第4期 王佳锐，等：卷积神经网络金相组织自动识别 ·699· 织类型及形貌特征等呈现出多样性和复杂性，也 识，取得了较好的效果，然而训练样本数量过小， 决定着材料的性能，因此对钢铁材料显微组织进 容易造成模型过拟合现象，对于不同尺度的微观 行正确分类尤其重要。其中铁素体和马氏体的 组织图并未做深入研究。目前针对金属表面形貌 结构和性能差别较大。铁素体)显微组织呈明亮 的自动识别研究主要集中于通过SEM扫描电镜 的多边形晶粒组织，各晶粒位向不同，受腐蚀程 得到清晰度较高的某种特定微观组织图像，采用 度略有差异，因而稍显明暗不同。铁素体组织具 传统的数字图像处理方法，拟合晶粒边界，实现 有良好的塑性和韧性，但强度和硬度很低。铁素 晶粒分割例：获取晶粒尺寸信息、对晶粒尺寸及性 体不锈钢因性价比高而应用广泛。430铁素体不 能预测5刃：采取手动提取图像特征，利用数据挖 锈钢1可作为洗衣机滚筒制造材料，洗碗机内壁 掘或机器学习实现图像分类或结构性能分析 材料等。439铁素体不锈钢)具有焊接性和成型 等01)。然而利用卷积神经网络技术对金相组织 性佳的特点，在制糖和能源产业中作为热交换管 图像自动识别的研究却非常少，有效研究成果更 使用。马氏体)的立体组织有片状和板条状，在 是寥寥无几。 金相中多为针状组织。相比铁素体而言马氏体具 本文建立金相组织图像数据集，改进LeNet- 有高强度和硬度，但塑性几乎为零。420马氏体 5、AlexNet、VGGNet3种不同卷积神经网络模型， 不锈钢)用作外壳手术刀具。铁素体和马氏体组 实现自动辨识铁素体与马氏体的金相组织。通过 织对钢铁材料的工艺性能和使用性能有着重要影 实验结果分析改进卷积神经网络模型特点，使卷 响，区分与辨识二者尤为关键。 积神经网络算法可在金属材料组织的自动辨识领 不同材料元素在一定条件下可以制备出相应 域推广应用。该技术可在工业原材料检测、材料 的金属材料，每种金属材料由于各组份呈现不同 制备检测、成本检测及教学科研等领域实现铁素 的分布状态和具有特定形态的金相组织图像。通 体与马氏体金属材料组织的自动辨识，不受人为 过金相组织图像可以观察该材料的宏观组织形 因素影响，有效提高二者的识别率，为后续材料 貌。金相组织主要是通过光学显微镜拍摄相应图 性能分析、工艺研究以及材料的使用等奠定理论 像，通过人工观察与分析金相图片可获得材料信 依据。 息，如通过确定金相组织可推测该材料的力学性 能、评判工艺措施是否合理等，是最常规的一种 1金相组织图像获取与数据集创建 材料表征方法。该表征方法需要技术人员具有 数据集是影响卷积神经网络准确度的重要因 较高的专业知识储备以及丰富的实践经验。现实 素之一，数据集的整理也是本文需要解决的首要 中往往由于从业人员专业水平不高、人工观察不 问题。卷积神经网络等算法模型要得到高的准确 细致，导致分析的结果不准确，效率较低。因此， 度，需要大量的样本训练，然而实验数据有限，很 利用自动辨识技术对金相组织图像进行计算机辅 难获得大量相同材料的金相组织图像。通过标准 助鉴别，将有效提高评判的准确度和效率，对金 金相样块，利用奥林巴斯BX系列正置金相显微 相组织相关的科研分析、生产检测以及相关教学 镜获取金相图像。图1为收集的金相显微组织 工作都具有重要意义。 图像。 计算机图像识别技术是人工智能技术的重要 领域之一，在许多领域都有成熟的应用，对金属 材料领域也有一定的应用。张勇等改进BP神经 网络对AZ91镁合金晶粒尺寸进行预测，使误差 降低5%。张鹏等提出了一种预测Gd,06061Al 中子屏蔽材料力学性能的卷积神经网络模型，捕 捉晶粒并统计晶粒大小、数目等信息。曹卓等可 研究发现卷积神经网络模型中梯度与材料性能之 间有一定的关联性，并进一步验证了卷积神经网 络具有较好的材料性能预测能力。李维刚等⑧采 用扫描电子显微镜(scanning electron microscope, SEM)获得钢铁材料微观组织图片进行自动辨 (a)铁素体织类型及形貌特征等呈现出多样性和复杂性，也 决定着材料的性能，因此对钢铁材料显微组织进 行正确分类尤其重要[2]。其中铁素体和马氏体的 结构和性能差别较大。铁素体[3] 显微组织呈明亮 的多边形晶粒组织，各晶粒位向不同，受腐蚀程 度略有差异，因而稍显明暗不同。铁素体组织具 有良好的塑性和韧性，但强度和硬度很低。铁素 体不锈钢因性价比高而应用广泛。430 铁素体不 锈钢[3] 可作为洗衣机滚筒制造材料，洗碗机内壁 材料等。439 铁素体不锈钢[3] 具有焊接性和成型 性佳的特点，在制糖和能源产业中作为热交换管 使用。马氏体[3] 的立体组织有片状和板条状，在 金相中多为针状组织。相比铁素体而言马氏体具 有高强度和硬度，但塑性几乎为零。420 马氏体 不锈钢[3] 用作外壳手术刀具。铁素体和马氏体组 织对钢铁材料的工艺性能和使用性能有着重要影 响，区分与辨识二者尤为关键。 不同材料元素在一定条件下可以制备出相应 的金属材料，每种金属材料由于各组份呈现不同 的分布状态和具有特定形态的金相组织图像。通 过金相组织图像可以观察该材料的宏观组织形 貌。金相组织主要是通过光学显微镜拍摄相应图 像，通过人工观察与分析金相图片可获得材料信 息，如通过确定金相组织可推测该材料的力学性 能、评判工艺措施是否合理等，是最常规的一种 材料表征方法[4]。该表征方法需要技术人员具有 较高的专业知识储备以及丰富的实践经验。现实 中往往由于从业人员专业水平不高、人工观察不 细致，导致分析的结果不准确，效率较低。因此， 利用自动辨识技术对金相组织图像进行计算机辅 助鉴别，将有效提高评判的准确度和效率，对金 相组织相关的科研分析、生产检测以及相关教学 工作都具有重要意义。 计算机图像识别技术是人工智能技术的重要 领域之一，在许多领域都有成熟的应用，对金属 材料领域也有一定的应用。张勇等[5] 改进 BP 神经 网络对 AZ91 镁合金晶粒尺寸进行预测，使误差 降低 5%。张鹏等[6] 提出了一种预测 Gd2O3 /6061Al 中子屏蔽材料力学性能的卷积神经网络模型，捕 捉晶粒并统计晶粒大小、数目等信息。曹卓等[7] 研究发现卷积神经网络模型中梯度与材料性能之 间有一定的关联性，并进一步验证了卷积神经网 络具有较好的材料性能预测能力。李维刚等[8] 采 用扫描电子显微镜（scanning electron microscope， SEM）获得钢铁材料微观组织图片进行自动辨 识，取得了较好的效果，然而训练样本数量过小， 容易造成模型过拟合现象，对于不同尺度的微观 组织图并未做深入研究。目前针对金属表面形貌 的自动识别研究主要集中于通过 SEM 扫描电镜 得到清晰度较高的某种特定微观组织图像，采用 传统的数字图像处理方法，拟合晶粒边界，实现 晶粒分割[9] ；获取晶粒尺寸信息、对晶粒尺寸及性 能预测[5-7] ；采取手动提取图像特征，利用数据挖 掘或机器学习实现图像分类或结构性能分析 等 [10-13]。然而利用卷积神经网络技术对金相组织 图像自动识别的研究却非常少，有效研究成果更 是寥寥无几。 本文建立金相组织图像数据集，改进 LeNet- 5、AlexNet、VGGNet 3 种不同卷积神经网络模型， 实现自动辨识铁素体与马氏体的金相组织。通过 实验结果分析改进卷积神经网络模型特点，使卷 积神经网络算法可在金属材料组织的自动辨识领 域推广应用。该技术可在工业原材料检测、材料 制备检测、成本检测及教学科研等领域实现铁素 体与马氏体金属材料组织的自动辨识，不受人为 因素影响，有效提高二者的识别率，为后续材料 性能分析、工艺研究以及材料的使用等奠定理论 依据。 1 金相组织图像获取与数据集创建 数据集是影响卷积神经网络准确度的重要因 素之一，数据集的整理也是本文需要解决的首要 问题。卷积神经网络等算法模型要得到高的准确 度，需要大量的样本训练，然而实验数据有限，很 难获得大量相同材料的金相组织图像。通过标准 金相样块，利用奥林巴斯 BX 系列正置金相显微 镜获取金相图像。图 1 为收集的金相显微组织 图像。 (a) 铁素体 (b) 马氏体 第 4 期 王佳锐，等：卷积神经网络金相组织自动识别 ·699·