[发明专利]基于深度学习的钛合金显微组织检测方法

说明书

基于深度学习的钛合金显微组织检测方法，属于金属显微组织检测、评级领域。该方法具体为：步骤S1：磨制、镶嵌试样，拍摄原始图片，进行人工标注；步骤S2：对原始图片进行数据增强，形成数据集并持久化；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；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。本发明具有检测速度快、性能稳定、结果可信度高、对原始数据规模要求低的优点，且数字化模型也具有留存、推广方便，对人员依赖较小的优点。

技术领域

本发明是一种基于深度学习的钛合金显微组织检测方法，涉及金相检测领域，尤其涉及金属显微组织检测、评级领域。

背景技术

在航空制造中，钛合金常用于飞机的主要承力构件，需要对材料的组织形态进行检测，及时发现缺陷，保证材料的力学性能。显微组织检测是金相检测的一个重要项目，通过使用金相显微镜对样品进行观察，确定材料的结构、组织形态和元素分布。长期以来，钛合金的显微组织检测都是靠人工观察、测量显微镜下的金相图像，然后与标准图样、尺寸要求进行对比进行的，效率低，对人员经验依赖严重。

由于钛合金显微组织图像千变万化，既无固定形状也无明显轮廓，而更像是一种纹理，所以自动识别这种图像难度很大。试图解决该问题的方法中，传统图像识别技术需要计算轮廓矩作为识别特征，由于金像图片很难提取到轮廓，所以效果不佳；传统机器学习技术无法克服平移不变性问题，无法直接面对像素形式的图像数据，效果自然也不好。深度学习技术是机器学习的一个分支，可以学习到具有平移不变性的特征，为解决问题带来了希望，但这一思路在实际操作中面临着一些问题，因此还没有形成具体可行的方法。

首先，不同于传统机器学习有一系列成熟的通用算法可供选择，深度学习中模型性能受结构影响极大，需要“一事一议”地设计针对性的神经网络结构。而神经网络结构的设计至今仍是一个全球范围内的前沿课题，尚无明确的理论指导，需要研究人员凭经验进行。目前，业内(国内)尚无针对钛合金显微组织检测的公开的、具体可行的深度学习模型结构。

其次，模型需要对不合格类别具有很强的识别能力，但工程实践中很难找到大量不合格样本用于训练；同时钛合金显微组织图像具有旋转、翻转不变性，但用于特征提取的卷积运算并不具有这些特性。通过数据增强扩展样本是同时解决这两个问题的有效方法，但现有的数据增强工具(如tensorflow\keras生成器)缩放时会引发下采样和不等比缩放，旋转图像时会引发四角填充。这对一般物体图像并无大碍，但对于钛合金显微组织图像会导致纹理失真，是不可接受的。

最后，自动化检测的结果必须具有极高的置信度，否则会导致检测结果仍需人工确认，不具备实用性。检测结果的置信度源于两点：一是模型对不同类别的识别能力要强，二是待测样本要典型。考虑到预测失误与不典型样本一定会存在(即使概率不大)，即使模型识别能力足够强，也仍然需要调整预测流程来保证检测结果稳定、确定。机器学习领域常见的做法，即直接将样本输入模型进行预测、对输出张量进行argmax运算无法保证这一点。

发明内容

为克服人工进行钛合金显微组织检测效率低的问题，本发明提出了一种基于深度学习的钛合金显微组织检测方法，实现了在样本较少的条件下，对钛合金显微组织图像的自动化、稳定、高置信度识别。

本发明的技术方案：

基于深度学习的钛合金显微组织检测方法，步骤如下(如图1)：

步骤S1：磨制、镶嵌试样，拍摄原始图片，进行人工标注；步骤S2：对原始图片进行数据增强，形成数据集并持久化；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；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。