其中,二维图像深度学习模型为面向ce3+石榴石荧光陶瓷和al2o3-石榴石复相荧光陶瓷构建的“微结构分割—物理中间表征—性能回归”三段式专属模型,将晶粒、晶界、气孔、第二相和缺陷聚集的微结构特征转化为热导路径连续度、光散射风险指数和发光衰减风险指数;

9、二维微结构图像包括sem图像、bse图像、eds元素分布图和ebsd取向图中的一种或多种。

10、另外,根据本发明上述实施例的基于微结构图像深度学习的荧光陶瓷光热性能预测方法,还可以具有如下的附加技术特征:

11、根据本发明的一个实施例,荧光陶瓷包括ce:yag荧光陶瓷、ce:luag荧光陶瓷、y/lu共占位石榴石荧光陶瓷和al2o3-石榴石复相荧光陶瓷中的一种或多种;工艺参数包括粉体粒径、球磨时间、分散剂含量、成型压力、烧结温度、保温时间、退火温度和退火气氛。

12、根据本发明的一个实施例,二维图像深度学习模型包括resnet、densenet、efficientnet、convnext、u-net、deeplab、mask r-cnn和vision transformer中的一种或多种;二维图像深度学习模型采用二维卷积神经网络或二维注意力机制模型提取显微图像特征。

13、根据本发明的一个实施例,尺度标定包括将图像中像素尺寸换算为实际长度,实际长度的标定范围为50nm/pixel~500nm/pixel;当图像倍率、仪器型号或陶瓷晶粒尺度发生变化时,依据图像标尺对像素尺寸进行等效换算;图像裁剪尺寸为128×128像素至1024×1024像素;数据增强包括随机旋转、水平翻转、垂直翻转、亮度扰动、对比度扰动和高斯噪声扰动中的一种或多种。

14、根据本发明的一个实施例,样本标注包括晶粒区域标注、气孔区域标注、第二相区域标注、晶界区域标注和异常缺陷区域标注中的一种或多种;对于标注样本,采用分割损失函数训练微结构分割分支,对于未完全标注样本,采用图像级性能标签训练性能回归分支。

15、根据本发明的一个实施例,二维图像深度学习模型包括共享特征提取骨干网络、微结构分割头、微结构物理表征头和性能回归头;其中,微结构分割头输出气孔率、晶粒边界、第二相面积分数和缺陷聚集区域;微结构物理表征头输出热导路径连续度、光散射风险指数和晶界缺陷富集指数;性能回归头输出热导率、发光效率、光散射强度、150℃发光保持率和饱和功率密度。

16、根据本发明的一个实施例,训练损失函数包括dice损失、交叉熵损失、平均绝对误差损失、均方误差损失和石榴石陶瓷微结构物理一致性损失;石榴石陶瓷微结构物理一致性损失包括晶界连续度与热导路径的约束、第二相团聚程度与光散射强度的约束、晶界缺陷富集程度与150℃发光保持率的约束以及气孔率与有效热导率的约束。

17、根据本发明的一个实施例,当输入为多模态图像时,sem图像、bse图像、eds元素分布图和ebsd取向图的融合方式包括通道拼接融合、独立编码器特征加权融合和跨注意力融合中的一种或多种;其中,通道拼接融合将同一区域配准后的多类图像作为多通道输入;独立编码器特征加权融合分别提取不同图像模态的特征后进行加权求和;跨注意力融合以sem或bse形貌特征为查询向量,以eds或ebsd特征为键和值向量进行特征匹配。

18、根据本发明的一个实施例,模型训练采用adam或adamw优化器,初始学习率为1×10-5~1×10-3,批量大小为8~64,训练轮数为100~400,图像增强概率为0.2~0.8,训练集、验证集和测试集比例为60%~80%:10%~20%:10%~20%,并以验证集回归误差和分割误差作为联合早停依据。

19、根据本发明的一个实施例,光热性能预测结果包括热导率、光散射强度、发光效率、150℃发光保持率和饱和功率密度的预测值、预测区间或等级评价中的一种或多种;微结构质量评价包括晶粒均匀性评价、晶界连续性评价、气孔风险评价、第二相团聚风险评价和缺陷聚集风险评价中的一种或多种;预测结果用于已有样品的快速性能评价、优先测试筛选和微结构风险判定。

20、本发明具有以下有益效果:

21、(1)本发明以二维sem、bse、eds和ebsd等常规显微表征图像为主要输入,不要求必须获得三维重构数据,因而更适合荧光陶瓷实验室和工程化研发中的常规数据条件。

22、(2)本发明将图像分割结果、微结构统计结果、物理中间表征和光热性能预测结果结合起来,使晶粒、晶界、气孔和第二相不再停留在定性描述层面,而能够转化为可训练、可评价和可反馈的量化特征。

23、(3)本发明不是用二维图像直接替代热导率或饱和功率密度测量,而是在组分、厚度和测试条件已知或输入的条件下,通过热导路径、光散射风险和晶界缺陷富集等中间表征建立微结构—光热性能映射关系,物理逻辑更加清晰。

24、(4)本发明提出针对石榴石荧光陶瓷的晶粒—气孔—第二相耦合约束,能够减少普通分割回归模型在小样本微结构图像上出现的非物理预测结果。

25、(5)本发明的输出为微结构质量评价和光热性能预测结果,可用于已有样品的快速分级评价、优先测试筛选和显微结构风险判断;其侧重微结构评价与正向预测,不直接保护逆向配方生成、工艺窗口输出或跨尺度设计流程,从而与原子尺度热猝灭预测方法和跨尺度逆向设计方法形成清晰分工。

26、本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。