·704· 智能系统学报 第17卷 T:正确 经预处理测试集准确度对比。 F:错误 表3 LeNet--MetStr、AlexNet-MetStr、VGG-MetStr模型 未经预处理测试集准确度 Table 3 Unprocessed Test accuracy of LeNet-MetStr, AlexNet-MetStr and VGG-MetStr models LeNet-MetStr AlexNet-MetStr VGG-MetStr 准确度 0.8933 0.8533 0.9400 30 60 90 120150 图像标记码张 (c)VGG-MetStr 由此可见，对未经预处理的图像测试，VGG MetStr网络模型仍可得到较高的准确度。 图83种改进网络模型对未经预处理测试集判断结果 Fig.8 Judgment results of three improved network mod- 本文对3种改进网络层级进行比较，如表4 els on non preprocessed test sets 所示。可以看出LeNet-MetStr和AlexNet-.Met- 由结果可见，l50个测试图像中，LeNet--Met- Str的网络层级相同，AlexNet-MetStr比LeNet-. Str网络模型可以准确识别134个，AlexNet--Met- MetStr的卷积核和池化尺寸较大，VGG-MetStr网 Str网络模型可以准确识别128个，VGG-MetStr网 络的卷积核小，层级比LeNet-MetStr和AlexNet- 络模型可以准确识别141个。表3为3种模型未 MetStr两种网络模型更深。 表4 LeNet--MetStr、.AlexNet--MetStr、VGG-MetStr网络层级比较 Table 4 Comparison of network levels of LeNet-MetStr,AlexNet-MetStr,VGG-MetStr LeNet-MetStr AlexNet-MetStr VGG-MetStr 输入图像(32×32)dpi,单通道 输入图像(32×32)dpi,单通道 输入图像(32×32)dpi,单通道 卷积层：卷积核64个3×3，步长=1； 卷积层：卷积核6个5×5，步长=1 卷积层：卷积核96个7×7.步长=1 卷积核64个3×3，步长=1： 池化层：2×2.步长=1 卷积层：卷积核128个3×3，步长=1； 池化层：2×2.步长=2 池化层：3×3，步长=2 卷积核128个3×3，步长=1： 池化层：2×2步长=1 卷积层：卷积核256个3×3，步长=1； 卷积层：卷积核16个5×5，步长=1 卷积层：卷积核256个5×5，步长=1 卷积核256个3×3，步长=1； 池化层：2×2，步长=1 卷积层：卷积核512个3×3，步长=1； 池化层：2×2.步长=2 池化层：3×3.步长=1 卷积核512个3×3，步长=1； 池化层：2×2.步长=1 卷积层：卷积核512个3×3，步长=1； 卷积核512个3×3，步长=， 池化层：2×2，步长=1 2层全连接层 2层全连接层 2层全连接层 经过实验数据对比可以看出，LeNet-Met- 像，能提取图像中细小的特征，VGG-MetStr比Lc Sr网络结构简单，由于卷积核尺寸较小，网络层 Net-MetStr和AlexNet-.MetStr具有更高的准确度， 级较深，对本文所研究的小尺寸图像训练有很好 更好的收敛效果。 的效果。AlexNet-.MetStr网络模型卷积核尺寸相 对较大，对大数量样本和大尺寸彩色图像有很快 5结束语 的计算速度和很高的准确度，而本文由于样本数 本文通过对金相组织图像特征分析，改进卷 量有限，输人的图像尺寸相对较小，AlexNet-Met- 积神经网络实现铁素体和马氏体两种金相组织图 Str网络在训练过程中会丢失图像部分细节特征， 的自动识别，模型训练及测试准确度最高均可达 从而没有得到较好的准确度。VGG-MetStr网络 到100%。结论总结如下： 模型采用更深的层和更小的卷积核计算特征图 1)分析铁素体与马氏体的金相组织图像特T: 正确 F: 错误 T F 判断结果 图像标记码/张 (a) LeNet-MetStr T: 正确 F: 错误 T F 判断结果 图像标记码/张 T: 正确 F: 错误 T F 判断结果 30 60 90 120 150 图像标记码/张 (c) VGG-MetStr (b) AlexNet-MetStr 图 8 3 种改进网络模型对未经预处理测试集判断结果 Fig. 8 Judgment results of three improved network mod￾els on non preprocessed test sets 由结果可见，150 个测试图像中，LeNet-Met￾Str 网络模型可以准确识别 134 个，AlexNet-Met￾Str 网络模型可以准确识别 128 个，VGG-MetStr 网 络模型可以准确识别 141 个。表 3 为 3 种模型未 经预处理测试集准确度对比。 表 3 LeNet-MetStr、AlexNet-MetStr、VGG-MetStr 模型 未经预处理测试集准确度 Table 3 Unprocessed Test accuracy of LeNet-MetStr, AlexNet-MetStr and VGG-MetStr models LeNet-MetStr AlexNet-MetStr VGG-MetStr 准确度 0.8933 0.8533 0.9400 由此可见，对未经预处理的图像测试，VGG￾MetStr 网络模型仍可得到较高的准确度。 本文对 3 种改进网络层级进行比较，如表 4 所示。可以看出 LeNet-MetStr 和 AlexNet-Met￾Str 的网络层级相同，AlexNet-MetStr 比 LeNet￾MetStr 的卷积核和池化尺寸较大，VGG-MetStr 网 络的卷积核小，层级比 LeNet-MetStr 和 AlexNet￾MetStr 两种网络模型更深。 表 4 LeNet-MetStr、AlexNet-MetStr、VGG-MetStr 网络层级比较 Table 4 Comparison of network levels of LeNet-MetStr,AlexNet-MetStr,VGG-MetStr LeNet-MetStr AlexNet-MetStr VGG-MetStr 输入图像(32×32) dpi，单通道 输入图像(32×32) dpi，单通道 输入图像(32×32) dpi，单通道 卷积层：卷积核6个5×5，步长=1 卷积层：卷积核96个7×7，步长=1 卷积层：卷积核64个3×3，步长=1; 卷积核64个3×3，步长=1; 池化层：2×2，步长=1 池化层：2×2，步长=2 池化层：3×3，步长=2 卷积层：卷积核128个3×3，步长=1; 卷积核128个3×3，步长=1; 池化层：2×2，步长=1 卷积层：卷积核16个5×5，步长=1 卷积层：卷积核256个5×5，步长=1 卷积层：卷积核256个3×3，步长=1; 卷积核256个3×3，步长=1; 池化层：2×2，步长=1 池化层：2×2，步长=2 池化层：3×3，步长=1 卷积层：卷积核512个3×3，步长=1; 卷积核512个3×3，步长=1; 池化层：2×2，步长=1 — — 卷积层：卷积核512个3×3，步长=1; 卷积核512个3×3，步长=1; 池化层：2×2，步长=1 2层全连接层 2层全连接层 2层全连接层 经过实验数据对比可以看出，LeNet-Met￾Str 网络结构简单，由于卷积核尺寸较小，网络层 级较深，对本文所研究的小尺寸图像训练有很好 的效果。AlexNet-MetStr 网络模型卷积核尺寸相 对较大，对大数量样本和大尺寸彩色图像有很快 的计算速度和很高的准确度，而本文由于样本数 量有限，输入的图像尺寸相对较小，AlexNet-Met￾Str 网络在训练过程中会丢失图像部分细节特征， 从而没有得到较好的准确度。VGG-MetStr 网络 模型采用更深的层和更小的卷积核计算特征图 像，能提取图像中细小的特征，VGG-MetStr 比 Le￾Net-MetStr 和 AlexNet-MetStr 具有更高的准确度， 更好的收敛效果。 5 结束语 本文通过对金相组织图像特征分析，改进卷 积神经网络实现铁素体和马氏体两种金相组织图 的自动识别，模型训练及测试准确度最高均可达 到 100%。结论总结如下： 1）分析铁素体与马氏体的金相组织图像特 ·704· 智 能 系 统 学 报 第 17 卷