[发明专利]基于深度学习的钢铁材料微观组织自动识别方法

权利要求书

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50a10000，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100m400，100n800，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所述的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，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)，对训练数据集T2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)；i代表图像像素点的横坐标，j代表其纵坐标。

3.如权利要求1所述的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，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。

4.如权利要求3所述的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，上述步骤三中，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，再接Relu激活函数。

5.如权利要求3所述的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，上述步骤三中，最大池化层，池化像素面积为2*2，滑动步长为2。

6.如权利要求3所述的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，上述步骤三中，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。

7.如权利要求3所述的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，上述步骤三中，Dropout层，神经元消失概率为0.3～0.8。