基于深度学习的钢铁材料微观组织自动识别方法技术

本发明专利技术公开了一种基于深度学习的钢铁材料微观组织自动识别方法。一、确定要识别的钢材微观组织种类及微观组织放大倍数，搜集在该放大倍数下电子扫描显微镜获得的相同规格大小的历史钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签；二、对步骤一中搜集到的所有图片进行相同的预处理；三、构建卷积神经网络CNN‑ICAM模型；四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN‑ICAM模型进行训练；五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的卷积神经网络模型进行自动识别。该方法不仅能提高识别精度又能提高识别速度。

【技术实现步骤摘要】
基于深度学习的钢铁材料微观组织自动识别方法
本专利技术属于钢铁材料微观组织识别
，涉及一种基于深度学习的钢铁材料微观组织自动识别方法，尤其涉及一种基于卷积神经网络的钢铁材料微观组织自动识别方法。
技术介绍
钢铁材料以其优异的力学性能和低廉的成本，仍然是最重要和最广泛使用的材料之一，钢铁材料微观组织丰富多样，包括铁素体，珠光体，贝氏体，马氏体，奥氏体等，其微观组织类型、含量、尺寸、形貌和分布等特点决定了材料的性能，因此研究钢铁材料的微观组织重要意义。在钢铁材料微观组织中，如何正确对微观组织进行分类尤其重要。受加热条件、轧制工艺、冷却速度、热处理工艺等因素的影响，钢铁材料微观组织形貌具有多样性和复杂性。例如，根据冷却速度不同，铁素体的形态有等轴状、不规则状、针状等；根据转变温度不同，钢中贝氏体形态有羽毛状(上贝氏体)、针状(下贝氏体)、片状等；根据含碳量不同，钢中马氏体形态有板条状、针状、片状等。目前，钢铁材料微观组织分类任务是通过人工观察样品图像，并为其分配一个微结构类来完成的。人工分析对技术人员的专业知识水平和实践经验等依赖性较大，且由于技术人员专业水平不同，会产生不同的意见，使得人工分类效率较低，误差较大。深度学习的概念源于人工神经网络的研究，是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。有研究表明，深度学习在某些特定的图像识别上，能力已经超过人类，造成这一现象的主要原因是深度学习模型通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，和其较强抗噪、复杂函数表达及泛化能力，深度学习不止应用于图像识别，还包括图像生成、机器翻译、目标检测、机器人技术等多个领域。典型的神经网络结构通常由输入层、卷积层、池化层(下采样层)、全连接层以及输出层组成，还包括Relu激活函数，损失函数；输入层决定了原始图像输入向量的尺寸；卷积层用于从一个平面到下一个平面的映射，其神经元自动提取图像的局部特征，每个神经元都与前一层的局部感受域相连，每层中各平面的神经元提取图像中特定区域的局部特征，如边缘特征、方向特征等；池化层可看作是模糊滤波器，起到二次特征提取的作用，且池化层隐层与隐层之间的空间分辨率递减，而每层所含的平面数递增，这样可用于检测更多的特征信息；全连接层连接并整合所有的特征后，将输出值送给分类器，映射到样本标签。图1展示了现代卷积神经网络Vgg16，其输入224*224*3的图像，其包含了1个输入层、13个卷积层、3个全连接层、5个池化层和1个Softmax回归层，另外，还引入了Dropout层(按照一定的概率使神经元之间断开连接，减少某些局部特征作用)防止过拟合；图1中A表示钢铁显微组织所有类别个数，Softmax层输出结果映射到(0，1)之间，通过Softmax计算第i类的概率，计算公式如下：其中，xi为预测分类的第i项；j代表总类别数；只是Softmax公式中的一部分，用来计算每一类概率。
技术实现思路
本专利技术的目的是为了解决现有技术存在的问题，提出一种基于深度学习的钢材微观组织自动识别方法，以提高钢材微观组织的识别精度与识别效率。本专利技术的目的是通过以下技术方案实现的：一种基于深度学习的钢材微观组织自动识别方法，包括以下步骤：步骤一、确定要识别的钢材微观组织种类以及微观组织放大倍数a，其中50<a<10000，并搜集在该放大倍数下电子扫描显微镜(SEM)所获得的相同规格大小的历史实验的钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签。步骤二、对步骤一中搜集到的所有图片进行相同的预处理；预处理方法如下：1)剔除电子扫描显微镜获取的微观组织图中含有的文字说明部分，得到只含有微观组织图本体的初始数据集，再将其分为初始训练数据集T0和验证数据集V0；2)将初始训练数据集T0中三通道的灰度图转化为单通道的灰度图，得到训练数据集T1；3)对训练数据集T1中的每张图片，按照步长m剪切为不同的n*n*1图像，其中100<m<400，100<n<800，得到新的训练数据集T2；4)对训练数据集T2中的所有图像进行图像减均值处理，得到训练数据集T3。步骤三、构建卷积神经网络CNN-ICAM模型，其中，CNN代表卷积神经网络，ICAM(Ironcarbonalloymicrostructure)代表钢铁材料微观组织图像；步骤四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN-ICAM模型进行训练；具体训练步骤如下：1)对神经网络CNN-ICAM模型的所有权重参数随机初始化。2)将训练数据集T3中图片排列顺序随机打乱。3)按打乱后的顺序向神经网络CNN-ICAM每次输入一定数量的图片(16张、32张或64张图片)，记录神经网络CNN-ICAM的输出向量，结合实际输出向量与期望向量，使用交叉熵损失函数与反向传播算法，更新CNN-ICAM模型的权重参数；将训练数据集T3中所有图片均输入一次，算一次迭代(即进行一次迭代计算；一次迭代是要把所有的图片都计算一遍，但是，图片数量太多，计算机不可能一次性计算，就只能分批，所以，一次迭代计算里面分多个批次，每批次输入一定数量的图片进行计算)。4)记录每次迭代模型参数，判断是否达到最大迭代次数，达到最大迭代次数，则执行步骤5，未达到则返回步骤3继续训练。5)取出训练过程中(迭代过程中)损失函数最小的模型作为最终模型Best_Model。步骤五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的权重参数即步骤四训练好之后得到的最终模型Best_Model进行自动识别。进一步地，上述步骤二的第4)步中，对训练数据集T2中的所有图像进行减均值处理的方法如下：求出训练数据集图像每个像素点的均值T2-mean(i,j)，i代表图像像素点的横坐标，j代表其纵坐标；对训练数据集中所有图像对应的像素点的像素灰度值P(i,j)减去均值T2-mean(i,j)。进一步地，上述步骤三中，构建25层卷积神经网络CNN-ICAM，该25层卷积神经网络CNN-ICAM的结构包括1个输入层、13个卷积层、3个全连接层、5个最大池化层、2个Dropout层和1个Softmax回归层；卷积层(Conv)均采用3*3卷积核，其中Conv1～2、Conv5～7含有64个卷积核，Conv3～4含有32个卷积核，Conv8～10含有128个卷积核，Conv11～13含有256个卷积核，且每次卷积操作后，接批量归一化(BatchNormalization)，再接Relu激活函数；最大池化层，池化像素面积为2*2，滑动步长为2；全连接层，前两层神经元个数为256，最后一层为所需分类的类别数；Dropout层，神经元消失概率为0.3～0.8。进一步地，上述步骤四中，预先设置迭代次数(100～100本文档来自技高网...

【技术保护点】
1.一种基于深度学习的钢铁材料微观组织自动识别方法，其特征在于，/n包括以下步骤：/n步骤一、确定要识别的钢材微观组织种类以及微观组织放大倍数a，其中50<a<10000，并搜集在该放大倍数下电子扫描显微镜所获得的相同规格大小的历史实验的钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签；/n步骤二、对步骤一中搜集到的所有图片进行相同的预处理；预处理方法如下：/n1)剔除电子扫描显微镜获取的微观组织图中含有的文字说明部分，得到只含有微观组织图本体的初始数据集，再将其分为初始训练数据集T0和验证数据集V0；/n2)将初始训练数据集T0中三通道的灰度图转化为单通道的灰度图，得到训练数据集T1；/n3)对训练数据集T1中的每张图片，按照步长m剪切为不同的n*n*1图像，其中100<m<400，100<n<800，得到新的训练数据集T2；/n4)对训练数据集T2中的所有图像进行图像减均值处理，得到训练数据集T3；/n步骤三、构建卷积神经网络CNN-ICAM模型，其中，CNN代表卷积神经网络，ICAM代表钢铁材料微观组织图像；/n步骤四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN-ICAM模型进行训练；具体训练步骤如下：/n1)对神经网络CNN-ICAM模型的所有权重参数随机初始化；/n2)将训练数据集T3中图片排列顺序随机打乱；/n3)按打乱后的顺序向神经网络CNN-ICAM每次输入一定数量的图片，记录神经网络CNN-ICAM的输出向量，结合实际输出向量与期望向量，使用交叉熵损失函数与反向传播算法，更新CNN-ICAM模型的权重参数；将训练数据集T3中所有图片均输入一次，算一次迭代；/n4)记录每次迭代模型参数，判断是否达到最大迭代次数，达到最大迭代次数，/n则执行步骤5，未达到则返回步骤3继续训练；/n5)取出训练过程中即迭代过程中损失函数最小的模型作为最终模型Best_Model；/n步骤五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的权重参数即步骤四训练好之后得到的最终模型Best_Model进行自动识别。/n...

【技术特征摘要】
1.一种基于深度学习的钢铁材料微观组织自动识别方法，其特征在于，
包括以下步骤：
步骤一、确定要识别的钢材微观组织种类以及微观组织放大倍数a，其中50<a<10000，并搜集在该放大倍数下电子扫描显微镜所获得的相同规格大小的历史实验的钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签；
步骤二、对步骤一中搜集到的所有图片进行相同的预处理；预处理方法如下：
1)剔除电子扫描显微镜获取的微观组织图中含有的文字说明部分，得到只含有微观组织图本体的初始数据集，再将其分为初始训练数据集T0和验证数据集V0；
2)将初始训练数据集T0中三通道的灰度图转化为单通道的灰度图，得到训练数据集T1；
3)对训练数据集T1中的每张图片，按照步长m剪切为不同的n*n*1图像，其中100<m<400，100<n<800，得到新的训练数据集T2；
4)对训练数据集T2中的所有图像进行图像减均值处理，得到训练数据集T3；
步骤三、构建卷积神经网络CNN-ICAM模型，其中，CNN代表卷积神经网络，ICAM代表钢铁材料微观组织图像；
步骤四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN-ICAM模型进行训练；具体训练步骤如下：
1)对神经网络CNN-ICAM模型的所有权重参数随机初始化；
2)将训练数据集T3中图片排列顺序随机打乱；
3)按打乱后的顺序向神经网络CNN-ICAM每次输入一定数量的图片，记录神经网络CNN-ICAM的输出向量，结合实际输出向量与期望向量，使用交叉熵损失函数与反向传播算法，更新CNN-ICAM模型的权重参数；将训练数据集T3中所有图片均输入一次，算一次迭代；
4)记录每次迭代模型参数，判断是否达到最大迭代次数，达到最大迭代次数，
则执行步骤5，未达到则返回步骤3继续训练；
5)取出训练过程中即迭代过程中损失函数最小的模型作为最终模型Best_Model；
步骤五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的权重参数即步骤四训练好之后得到的最终模型Best_Model进行自动识别。


2.如权利要求1所...

【专利技术属性】
技术研发人员：谌竟成，李维刚，赵云涛，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：湖北;42