MicroAl-Dataset

MicroAl-Dataset是一个铝合金微观结构图像的精选数据集，包含微米和纳米尺度的图像，支持材料科学中的视觉感知和测量研究。数据集设计用于促进工业视觉应用的深度学习研究，解决材料科学中高标注成本的挑战。

MicroAl-Dataset is a curated dataset of aluminum alloy microstructure images, encompassing images at both micron and nanometer scales, and supports visual perception and measurement research in materials science. The dataset includes multi-scale images and various types of weak annotations, aiming to alleviate the challenge of high annotation costs in materials science and promote deep learning research for industrial visual applications.

原始信息汇总

MicroAl-Dataset 数据集概述

数据集简介

MicroAl-Dataset 是一个在弱标注下的铝合金显微结构精选数据集，旨在支持材料科学领域的视觉感知与测量研究。该数据集包含微米和纳米尺度的铝合金显微结构图像，专为降低材料科学中高标注成本的挑战而设计，以促进工业视觉应用中的深度学习研究。

数据集结构

数据集主要分为两个部分：金相显微镜图像和电子显微镜图像。

金相显微镜图像 (Metallo)

• Pre-heat-treated/: 预热处理图像，包含Si颗粒、含Fe相。
  • pre-img/: 金相图像（1像素 = 0.1 μm）。
  • pre-gt/: 第二相分割标签。
• Heat-treated/: 热处理图像，包含晶粒、Si颗粒。
  • image/: 金相图像（1像素 = 0.1 μm）。
  • mask/: Si颗粒分割标签。
  • label/: Al晶界检测标签。
• Nanshan/: 南山合金金相图像（仅样本，待授权）。
  • As-cast/: 铸态铝合金。
  • Film-coated/: 薄膜涂层铝晶粒。
• NEU-As-cast/: NEU铸态铝图像（仅样本，标注进行中）。
  • 5xxx/: 5xxx系列合金。
  • 6xxx/: 6xxx系列合金。

电子显微镜图像 (Electron)

• TEM image/: 纳米尺度析出物的TEM图像。
  • TEM-img/: TEM图像（1像素 = 0.16 nm）。
  • annotation/: 析出物实例分割标签。
• TEM dark-field image/: 纳米尺度析出物的TEM暗场图像（仅样本，标注进行中）。
• HRTEM image/: 用于析出物相鉴定的HRTEM图像（仅样本，标注进行中）。
• Nanshan SEM image/: 南山铝合金显微结构的SEM图像（仅样本，待授权）。

文档

• docs/description.pdf: 详细的数据集描述和可视化文档。

标注类型

遵循弱监督学习的分类法，提供了三种弱标注类型以及标准标注：

类型	描述	格式
不准确	标注者存在分歧或边界模糊	每个区域的模糊标签
不完整	仅标注了部分像素/区域	稀疏的像素级标签
不精确	粗粒度标注	边界框或图像级标签
标准	由领域专家进行的精确像素级完整标注	密集的像素级掩码

数据集统计

下表所列数据集已完全公开可用。

数据集	任务	图像数量	类别	标注类型
Pre-heat-treated	语义分割	1584	Si颗粒 / 含Fe相（微米）	不准确/不完整/标准
Heat-treated	边界检测 / 语义分割	1400	Al晶粒 / Si颗粒（微米）	不准确/不完整/标准
TEM image	实例分割	330	析出物（纳米）	不准确/不精确/不完整/标准

预期用途

• 开发用于显微结构分析的全监督/弱监督学习方法。
• 在有限/不完美的标注下对视觉感知模型进行基准测试。
• 探索材料科学中的不确定性估计和领域知识集成。

许可与访问

• 许可：本数据集仅用于学术研究目的。未经数据所有者事先书面授权，严禁用于商业用途。
• 数据所有权：数据集中的图像和标注由东北大学、沈阳大学和山东南山铝业股份有限公司共同所有。未经许可，不得分发、复制或用于商业用途。
• 当前发布版本：
  • Google Drive: https://drive.google.com/file/d/1lh3QeOb6iy1B9NJHq32pt1nBvyuBOUDv/view?usp=sharing
  • 百度网盘: https://pan.baidu.com/s/1My7PmglxRcJCKeTPTqwagw (提取码: mico)
• 注意：当前为样本版本，仅供参考。完整公开版本将在相关论文发表后发布。
• 早期访问：如有紧急需求，可联系作者并提供研究目的简介。对于符合条件的学术研究者，可分享完整数据集。

引用

如果使用本数据集，请引用以下论文： bibtex @article{li2023semisupervised, title={Semisupervised boundary detection for aluminum grains combined with transfer learning and region growing}, author={Li, Mingchun and Chen, Dali and Liu, Shixin and Liu, Fang}, journal={IEEE Transactions on Neural Networks and Learning Systems}, volume={34}, number={9}, pages={6158--6172}, year={2023}, publisher={IEEE} } @article{li2021prior, title={Prior mask R-CNN based on graph cuts loss and size input for precipitation measurement}, author={Li, Mingchun and Chen, Dali and Liu, Shixin and Liu, Fang}, journal={IEEE Transactions on Instrumentation and Measurement}, volume={70}, pages={1--15}, year={2021}, publisher={IEEE} } @article{li2025uncertainty, title={Uncertainty estimation method based on Dirichlet distribution for microstructure segmentation and measurement in aluminum alloy metallographic images}, author={Li, Mingchun and Liu, Yang and Chen, Dali and Wang, Qiang}, journal={Measurement}, volume={246}, pages={116744}, year={2025}, publisher={Elsevier} }

联系

如有问题或合作机会，请联系：[e-mail]

搜集汇总

数据集介绍

构建方式

在材料科学领域，微观结构的精确表征对于理解铝合金性能至关重要。MicroAl-Dataset的构建采用了多尺度成像技术，涵盖从微米到纳米级别的铝合金微观结构图像。数据采集过程结合了金相显微镜、扫描电子显微镜和透射电子显微镜等多种成像手段，确保了图像在分辨率和细节上的丰富性。标注工作由领域专家主导，针对不同任务提供了包括标准像素级标注在内的多种弱监督标注类型，如不精确、不完全和不准确标注，以模拟实际工业场景中标注成本高昂的挑战。数据集的结构化组织遵循材料处理状态和成像技术的分类，便于研究者按需访问特定子集。

特点

该数据集的核心特点在于其多尺度与弱标注的融合设计。它不仅提供了微米尺度的硅颗粒、铝晶粒和含铁相，以及纳米尺度的析出相图像，还引入了三种弱监督标注类型，为深度学习模型在有限标注条件下的鲁棒性研究提供了真实基准。数据集的规模覆盖了多个铝合金系列和处理状态，如预热处理、热处理和铸态样品，增强了其在材料视觉分析中的代表性和泛化能力。此外，部分子集仍处于持续更新中，反映了数据集的动态扩展性，旨在支持材料科学中视觉感知与测量领域的前沿探索。

使用方法

针对材料视觉分析的研究需求，该数据集支持多种深度学习任务的应用。研究者可利用其进行全监督或弱监督学习方法开发，例如语义分割、边界检测和实例分割，特别是在标注不完全或模糊的场景下评估模型性能。数据集的结构清晰，用户可根据任务选择相应子集，如预热处理图像用于第二相分割，热处理图像用于晶界检测，TEM图像则适用于析出相的实例分割。使用前需仔细阅读文档描述，遵循学术许可协议，并通过提供的云端链接获取数据，以促进铝合金微观结构分析中的算法创新与基准测试。

背景与挑战

背景概述

在材料科学领域，微观结构的视觉分析与定量表征是连接材料性能与工艺参数的关键桥梁。MicroAl-Dataset由东北大学、沈阳大学及山东南山铝业股份有限公司的研究团队于近年联合构建，旨在应对深度学习在工业视觉应用中的高标注成本挑战。该数据集聚焦铝合金材料，系统收录了涵盖微米与纳米尺度的显微图像，包括金相显微镜、扫描电镜及透射电镜等多种成像模态，为核心研究问题——微观组织的分割、检测与测量——提供了多任务、多标注类型的基准数据。其构建不仅推动了材料科学中视觉感知方法的发展，也为弱监督学习在跨尺度、跨模态图像分析中的应用奠定了实证基础。

当前挑战

该数据集致力于解决材料科学中微观结构视觉感知与测量的核心问题，其首要挑战在于如何在高成本、高专业门槛的专家标注约束下，实现多尺度、多相态微观组织的精确识别与定量分析。具体而言，微观图像的复杂纹理、低对比度及尺度差异使得传统计算机视觉方法难以稳健处理，而深度学习模型又严重依赖大量精准标注数据。在构建过程中，研究团队面临多重挑战：一是数据获取需协调跨机构合作，涉及多种昂贵成像设备与复杂样品制备流程；二是标注工作极度依赖领域专家知识，导致标注周期漫长、成本高昂；三是为拓展模型泛化能力，需精心设计涵盖不完全、不精确及不准确等多种弱标注类型，以模拟实际工业场景中的标注不确定性。

常用场景

经典使用场景

在材料科学领域，微观结构的精确表征是理解合金性能的关键。MicroAl-Dataset作为铝合金微观结构图像的精选集合，其经典使用场景聚焦于开发深度学习模型，以自动化识别和分割不同尺度的微观特征，如微米级的硅颗粒、铝晶粒和铁相，以及纳米级的析出物。这一数据集通过提供弱标注和标准标注，支持研究人员在标注成本受限的条件下，训练和评估视觉感知模型，从而推动材料微观分析从依赖专家经验向数据驱动方法的转变。

解决学术问题

该数据集有效解决了材料科学中因高标注成本而阻碍深度学习应用的学术难题。通过引入不准确、不完整和不精确的弱标注类型，它促进了弱监督学习方法的发展，使模型能够在有限或模糊的标注下学习鲁棒特征。此外，数据集支持不确定性估计和领域知识集成的研究，帮助学术界探索如何在微观结构分析中量化模型置信度并融入专家先验，从而提升自动化测量的可靠性和可解释性，为材料视觉感知研究提供了标准化基准。

衍生相关工作

围绕MicroAl-Dataset，已衍生出一系列经典研究工作，推动了材料视觉分析的前沿。例如，基于热处理的铝晶粒边界检测研究，结合迁移学习和区域生长方法，提升了半监督边界检测的精度；针对纳米析出物的实例分割，开发了基于先验形状知识的弱监督方法，如Shape2Mask；此外，利用预热处理数据集的对比学习预训练和狄利克雷网络，分别优化了密集预测任务的不确定性估计能力。这些工作不仅验证了数据集的实用性，还拓展了弱监督学习在材料科学中的应用边界。