[发明专利]基于深度学习的钢铁材料微观组织自动识别方法

摘要

本发明公开了一种基于深度学习的钢铁材料微观组织自动识别方法。一、确定要识别的钢材微观组织种类及微观组织放大倍数，搜集在该放大倍数下电子扫描显微镜获得的相同规格大小的历史钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签；二、对步骤一中搜集到的所有图片进行相同的预处理；三、构建卷积神经网络CNN‑ICAM模型；四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN‑ICAM模型进行训练；五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的卷积神经网络模型进行自动识别。该方法不仅能提高识别精度又能提高识别速度。

主权项

1.一种基于深度学习的钢铁材料微观组织自动识别方法，其特征在于，/n包括以下步骤：/n步骤一、确定要识别的钢材微观组织种类以及微观组织放大倍数a，其中50<a<10000，并搜集在该放大倍数下电子扫描显微镜所获得的相同规格大小的历史实验的钢铁材料微观组织图片，以得到数据集，为数据集中的每张图片确定一个类别标签；/n步骤二、对步骤一中搜集到的所有图片进行相同的预处理；预处理方法如下：/n1)剔除电子扫描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，再将其分为初始训练数据集T0和验证数据集V0；/n2)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；/n3)对训练数据集T1中的每张图片，按照步长m剪切为不同的n*n*1图像，其中100<m<400，100<n<800，得到新的训练数据集T2；/n4)对训练数据集T2中的所有图像进行图像减均值处理，得到训练数据集T3；/n步骤三、构建卷积神经网络CNN-ICAM模型，其中，CNN代表卷积神经网络，ICAM代表钢铁材料微观组织图像；/n步骤四、预先设置迭代次数，采用交叉熵作为损失函数，应用随机梯度下降法对神经网络CNN-ICAM模型进行训练；具体训练步骤如下：/n1)对神经网络CNN-ICAM模型的所有权重参数随机初始化；/n2)将训练数据集T3中图片排列顺序随机打乱；/n3)按打乱后的顺序向神经网络CNN-ICAM每次输入一定数量的图片，记录神经网络CNN-ICAM的输出向量，结合实际输出向量与期望向量，使用交叉熵损失函数与反向传播算法，更新CNN-ICAM模型的权重参数；将训练数据集T3中所有图片均输入一次，算一次迭代；/n4)记录每次迭代模型参数，判断是否达到最大迭代次数，达到最大迭代次数，/n则执行步骤5，未达到则返回步骤3继续训练；/n5)取出训练过程中即迭代过程中损失函数最小的模型作为最终模型Best_Model；/n步骤五、对需要识别的钢铁材料微观组织图片，先按步骤二的方法进行预处理，然后，再用步骤四训练好的权重参数即步骤四训练好之后得到的最终模型Best_Model进行自动识别。/n