[发明专利]一种多尺度马氏体微观组织老化与损伤分级方法

权利要求书

1.一种多尺度马氏体微观组织老化与损伤分级方法，其特征在于：

包括以下步骤：

步骤一、确定标准分辨率，即需识别的钢铁材料微观组织放大倍数a，其中50a1000，收集在该放大倍数下金相显微镜所获得的相同规格大小的钢铁材料微观组织图片，以及放大倍数较小，分辨率不相同的钢铁材料微观组织图片，在经过专家对老化损伤的分级评定之后，将评定级别与图片绑定以构建数据集；

步骤二、对步骤一中收集的所有图片进行相同预处理，预处理方法如下：

1)剔除金相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，将采集到的标准分辨率数据作为初始训练数据集T0，将采集到的非标准多种分辨率部分的数据作为验证数据集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)使用双线性插值法，对T1中的图像数据进行不同倍率的缩小，得到训练数据集T2；

4)对训练数据集T2中的每张图片，随机取大小为nxnx1图像，其中1m100,100n800，如原始图片小于目标分辨率，则以补全的方式将原始图片补全到nxn大小，得到新的训练数据集T3；

步骤三、利用深度学习框架PyTorch构建ResNet-FPN-MC模型，其中，ResNet代表一种卷积神经网络架构：残差神经网络，FPN代表特征金字塔网络(Feature Pyramid Networks)，MC为马氏体分级(Martensite classification)，网络输入图片大小为nxnx1，输出为一个5维向量，每个维度分别代表材料属于该类别的概率；

步骤四、使用训练数据集T3，采用交叉熵作为损失函数，应用随机梯度下降法对模型进行训练；

具体训练步骤如下：

1)使用预训练的ResNet初始化当前模型骨干网络中的参数；

2)随机打乱训练集中的图片顺序；

3)每次向神经网络输入一批图片，记录神经网络输出向量，通过网络输出向量与数据的类别标签，计算交叉熵的值，然后根据交叉熵的值进行反向传播，更新模型参数；训练数据集T3中每张图片都计算过损失函数，并完成反向传播后，记做一轮训练；

4)模型微调；

5)记录每轮训练中的模型参数，同时判断是否达到最大训练轮次，达到最大训练轮次，则执行步骤6，未达到则返回步骤3继续训练；

6)取出训练过程中，在验证集上准确率最高的模型；

步骤五、判断需要识别的高铬马氏体耐热钢微观组织图片的分辨率，是否在可以判断的范围内，若在可判定范围，按照步骤二中1)和2)进行预处理，然后使用步骤四中训练好的模型进行自动分级。

2.如权利要求1所述基于深度学习的马氏体微观组织老化与损伤分级方法，其特征在于，上述步骤二的第3)步中，对训练数据集T1中的所有图像进行带插值的缩小，构造拥有不同分辨率数据的多尺度训练集。

3.如权利要求1所述的方法，其特征在于，上述步骤三中，构建ResNet-FPN-MC模型，该模型的结构包括一个输入层、四个卷积模块、一个FPN网络，一个输出层。

4.如权利要求3所述的方法，其特征在于，上述步骤三中，四个卷积模块的输入输出通道分别为(64，256)，(128，512)，(256，1024)，(512，2048)，四个卷积模块分别堆叠3、4、6、3个残差块。

5.如权利要求3所述的方法，其特征在于，上述步骤三中，FPN网络有含有四个1x1卷积核，其输入输出通道分别为(256，256)、(512，256)、(1024，256)、(2048，256)，每个1x1卷积核后都跟随一个输入输出为(256，256)的3x3卷积核。

6.如权利要求3所述的方法，其特征在于，上述步骤三中，输出层由两部分组成，第一部分有两个多层感知机层，输入输出分别为(12544,1024)，(1024,1024)，第二部分只有一个多层感知基层，输入输出为(1024,5)。