[发明专利]基于深度学习的钛合金显微组织检测方法

权利要求书

1.基于深度学习的钛合金显微组织检测方法，其特征在于，步骤如下：

步骤S1磨制、镶嵌试样，拍摄原始图片，进行人工标注：对需要检测钛合金各个显微组织形态的试样磨制到镜面程度，之后热镶嵌到酚醛树脂模具中；使用金相显微镜拍取试样各个位置的原始组织图片，最后依照检测所遵循的标准，对原始组织图片进行人工鉴定并分类保存，为后续的监督学习提供类别标注；

步骤S2对原始组织图片进行数据增强，形成数据集并持久化：读取一张原始组织图片，将其转换为灰度图片；确定训练图片尺寸d，随机生成α∈[0,360)deg，求α对90的余数α'，计算：

其中

从原始组织图片的随机位置裁切出形状为(D,D)的正方形图片，将正方形图片绕自身中心旋转α，再从旋转后图片的中心位置裁切出形状为(d,d)的小正方形；对小正方形做随机水平、垂直翻转，得到一张新图片；对每一张原始组织图片重复上述步骤，次数一般不少于50次，并遵循以下原则：(1)原始组织图片尺寸与目标尺寸的比越大，允许重复的次数越多；(2)最终各个类别的图片总数应平衡；将生成的新图片分为训练集、验证集和测试集，保存，进行持久化，以免数据增强运算在训练中构成性能瓶颈；

步骤S3建立、训练神经网络，迭代调节模型超参数与训练配置：构建生成器，将数据张量化，同时在样本范围内进行标准化，即每个样本中的所有像素值减去样本自身的均值，再除以样本自身的标准差；构建结构具有如下特征的神经网络：输入张量同时经由两条支路处理，一条支路由堆叠的卷积层与最大池化层组成，在中间及最后进行批标准化；另一条支路先进行4x4最大池化，然后经过多个空洞卷积块，并在每个块后进行批标准化，其中空洞卷积块由3个膨胀率递增且最大公约数为1的卷积层与最大池化层组成；

神经网络的训练：对两支路的特征图进行展平、连接，在密集连接层之前使用dropout，经过密集连接层输出softmax张量；

神经网络的调节：使用生成器训练模型，根据训练表现调节模型的结构、容量与训练配置；

重复神经网络的训练、调节的步骤直至神经网络模型性能满足要求；

步骤S4取待测图片的多个随机子图预测，合并输出张量，设定阈值判断结果：读取待检测图片，将其转换为灰度图片后，在待检测图片内随机位置裁5-10个形状为(d,d)的子图；将数据进行张量化与样本范围的标准化，输入步骤S3所得的模型进行预测；将输出的softmax张量沿0轴求均值，然后取得argmax类别与概率p；设定一个阈值t，若p≥t，则输出该类别与概率p，否则输出“待定”与所有概率。

2.根据权利要求1所述的基于深度学习的钛合金显微组织检测方法，其特征在于，步骤S1中金相显微镜的放大倍数为500x，原始组织图片每20μm的像素数应为140-150，原始组织图片应纹理清晰、亮度均匀，没有不属于金属组织的内容。

3.根据权利要求1所述的基于深度学习的钛合金显微组织检测方法，其特征在于，步骤S2中训练尺寸d取512。

4.根据权利要求1所述的基于深度学习的钛合金显微组织检测方法，其特征在于，步骤S3中每3-5次训练应重复步骤S2重新生成数据集，以免模型对测试集过拟合。

5.根据权利要求1所述的基于深度学习的钛合金显微组织检测方法，其特征在于，步骤S4中，阈值t取0.8。