高质量数据集典型案例 | 铝合金材料金相组织图片数据集

　　推荐单位：中国铝业集团有限公司
　　申报单位：中铝材料应用研究院有限公司
　　一、背景
　　微观组织决定金属材料的关键性能，其精确的定量表征数据是构建“成分－工艺－组织－性能”模型的基础。针对传统二值化方法易误判、一致性差，数据积累不足而制约AI模型开发的现状，构建铝合金材料金相组织图片数据集。包含11GB专家标注金相图片，支撑高精度AI模型开发。通过平台统一管理，年底将沉淀15GB推理数据，赋能材料研发。
　　二、方案和成效
　　一是构建半自动化标注体系，攻克数据制备效率瓶颈。针对人工标注速度慢、一致性差的问题，采用“AI预标注+人工修正”模式优化标注流程，实现标注自动化率超80%，标注效率较传统方式提升3倍以上。结合Mosaic增强与自适应网格切分技术，建成11GB高质量训练集。
　　二是创新双模型协同架构，突破复杂组织识别难点。针对色差相近显微组织误判率高的问题，在复杂场景采用中铝集团“坤安”大模型开发实例分割算法，突破传统二值化的多项局限，精准识别灰度相近、对比度低的组织；在简单场景下，则部署轻量化的OpenCV模型，有效压缩了计算成本。最终整体识别准确率达99.5%。
　　三是建设智能化金相分析平台，打通数据应用闭环。针对分析链路割裂的问题，开发“金属智眼”平台，与实验室Lims系统链通，集成数据采集、模型推理与存储模块，实现单图分析耗时从3分钟压缩至0.6秒，日处理量超2000张，预计年底沉淀15GB可复用推理数据集。
　　四是释放检测效能，实现资源优化配置，赋能金相分析领域降本增效。通过AI模型替代人工分析，人力成本降低90%以上，释放检测设备资源约30%，推动技术人员及设备资源向高价值任务聚焦。
　　三、创新点
　　一是创新开发半自动化标注模式。利用改进型阈值分割算法实现组织边界的快速初标，通过微调后的高精度图像分割模型进行轮廓修正，辅以专家精细标注，效率提升3倍以上的同时保障了数据标注质量。
　　二是首创多尺度特征融合的算法架构，攻克衬度相近组织识别难题。针对传统视觉检测中因显微组织衬度接近导致的误判难题，建立跨尺度特征关联模型，有效排除污渍、划痕等无关干扰。单张金相图检测耗时压缩至0.6秒，支持2000张/日的高通量处理能力。
　　三是为成分设计及工艺优化提供精准数据支撑，驱动有色金属行业智能化转型。与实验室Lims系统链通，沉淀为“成分－工艺－组织－性能”的多模态数据集，为下一步材料研发及垂域大模型的训练奠定数据基础。