[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

说明书

本申请公开了多尺度马氏体微观组织老化与损伤分级方法，包括：利用特定放大倍数的金相显微镜采集高铬马氏体耐热钢材料微观组织图片以构建数据集，为每张图片标注代表老化与损伤程度的等级标签；对所有图片进行缩小，构建包含不同分辨率的多尺度数据集；利用预训练的模型参数来初始化神经网络，构建基于残差神经网络特征金字塔的多尺度金相分级模型；预先设置学习率、迭代次数超参数，采用交叉熵作为损失函数，应用随机梯度下降法对上述构建的模型进行微调；通过不同分辨率的金相显微镜，获取需要识别的高铬马氏体耐热钢微观组织图片，从中取出确定大小的若干小图，使用训练好的模型进行分级。该方法训练的模型可扩展到多种分辨率的图片中使用。

技术领域

本发明涉及高铬马氏体耐热钢微观组织的老化与损伤识别领域，特别涉及一种金相组织自动评级的方法。

背景技术

钢铁材料微观组织特征是决定材料性能的重要因素之一。由于受到环境、温度、压力等因素影响，钢铁材料在使用过程中微观组织往往会产生不同程度老化和损伤，对安全生产带来极大隐患。因此，如何科学高效地检测钢铁材料的老化及损伤程度，成为理论与实践亟待解决的问题之一。近年来，在火力发电领域，以P91钢和P92钢为代表的高铬马氏体耐热钢在超(超)临界机组的主蒸汽管道、再热热段管道等关键承压部件被广泛应用，其材料组织的老化及损伤问题受到越来越多的关注。目前，针对这一问题的研究，主要以现场覆膜拍照或通过割管取样后在实验室金相显微镜下观察分析。但这类方法往往高度依赖于研究人员的专业技术水平和实践经验，具有较强的主观性。同时，由于人工观察判别成本高、复用性低，导致实验结果往往误差相对较大。

伴随着人工智能时代的到来，以深度学习为代表的机器学习算法在图像分析识别领域取得长足进步。越来越多的学者们开始关注深度学习在材料研究领域的应用，为探索科学高效的材料微观组织自动辨识方法提供了可能性。其中，一些学者探索了机器学习方法在材料微观结构的应用，如，Azimi等利用深度学习方法，将通过图片对材料进行缺陷检测的问题转化为图片的语义分割问题，利用语义分割算法对金属材料进行缺陷检测。

目前，利用深度学习方法对材料研究的探索尚处于起步阶段。已有研究在材料组织状态分类中的应用尚少，更缺少针对不同尺度金相图片的微观组织老化特征与损伤程度的研究。现实生产环境中，因金相数据采集设备情况的差异，金相图片数据尺度往往差别较大。当前，仅针对实验环境下固定比例的金相图片数据的微观组织老化与损伤特征研究，难以满足对此类数据的有效分析。为此，利用深度学习方法研究不同尺度金相图片的高铬马氏体微观组织老化特征与损伤程度的自动分类问题，具有重要的学术价值和现实紧迫性。

发明内容

本发明的目的是为了解决现有技术存在的问题，提出一种基于深度残差网络的高铬马氏体耐热钢微观组织损伤与老化自动分级方法，以提高钢材微观组织老化与损伤评定的识别精度与识别效率。

本发明的目的是通过以下技术方案实现的：

一种基于深度学习的马氏体微观组织老化与损伤分级方法，包括以下步骤：

步骤一、确定标准分辨率，即要识别的钢材微观组织放大倍数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；