基于深度学习驱动的钢铁微观组织识别方法、系统及介质技术方案

本发明专利技术公开了一种基于深度学习驱动的钢铁微观组织识别方法、系统及介质，方法为：获取钢铁微观组织图像进行数据增强并进行划分得到训练集和验证集；基于MobileNetV2预训练模型使用迁移学习方法构建SteelIDNet模型；使用训练集对SteelIDNet模型进行训练，并使用验证集对训练后的SteelIDNet模型进行验证评估得到最终SteelIDNet模型；将最终SteelIDNet模型部署在移动端进行钢铁微观组织识别。本发明专利技术通过深度学习和迁移学习技术构建SteelIDNet模型，充分发挥卷积神经网络的优势(CNN)，显著提高钢铁显微组织结构的识别效率；不仅适用于PC端开发，还便于在移动端上部署，能够实现毫秒级响应速度，特别适合移动端对实时检测与分析的高效需求。

【技术实现步骤摘要】

本专利技术属于钢铁微观组织检测的，具体涉及一种基于深度学习驱动的钢铁微观组织识别方法、系统及介质。

技术介绍

1、钢铁作为现代工业的基石材料，其性能和应用广泛性在很大程度上受到其微观组织结构的影响。钢铁微观组织通常包括珠光体、铁素体、奥氏体、贝氏体和马氏体等，这些组织结构的比例、分布和形态对钢材的强度、韧性、耐磨性和耐腐蚀性等性能起决定性作用；并且钢铁微观组织种类繁多，形态各异，不同类型的组织在图像中的特征可能存在重叠(如珠光体和铁素体边界模糊)，因此增加了分类难度。传统上，微观组织的分析主要依赖于金相显微镜和电子显微镜，并通过人工观察或简单的图像处理技术进行分类和定量分析，这种方法虽精确但具有以下局限性：①依赖专业知识：需要经验丰富的技术人员进行分析，主观性强；②耗时耗力：人工分析一张显微图像通常需要较长时间，效率低下；③处理规模有限：在大规模生产场景中，难以满足实时分析需求。

2、深度学习特别是卷积神经网络(cnn)在图像分类、目标检测和语义分割领域表现出色，能够通过大规模数据训练自动提取图像特征，避免传统图像处理技术中复杂的人工特征设计过本文档来自技高网...

【技术保护点】

1.基于深度学习驱动的钢铁微观组织识别方法，其特征在于，包括下述步骤：

2.根据权利要求1所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述数据增强具体为：

3.根据权利要求2所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述填充大小的计算方式为：

4.根据权利要求1所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述SteelIDNet模型包括基于预训练模型的特征提取层和额外添加层；所述额外添加层包括输入层、通道扩展层、特征压缩层、特征展平层、深度特征提取层、批归一化层以及输出层；

5.根据权利要求4所述基于深...

【技术特征摘要】

1.基于深度学习驱动的钢铁微观组织识别方法，其特征在于，包括下述步骤：

2.根据权利要求1所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述数据增强具体为：

3.根据权利要求2所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述填充大小的计算方式为：

4.根据权利要求1所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述steelidnet模型包括基于预训练模型的特征提取层和额外添加层；所述额外添加层包括输入层、通道扩展层、特征压缩层、特征展平层、深度特征提取层、批归一化层以及输出层；

5.根据权利要求4所述基于深度学习驱动的钢铁微观组织识别方法，其特征在于，所述输入层采用标准卷积层构建，卷积核大小为3×3，滑动步长为2，将输入图像扩展为32通道；

6.根...

【专利技术属性】
技术研发人员：刘仲武，徐帅男，周阳，余红雅，冯庆，刘德超，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：