[发明专利]基于卷积神经网络对金相图片晶粒度进行判定的方法

说明书

本发明涉及晶粒度判定技术领域，尤其涉及一种基于卷积神经网络对金相图片晶粒度进行判定的方法。包括以下步骤：(1)数据集的制作；(2)深度神经网络的构建；(3)训练与测试。本发明通过引入3×3卷积提取特征、1×1卷积升维和降维进行通道信息交流，全局平均池化输入减小网络参数的方法，设计了用于晶粒度评级的卷积神经网络，相比于传统的全连接层输出，可以有效地减少参数数量，所构建的网络在全新数据集上都取得了很好的分类效果，具有广阔的应用前景。

技术领域

本发明涉及晶粒度判定技术领域，尤其涉及一种基于卷积神经网络对金相图片晶粒度进行判定的方法。

背景技术

金属材料的晶粒度对材料的强度、硬度、塑性等方面具有重要的参考价值，是工业上评价金属材料性能的重要指标。随着我国新材料领域的不断发展，越来越多的新材料的设计用到了深度学习的技术。用深度学习技术对晶粒度进行评级，可以有效利用已有的金相图片数据，同时更快速准确对晶粒度进行评级。

以往常用对晶粒度的表征分析包括比较法、面积法、截点法，在执行过程中效率低、人为主观性大、精度不高。一些基于图片视觉的智能识别技术，有的需要对图像进行人为设计的特征提取，而大部分图像的特征提取需要有专业的计算机视觉知识，并且不同的材料，其图像的提取特征可能是不同的，常常需要对算法进行重新设计，模型的可迁移性不高，不能应对各种复杂的金相图片；或者用到的网络参数太多，网络训练困难，降低智能识别速度。

因此，一种不需要对图片进行人为设计的特征提取，同时具备小型轻量化优点的神经网络就显得非常重要。近年来，卷积神经网络极大地推动了图像检测与识别的发展，它是一种前馈神经网络，其人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络的好处是在输入层不再是人工进行的表征学习，而是网络自主进行的表征学习，同时减少了网络参数的大小，易于训练。在卷积神经网络中，卷积常用来提取图像的特征，可以用于判定金相图片晶粒度。

发明内容

本发明要解决的技术问题是人工晶粒度评级效率低、主观性强，而传统图像视觉识别技术需要人为设计特征提取方法、网络参数又过多，网络训练困难，降低智能识别速度，严重影响晶粒度的快速评级。

为解决上述问题，本发明通过引入3×3卷积提取特征、1×1卷积升维和降维进行通道信息交流，全局平均池化输入减小网络参数的方法，设计了用于晶粒度评级的卷积神经网络，，相比于传统的全连接层输出，可以有效地减少参数数量，所构建的网络在全新数据集上都取得了很好的分类效果，具有广阔的应用前景。

为达到上述目的，本发明具体通过以下技术方案实现：一种基于卷积神经网络对金相图片晶粒度进行判定的方法，包括以下步骤：

(1)数据集的制作；

(2)深度神经网络的构建；

(3)训练与测试；

其中，步骤(2)为神经网络的前端用3×3卷积+池化层提取图片特征；中间用1×1卷积对通道进行升维和降维；最后用全局平均池化，替代全连接层来减小网络参数，即将每个层取平均值，这个层其实没有参数，不会参加网络的训练过程，同时减小了网络参数；softmax层输出晶粒度的分类概率。

进一步的，步骤(2)使用深度逐渐增加的卷积核，第一个卷积核深度至少是32，卷积的初始化用高斯初始化，每个卷积核后使用Relu激活函数和dropout方法。

进一步的，步骤(2)在1×1卷积进行升维的过程加入正则化惩罚，在除了全局平均池化层以外的层进行dropout。用Relu函数作为神经网络激活函数，为防止过拟合，在1×1卷积进行升维的过程加入正则化惩罚，在除了全局平均池化层以外的层进行dropout，即最后一层降维不使用dropout方法已防止梯度消失现象。

进一步的，步骤(2)降维后的网络深度要和图片数据的类别数量相同。