金相学

MLography：这是一种新颖的机器学习方法，专注于肉类金相学中的异常检测。MLography通过数据挖掘和深度学习实现自动化的杂质检测和分析。此方法利用几何对象的异常分数来识别和量化不同的杂质类型。以下是模型的主要功能： 空间异常：检测在邻域中体积较大且距离较远的杂质，评估其异常度。 形状异常：将不对称的形状视为异常，从形状特征上突出杂质。 综合异常：结合空间和形状异常分数，呈现最具代表性的杂质对象。 区域异常：分析异常物体的空间分布，量化区域内的杂质位置和数量。 本存储库提供MLography实现细节，包括代码、数据以及MLographyENV文件，用于快速创建带所需软件包的anaconda环境。引用：如果此工具对您的研究有帮助，请引用MLography以支持进一步发展。

根据不同情况，对多相合金中的颗粒状第二相进行二值化、颗粒分割、孔洞填充以及滤波等图像预处理，得到离散的多目标黑白二值图像。为了统计分析多个颗粒，提出了多目标边界追踪算法，利用八连通边界追踪得到的每个颗粒的唯一标志点及其边界的Freeman码，从而获得第二相的体积分数、周长、面积、形状因子、平均自由程等特征参数。实验结果验证，该算法在离散多目标统计中表现出了实用性和有效性。