夹杂物是炼钢过程中不可避免的副产品。由不同的化学反应和过程产生的微观粒子在尺寸、形状和成分上有很大的差异，对钢的材料性能有重要的影响。一个多世纪以来，夹杂物一直是工业界关注的焦点，在生产环境和学术研究中也是如此。

   卡内基梅隆大学材料科学与工程学（MSE）教授布莱恩·韦伯勒（Bryan Webler）表示：“夹杂物是一些微小的颗粒始终漂浮在钢中，”。固相夹杂物会聚在一起，堵塞喷嘴和其他控制钢水流动的流量控制系统。一些夹杂物化学成分会降低钢的延展性、抗疲劳性或整体韧性。“它们会影响钢材的最终性能，这就是我们如此关心它们的原因。”

   韦伯勒和MSE教授利兹·霍尔姆（Liz Holm）转向了计算机视觉和机器学习技术来研究钢夹杂物，目的是使分析表征微观颗粒的速度更快、成本更低。他们在钢铁技术协会的2019年会议上分享了他们的初步研究。

   夹杂物分析通常依赖于两个输入：来自扫描电子显微镜的图像，通过分析这些图像获取尺寸、形状和位置的信息，以及能量色散光谱(EDS)来识别化学成分。在生产环境中，需要训练有素的冶金学家几个小时才能鉴定出钢样品中的夹杂物。

   不过，缩短这一周转时间可能会让炼钢企业更严格地控制产品质量和原材料的使用。以钙疗法为例，这是韦伯勒研究的另一个重点。可以在熔体中加入钙以形成钙铝酸盐，将固体氧化铝夹杂物转化为液滴，从而降低堵塞喷嘴的风险。但是，添加过多的钙会形成不良的固体硫化钙夹杂物。通过有关夹杂物的数量信息，操作员可以调整添加的钙量以达到正确的水平。硫化钙包裹体形成了吗？调低钙。氧化铝过多？添加更多。进行此分析的速度会影响物料成本和工艺性能的运营底线。

   计算机视觉是一种依赖于机器学习的高级图像处理技术，它正变得无处不在：从智能手机上的面部识别到将旧的书面作品转换为数字文本的字符分析。材料科学中越来越多地使用计算机视觉和机器学习。Holm已使用这些技术对碳纳米管进行分类，预测应力热点并表征用于3D打印的粉末原料。霍尔姆说，包含分析是一个充满图像的区域，自然很适合计算机视觉。

   首先，在扫描电子显微镜图像中总是存在非夹杂物（例如灰尘，孔洞，划痕），这些杂物会被错误地检测为夹杂物（假阳性）。即使分类正确，分析误报对于EDS系统仍是浪费时间，将其过滤掉将加快流程。此外，如果仅凭计算机视觉就可以仅通过扫描电子显微镜图像确定夹杂物的化学成分，就可以完全消除EDS，从而减少设备和人工成本。

   然而，对Webler更具吸引力的想法是，计算机视觉可以阐明有关内含物的未知信息。在其他领域，计算机视觉已经能够产生人类解释看不见的见解。

   霍尔姆认为：“计算机视觉系统可以在视网膜图像中“看到”诸如年龄，性别甚至是心脏病危险因素的特征。“以前没有眼科医生通过观察人眼发现任何这些特征。通过放宽对包含物图像的计算机视觉，团队希望可以通过图像中错综复杂的差异来学习，以发现新的见解，从而了解夹杂物中可能隐藏的内容。

   韦伯勒和霍尔姆的初步研究结果令人鼓舞。通过他们分析的扫描电子显微镜图像，他们以98%的准确率确定了一个特征是否还有夹杂物。将计算机视觉集成到当前的系统中，过滤掉不包含的内容，这可能会节省EDS扫描的时间。区分每个特征是否包含夹杂物，他们的算法耗时70毫秒。使用EDS进行同样的测定需要超过14倍的时间(大约1000毫秒)。

   尽管这项工作仍处于初期阶段，但Webler对其团队的方法以及最终如何对行业产生积极影响感到乐观。

   目前我们经常听到了很多有关大数据，工业4.0以及所有这些方面的信息，但是这些技术在很多方面仍然是不透明的。但是在这个研究案例中，我们可以看到机器学习技术以这种特定方式应用时效果。