将多模态疲劳断裂表面图像组合并用 CNN 进行分析

为什么微小裂纹很重要

从喷气发动机到医用植入物等日常技术都依赖金属零件承受数百万次载荷循环而不发生突然断裂。然而，大多数工程失效仍始于微小、几乎不可见的裂纹，这些裂纹缓慢扩展直到灾难发生。本文探讨如何解读这些裂纹在断裂金属表面留下的“指纹”，以及如何将不同类型的显微图像与现代人工智能相结合，把这些指纹转化为关于零件如何以及为何失效的早期预警。

用新视角观察破裂的金属

当金属零件因反复载荷而断裂时，暴露的断裂面并不光滑。它覆盖着记录裂纹起始和扩展过程的图案——脊、谷和纹理。传统上，受过训练的专家借助强力显微镜目视检查这些断裂面，依靠经验来解释所见。作者聚焦于一种广泛使用的钛合金 Ti-6Al-4V，常见于航空组件。他们提出计算机能否学会读取这些复杂表面，不仅用于标注断裂方式，还能估算诸如裂纹增长速度和裂纹距原始载荷线的距离等实用量——这些信息直接关系到零件的剩余寿命。

同一断裂表面的三种视图

该研究结合了三种不同的成像方法，每种方法揭示同一断裂面不同的方面。首先，扫描电子显微镜的次级电子（SE）图像捕捉细小的地形特征——表面的微小脊和凹坑。其次，反向散射电子（BSE）图像强调底层显微组织的差异，突出合金不同相对裂纹响应的影响。第三，扫描白光干涉（SWLI）提供实际的高度图，给出较大面积上粗糙度的精确三维信息。通过精确对齐这三种图像，使相同的显微特征重合，作者将它们打包到单个复合图像的红、绿、蓝三个颜色通道中，作为输入喂入标准的图像识别神经网络。

教神经网络读取断裂指纹

团队使用了一个最初在日常照片上训练的卷积神经网络，并将其改造用于识别复合断裂图像中的模式。他们将断裂面的大幅扫描图切分成许多小块，每个小块代表裂纹路径的一小片区域。对于每个图块，网络被训练完成两项任务：分类试样的锻造方向（作为金属加工方式的代理）和预测诸如沿裂纹的距离以及裂纹增长速率等数值。他们首先单独测试每种成像方法，然后测试 SE、BSE 和 SWLI 分配到三色通道的所有六种可能方式，以研究通道顺序是否影响性能。

组合图像所揭示的内容

单独来看，每种技术都有重要贡献。SWLI 测量真实表面高度，对于预测裂纹沿试样扩展的距离最为准确。BSE 图像擅长识别锻造方向，这很可能因为它们强调了影响裂纹扩展的合金相的差异。SE 图像的表现介于两者之间。当三种模态融合成一张彩色图像时，模型的准确性和不同数据划分之间的可靠性都有显著提升。与仅使用单一成像方法的早期工作相比，最佳组合将预测裂纹长度的误差几乎减半，并将方向分类提高到在可用数据上接近完美的准确率。网络还能够在现实范围内估计裂纹增长速率，在该范围内的误差约为 10%，尽管数据集相对较小。

为何这种方法可能改变失效分析

除了更好的数值结果外，研究展示了一个强有力的观点：来自截然不同仪器的数据可以合并为通用视觉网络能够处理的形式，而无需从头设计新算法。将高度图和电子显微图像视为单幅图像中的不同“颜色”，使神经网络能够发现表面粗糙度、显微组织与载荷历史之间的微妙联系。对于工程师来说，这指向了这样的未来：失败零件的断裂面只需扫描一次，软件便能快速给出裂纹如何生长以及在何种条件下生长的定量估计。此类工具可改进失效调查、指导更安全的设计，并最终有助于在零件达到断裂点之前监测在役组件。

引用: Jones, K., Shade, P., John, R. et al. Combining multimodal fatigue fracture surface images for analysis with a CNN. Sci Rep 16, 9561 (2026). https://doi.org/10.1038/s41598-025-97184-z

关键词: 疲劳断裂, 多模态成像, 卷积神经网络, 材料失效分析, 钛合金