一种金相智能识别方法技术

本申请涉及金相检测技术领域，尤其是涉及一种金相智能识别方法

【技术实现步骤摘要】
一种金相智能识别方法、装置及介质


[0001]本申请涉及金相检测
，尤其是涉及一种金相智能识别方法
、
装置及介质
。

技术介绍

[0002]金相是指金属或合金的各种成分在合金内部的物理或化学状态，金相组织反应金属金相的具体形态
。
[0003]目前金相智能识别系统多采用单任务深度学习方法，主要只对金相组织进行分类识别，或单独对某一属性如硬度或强度进行预测，无法同时获取金相图像分类识别与多个属性预测的信息，因此无法实现对材料全面
、
准确的理解与判断
。

技术实现思路

[0004]本申请提供了一种金相智能识别方法
、
装置及介质，能够同时实现对金相图像的分类识别与属性的预测，以对材料进行全面
、
准确的理解与判断
。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]第一方面，本专利技术提供一种金相智能识别方法，所述方法包括：
[0007]采集金相图像和所述图像对应的分类数据
、
属性数据，得到原始金相图像数据集；
[0008]利用原始金相图像数据集训练初始金相识别模型，得到预训练的金相识别模型，所述初始金相识别模型是将预训练的深度
CNN
模型最后一层去掉，并采用迁移学习方法添加分类模型和回归模型；
[0009]将待识别的金相图像输入到预训练的金相识别模型中，得到待识别的金相图像的金相分类信息和属性信息
。
[0010]在本申请一较佳的示例中可以进一步设置为，在所述采集金相图像和所述图像对应的分类数据
、
属性数据之后，得到原始金相图像数据集之前，对采集的金相图像进行归一化处理，以及对所采集的金相图像对应的属性数据进行标准化处理
。
[0011]在本申请一较佳的示例中可以进一步设置为，所述利用原始金相图像数据集训练初始金相识别模型，得到预训练的金相识别模型，包括：
[0012]将采集的金相图像输入初始金相识别模型，得到的所述采集金相图像的分类结果
、
关键属性预测结果；
[0013]根据分类结果计算损失函数
、
关键属性预测结果的损失函数以及总损失函数确定分类结果损失
、
关键属性预测结果损失以及总损失；
[0014]其中，所述分类结果计算损失函数为：
[0015][0016]其中，
y
i
为图像的真实类别的
One
‑
Hot
编码，为所述分类模型预测的类别概率，
L
cls
为交叉熵损失；
[0017]所述关键属性预测结果的损失函数为：
[0018][0019]其中，
Y
i
为图像真实属性值，为所述回归模型预测的属性值，
L
reg
为均方误差；
[0020]所述总损失函数为：
[0021]L
total
＝
L
cls
+L
reg
；
[0022]其中，
L
total
为总损失；
[0023]最小化总损失优化初始金相识别模型，得到预训练的金相识别模型
。
[0024]在本申请一较佳的示例中可以进一步设置为，所述方法还包括：
[0025]根据对应的需求场景调整所述总损失函数中的所述分类结果计算损失函数与所述关键属性预测结果的损失函数的权重比例
。
[0026]在本申请一较佳的示例中可以进一步设置为，在所述预训练的深度
CNN
模型中引入注意力机制
。
[0027]在本申请一较佳的示例中可以进一步设置为，使用反向传播算法更新所述初始金相识别模型的参数，其中所述初始金相识别模型的参数包括所述预训练的深度
CNN
模型的最后一层的全连接层权重
、
第一组全连接层的权重参数和第二组全连接层的权重参数
。
[0028]在本申请一较佳的示例中可以进一步设置为，对预训练的金相识别模型进行评估，根据评估结果对所述预训练的金相识别模型进行优化
。
[0029]在本申请一较佳的示例中可以进一步设置为，采用模型融合技术融合预训练的深度
CNN
模型
、
注意力机制
、
所述分类模型以及所述回归模型
。
[0030]第二方面，本申请提供一种金相智能识别装置，所述装置包括：
[0031]数据获取模块，用于采集金相图像和所述图像对应的分类数据
、
属性数据，得到原始金相图像数据集；
[0032]模型训练模块，用于利用原始金相图像数据集训练初始金相识别模型，得到预训练的金相识别模型，所述初始金相识别模型是将预训练的深度
CNN
模型最后一层去掉，并采用迁移学习方法添加分类模型和回归模型；
[0033]识别模块，用于将待识别的金相图像输入到预训练的金相识别模型中，得到待识别的金相图像的金相分类信息和属性信息
。
[0034]第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质上存储有程序，其中所述程序被处理器执行时，实现如上述任一项所述的金相智能识别方法
。
[0035]综上，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
[0036]本申请提供的一种金相智能识别方法，通过采集金相图像和图像对应的分类信息
、
属性数据，得到原始金相图像数据集；利用原始金相图像数据集训练初始金相识别模型，得到预训练的金相识别模型，所述初始金相识别模型是将预训练的深度
CNN
模型最后一层去掉，并采用迁移学习方法添加分类模型和属性预测模型；将待识别的金相图像输入到预训练的金相识别模型中，得到待识别的金相图像的金相分类信息和属性信息
。
本申请通过结合金相图像的分类任务和属性预测任务来构建和优化金相识别模型，可以同时实现对金相图像的分类识别与多种材料关键属性的准确预测，有效提高了金相智能识别方法的全面性和准确性
。
附图说明
[0037]图1为本申请一个实施例提供的一种金相智能识别方法的流程图
。
[0038]图2为本申请一个实施例提供的金相图像样本
。
[0039]图3为本申请一个实施例提供的一个金相图像样本对应数据
。
[0040]图4为本申请一个实施例提供的金相识别模型结构图
。
具体实施方式
[0041]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅是本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种金相智能识别方法，其特征在于，所述方法包括：采集金相图像和所述图像对应的分类数据
、
属性数据，得到原始金相图像数据集；利用原始金相图像数据集训练初始金相识别模型，得到预训练的金相识别模型，所述初始金相识别模型是将预训练的深度
CNN
模型最后一层去掉，并采用迁移学习方法添加分类模型和回归模型；将待识别的金相图像输入到预训练的金相识别模型中，得到待识别的金相图像的金相分类信息和属性信息
。2.
根据权利要求1所述的金相智能识别方法，其特征在于，在所述采集金相图像和所述图像对应的分类数据
、
属性数据之后，得到原始金相图像数据集之前，对采集的金相图像进行归一化处理
,
以及对所采集的金相图像对应的属性数据进行标准化处理
。3.
根据权利要求1所述的金相智能识别方法，其特征在于，所述利用原始金相图像数据集训练初始金相识别模型，得到预训练的金相识别模型，包括：将采集的金相图像输入初始金相识别模型，得到的所述采集金相图像的分类结果
、
关键属性预测结果；根据分类结果计算损失函数
、
关键属性预测结果的损失函数以及总损失函数确定分类结果损失
、
关键属性预测结果损失以及总损失；其中，所述分类结果计算损失函数为
:
其中，
y
i
为图像的真实类别的
One
‑
Hot
编码，为所述分类模型预测的类别概率，
L
cls
为交叉熵损失；所述关键属性预测结果的损失函数为：其中，
Y
i
为图像真实属性值，为所述回归模型预测的属性值，
L
reg
为均方误差；所述总损失函数为：
L
total
＝
L
cls
+L
reg
；其中，
L
total
为总损...

【专利技术属性】
技术研发人员：卢振宇，林珠，谭旭南，
申请(专利权)人：广州珠江天然气发电有限公司，
类型：发明
国别省市：