[发明专利]一种不同材料金相组织自动分类评级的方法

权利要求书

1.一种不同材料金相组织自动分类评级方法，其特征在于，包括如下步骤：

S1:建立三种不同材料20CrMnTi，CF钢和55号钢不同倍数下晶粒级数的数据库；

S2：读入一幅大小为M×N的金相组织图像F，其中：M、N为正整数；

S3：对读入的金相组织图像F 金相材料进行识别，包括如下步骤：

S3.1：设计一个卷积神经网络模型，针对不同金相材料金相识别；

S4：对材料进行识别后下面进行级数的评级，包括如下步骤：

S4.1：首先运用层次化的分类将相同材料先进行粗分类与细分类；

S4.2：用迁移学习的方法对层次化后的金相图片进行评级；

所述步骤4.1具体步骤如下：

S4.1.1：选取55号钢的金相数据库单独研究，将其按照倍数的不同分为四类：100倍，200倍，500倍，1000倍，根据不同倍数下晶粒度之间存在着一定的识别关系，在每种倍数下将其分为四大类：大类一为1级～4级，大类二为5级和6级，大类三为7级和8级，大类四为9级和10级；

S4.1.2：在粗分类成四类后，对于大类二，大类三，大类四，分别采用200倍，500倍，1000倍的金相图片进行识别，并且依照不同倍数的关系，四大类中识别的模型数据可以共享，由于7级和8级的55号钢金相图片相对比较丰富，选用500倍的图片分析；

所述步骤4.2具体过程如下：

S4.2.1：增强数据：先将原始1920×960的高分辨率图像翻转180°，再使用224×224大小的正方形框随机的在原图像上截取5块图像；

S4.2.2：采用最大均值差异法进行迁移学习；

所述步骤S3.1中的卷积神经网络模型，具体步骤为：

S3.1.1：在图片正式送到卷积核进行分类前，采用去均值与归一化，即将输入的数据各个维度都中心化到0和将幅度归一化到相同的范围；

S3.1.2：在卷积计算层中上一层的特征图与一个可学习的卷积核进行卷积，然后将得到的结果送入激活函数最终得到一组新的特征图，其中不同的卷积核将产生不同的特征图，每个特征图是由上一层多个特征图的组合卷积得到；

S3.1.3：激活函数的选取：使用ReLU激活函数，其公式为:x为输入；

S3.1.4：降采样层：将输入特征图的大小缩小得到新的输出特征图，在保留原有特征图重要信息的同时降低计算量；

所述S3.1.4中降采样层的函数选取为：

其中l表示层数，表示第l层的第j个特征图,down()为降采样函数，采样的窗口为n*n，这样等于将特征图缩小了n倍，和是每个特征图自己的偏置参数，f(.)表示非线性激活函数,降采样层特征图的误差信号也是利用反向传播计算得到的；由下一层的误差信号递推得到当前子采样层的误差信号：

为第l层的第j个特征图的前向激活输入，是为第l+1层的第j个误差项，为第l+1层的第j个卷积核，full为全卷积函数,conv表示卷积计算，随即得到和以及权值的更新；

S3.1.5：采用Softmax分类器进行分类。

2.根据权利要求1所述的一种不同材料金相组织自动分类评级方法，其特征在于，所述S3.1.5的具体过程为：假设有N幅输入图像每幅图像的标记{y_i∈{1,2,3,……，k},k≥2}共k类，k＝2.对于给定的测试图像x_i，用假设函数估计出其属于每个类别j的概率值p(y_i＝j|x_i)，则假设h_θ(x_i)为：

是为了对归一化概率分布，即全部概率之和为1，θ表示Softmax分类器的参数，Softmax分类器的损失函数为：其中1{y_i＝j}为指示性函数，其取值规则为：值为真的表达式＝1，值为假的表达式＝0，对于J(θ)最小化问题，使用迭代的优化算法随机梯度下降法来求最小化，经过求导，得到的梯度公式如下：

其中本身是一个向量，它的第l个元素是J(θ)对θ_j的第l个分量的偏导数；

根据偏导数公式代入到梯度下降法等算法中来最小化J(θ)，在梯度下降法的标准实现中,每一次迭代需要进行如下更新：

其中j∈{1,2,3,……，k},k表示分类问题的类别个数。