通过高分辨率计算机断层扫描成像的材料孔隙率估算的高级堆叠建模技术

混凝土中微小孔隙为何重要

从桥梁和摩天大楼到海上风电场，我们依赖的许多结构由混凝土或类似的工程材料构成。在这些固体内部潜藏着由微小空隙或孔洞组成的精细结构，默默地决定着材料的强度、耐久性和防水性。测量这种孔隙率长期以来需要缓慢的、手工的实验室工作以及对复杂X射线图像的细致检查。本文提出了一种使用人工智能全自动读取这些图像的方法，承诺能更快且更可靠地对现代建筑材料的健康和质量进行检测。

用X射线洞察材料内部

孔隙率本质上是固体内部空隙的比例。在混凝土及相关材料中，它影响从力学强度和裂缝扩展到水、盐或污染物渗透的方方面面。工程师越来越多地使用微型计算机断层扫描（micro‑CT）对样品进行三维扫描，生成显示固相与空隙分布的详细灰度图像。但将这些丰富的图像转化为清晰的孔隙地图并不简单。传统技术依赖于手动选择亮度阈值和绘制感兴趣区域，这些选择因人而异，在图像噪声大或分辨率受限时容易失效。其结果是一个劳动密集的工作流程，难以满足工业化需求的速度。

让神经网络识别重要信息

作者采用一种“堆叠”方法，将深度学习与精心设计的图像规则相结合来解决这些问题。首先，受流行目标检测模型启发的深度卷积神经网络（DeepCNN）被训练用于查看来自不同类混凝土材料的micro‑CT切片。这些样品包括若干水泥砂浆、一种地聚合物砂浆和超高性能混凝土。网络并不直接对每个孔进行分割，而是承担两项任务：自动裁切出一个干净的中心感兴趣区域——以避免框架伪影和边缘失真——并基于细微的纹理和灰度模式识别图像所属的材料类别。

从灰度到孔隙地图

在网络孤立并标记出感兴趣区域后，第二个模块接管实际的孔隙测量。在这里，作者有意避免不透明的端到端AI系统，而采用基于规则的自适应程序。像素首先被分为三到四个强度簇，以区分可能的固体、孔隙和过渡区。然后根据材料类型和图像特性，框架选择合适的滤波与阈值处理方案——例如应用中值或高斯模糊以降低噪声，并在局部与全局强度截断之间进行选择。该基于规则的自适应阈值处理将每幅图像转换为简单的黑白地图，其中一类值代表固体，另一类代表空隙。孔隙率随后被计算为裁切区域内被分类为孔隙的像素占比。

新方法与实验室测试的吻合程度如何？

为检验自动测量的可信度，研究团队将其与真空比重计（vacuum pycnometry）获得的孔隙率值进行比较，后者是一种通过气体置换推断孔体积的成熟实验技术。在两万多幅CT图像中，每种材料类别的估算孔隙率通常仅比比重计结果相差2–3个百分点，对某些配比的吻合度尤其高。DeepCNN分类器在测试数据上的表现几乎无懈可击，能够清晰地区分六种材料类型。统计分析表明，在数据子集之间孔隙率估算保持稳定，尽管该框架在高分辨率、低噪声扫描上性能最佳，而对超致密混凝土的表现则略逊一筹——此类材料孔隙稀少且更难分辨。

对实际材料意味着什么

从实际角度看，研究表明可以将复杂水泥基材料的原始micro‑CT图像转化为可靠的孔隙率估算，几乎无需人工干预。通过将任务拆分为学习型分类阶段和透明的基于规则的测量阶段，作者在速度（每幅图像约数十分之一秒）与可解释性之间取得了平衡。该框架并非通用解决方案：它仍依赖于图像质量，无法检测低于扫描分辨率的孔隙，并且需要为全新材料重新训练或调整。尽管如此，它指向了一种工业CT工作流程的前景，在该流程中对混凝土及相关材料的质量控制可近实时执行，帮助工程师设计更耐久的结构并更高效地监测其内部健康状况。

引用: Kim, B., K.R., S., Natarajan, Y. et al. Advanced stacked modeling techniques for material porosity estimation via high-resolution computed tomography imaging. Sci Rep 16, 12714 (2026). https://doi.org/10.1038/s41598-026-39748-1

关键词: 孔隙率估算, 微型CT成像, 深度学习, 混凝土材料, 图像分割