[發(fā)明專(zhuān)利]一種多尺度馬氏體微觀組織老化與損傷分級(jí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011053202.4
• 申請(qǐng)日: 2020-09-29
• 公開(kāi)（公告）號(hào): CN112132086A
• 公開(kāi)（公告）日: 2020-12-25
• 發(fā)明（設(shè)計(jì)）人: 楊旭;錢(qián)公;陳新中;徐光明;施超;段也
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)特種設(shè)備檢測(cè)研究院
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T3/40;G06T7/00
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 王洋

1.一種多尺度馬氏體微觀組織老化與損傷分級(jí)方法，其特征在于：

包括以下步驟：

步驟一、確定標(biāo)準(zhǔn)分辨率，即需識(shí)別的鋼鐵材料微觀組織放大倍數(shù)a，其中50a1000，收集在該放大倍數(shù)下金相顯微鏡所獲得的相同規(guī)格大小的鋼鐵材料微觀組織圖片，以及放大倍數(shù)較小，分辨率不相同的鋼鐵材料微觀組織圖片，在經(jīng)過(guò)專(zhuān)家對(duì)老化損傷的分級(jí)評(píng)定之后，將評(píng)定級(jí)別與圖片綁定以構(gòu)建數(shù)據(jù)集；

步驟二、對(duì)步驟一中收集的所有圖片進(jìn)行相同預(yù)處理，預(yù)處理方法如下：

1)剔除金相顯微鏡獲取的微觀組織圖中含有的文字說(shuō)明部分，得到只含有微觀組織圖本體的初始數(shù)據(jù)集，將采集到的標(biāo)準(zhǔn)分辨率數(shù)據(jù)作為初始訓(xùn)練數(shù)據(jù)集T0，將采集到的非標(biāo)準(zhǔn)多種分辨率部分的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集V0；

2)將初始訓(xùn)練數(shù)據(jù)集T0中三通道的灰度圖轉(zhuǎn)化為單通道的灰度圖，得到訓(xùn)練數(shù)據(jù)集T1；

3)使用雙線性插值法，對(duì)T1中的圖像數(shù)據(jù)進(jìn)行不同倍率的縮小，得到訓(xùn)練數(shù)據(jù)集T2；

4)對(duì)訓(xùn)練數(shù)據(jù)集T2中的每張圖片，隨機(jī)取大小為nxnx1圖像，其中1m100,100n800，如原始圖片小于目標(biāo)分辨率，則以補(bǔ)全的方式將原始圖片補(bǔ)全到nxn大小，得到新的訓(xùn)練數(shù)據(jù)集T3；

步驟三、利用深度學(xué)習(xí)框架PyTorch構(gòu)建ResNet-FPN-MC模型，其中，ResNet代表一種卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)：殘差神經(jīng)網(wǎng)絡(luò)，F(xiàn)PN代表特征金字塔網(wǎng)絡(luò)(Feature Pyramid Networks)，MC為馬氏體分級(jí)(Martensite classification)，網(wǎng)絡(luò)輸入圖片大小為nxnx1，輸出為一個(gè)5維向量，每個(gè)維度分別代表材料屬于該類(lèi)別的概率；

步驟四、使用訓(xùn)練數(shù)據(jù)集T3，采用交叉熵作為損失函數(shù)，應(yīng)用隨機(jī)梯度下降法對(duì)模型進(jìn)行訓(xùn)練；

具體訓(xùn)練步驟如下：

1)使用預(yù)訓(xùn)練的ResNet初始化當(dāng)前模型骨干網(wǎng)絡(luò)中的參數(shù)；

2)隨機(jī)打亂訓(xùn)練集中的圖片順序；

3)每次向神經(jīng)網(wǎng)絡(luò)輸入一批圖片，記錄神經(jīng)網(wǎng)絡(luò)輸出向量，通過(guò)網(wǎng)絡(luò)輸出向量與數(shù)據(jù)的類(lèi)別標(biāo)簽，計(jì)算交叉熵的值，然后根據(jù)交叉熵的值進(jìn)行反向傳播，更新模型參數(shù)；訓(xùn)練數(shù)據(jù)集T3中每張圖片都計(jì)算過(guò)損失函數(shù)，并完成反向傳播后，記做一輪訓(xùn)練；

4)模型微調(diào)；

5)記錄每輪訓(xùn)練中的模型參數(shù)，同時(shí)判斷是否達(dá)到最大訓(xùn)練輪次，達(dá)到最大訓(xùn)練輪次，則執(zhí)行步驟6，未達(dá)到則返回步驟3繼續(xù)訓(xùn)練；

6)取出訓(xùn)練過(guò)程中，在驗(yàn)證集上準(zhǔn)確率最高的模型；

步驟五、判斷需要識(shí)別的高鉻馬氏體耐熱鋼微觀組織圖片的分辨率，是否在可以判斷的范圍內(nèi)，若在可判定范圍，按照步驟二中1)和2)進(jìn)行預(yù)處理，然后使用步驟四中訓(xùn)練好的模型進(jìn)行自動(dòng)分級(jí)。

2.如權(quán)利要求1所述基于深度學(xué)習(xí)的馬氏體微觀組織老化與損傷分級(jí)方法，其特征在于，上述步驟二的第3)步中，對(duì)訓(xùn)練數(shù)據(jù)集T1中的所有圖像進(jìn)行帶插值的縮小，構(gòu)造擁有不同分辨率數(shù)據(jù)的多尺度訓(xùn)練集。

3.如權(quán)利要求1所述的方法，其特征在于，上述步驟三中，構(gòu)建ResNet-FPN-MC模型，該模型的結(jié)構(gòu)包括一個(gè)輸入層、四個(gè)卷積模塊、一個(gè)FPN網(wǎng)絡(luò)，一個(gè)輸出層。

4.如權(quán)利要求3所述的方法，其特征在于，上述步驟三中，四個(gè)卷積模塊的輸入輸出通道分別為(64，256)，(128，512)，(256，1024)，(512，2048)，四個(gè)卷積模塊分別堆疊3、4、6、3個(gè)殘差塊。

5.如權(quán)利要求3所述的方法，其特征在于，上述步驟三中，F(xiàn)PN網(wǎng)絡(luò)有含有四個(gè)1x1卷積核，其輸入輸出通道分別為(256，256)、(512，256)、(1024，256)、(2048，256)，每個(gè)1x1卷積核后都跟隨一個(gè)輸入輸出為(256，256)的3x3卷積核。

6.如權(quán)利要求3所述的方法，其特征在于，上述步驟三中，輸出層由兩部分組成，第一部分有兩個(gè)多層感知機(jī)層，輸入輸出分別為(12544,1024)，(1024,1024)，第二部分只有一個(gè)多層感知基層，輸入輸出為(1024,5)。