CN110503645A - 基于卷积神经网络对金相图片晶粒度进行判定的方法 - Google Patents
基于卷积神经网络对金相图片晶粒度进行判定的方法 Download PDFInfo
- Publication number
- CN110503645A CN110503645A CN201910805354.6A CN201910805354A CN110503645A CN 110503645 A CN110503645 A CN 110503645A CN 201910805354 A CN201910805354 A CN 201910805354A CN 110503645 A CN110503645 A CN 110503645A
- Authority
- CN
- China
- Prior art keywords
- grain size
- metallograph
- convolutional neural
- neural networks
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及晶粒度判定技术领域,尤其涉及一种基于卷积神经网络对金相图片晶粒度进行判定的方法。包括以下步骤:(1)数据集的制作;(2)深度神经网络的构建;(3)训练与测试。本发明通过引入3×3卷积提取特征、1×1卷积升维和降维进行通道信息交流,全局平均池化输入减小网络参数的方法,设计了用于晶粒度评级的卷积神经网络,相比于传统的全连接层输出,可以有效地减少参数数量,所构建的网络在全新数据集上都取得了很好的分类效果,具有广阔的应用前景。
Description
技术领域
本发明涉及晶粒度判定技术领域,尤其涉及一种基于卷积神经网络对金相图片晶粒度进行判定的方法。
背景技术
金属材料的晶粒度对材料的强度、硬度、塑性等方面具有重要的参考价值,是工业上评价金属材料性能的重要指标。随着我国新材料领域的不断发展,越来越多的新材料的设计用到了深度学习的技术。用深度学习技术对晶粒度进行评级,可以有效利用已有的金相图片数据,同时更快速准确对晶粒度进行评级。
以往常用对晶粒度的表征分析包括比较法、面积法、截点法,在执行过程中效率低、人为主观性大、精度不高。一些基于图片视觉的智能识别技术,有的需要对图像进行人为设计的特征提取,而大部分图像的特征提取需要有专业的计算机视觉知识,并且不同的材料,其图像的提取特征可能是不同的,常常需要对算法进行重新设计,模型的可迁移性不高,不能应对各种复杂的金相图片;或者用到的网络参数太多,网络训练困难,降低智能识别速度。
因此,一种不需要对图片进行人为设计的特征提取,同时具备小型轻量化优点的神经网络就显得非常重要。近年来,卷积神经网络极大地推动了图像检测与识别的发展,它是一种前馈神经网络,其人工神经元可以响应一部分覆盖范围内的周围单元。卷积神经网络的好处是在输入层不再是人工进行的表征学习,而是网络自主进行的表征学习,同时减少了网络参数的大小,易于训练。在卷积神经网络中,卷积常用来提取图像的特征,可以用于判定金相图片晶粒度。
发明内容
本发明要解决的技术问题是人工晶粒度评级效率低、主观性强,而传统图像视觉识别技术需要人为设计特征提取方法、网络参数又过多,网络训练困难,降低智能识别速度,严重影响晶粒度的快速评级。
为解决上述问题,本发明通过引入3×3卷积提取特征、1×1卷积升维和降维进行通道信息交流,全局平均池化输入减小网络参数的方法,设计了用于晶粒度评级的卷积神经网络,,相比于传统的全连接层输出,可以有效地减少参数数量,所构建的网络在全新数据集上都取得了很好的分类效果,具有广阔的应用前景。
为达到上述目的,本发明具体通过以下技术方案实现:一种基于卷积神经网络对金相图片晶粒度进行判定的方法,包括以下步骤:
(1)数据集的制作;
(2)深度神经网络的构建;
(3)训练与测试;
其中,步骤(2)为神经网络的前端用3×3卷积+池化层提取图片特征;中间用1×1卷积对通道进行升维和降维;最后用全局平均池化,替代全连接层来减小网络参数,即将每个层取平均值,这个层其实没有参数,不会参加网络的训练过程,同时减小了网络参数;softmax层输出晶粒度的分类概率。
进一步的,步骤(2)使用深度逐渐增加的卷积核,第一个卷积核深度至少是32,卷积的初始化用高斯初始化,每个卷积核后使用Relu激活函数和dropout方法。
进一步的,步骤(2)在1×1卷积进行升维的过程加入正则化惩罚,在除了全局平均池化层以外的层进行dropout。用Relu函数作为神经网络激活函数,为防止过拟合,在1×1卷积进行升维的过程加入正则化惩罚,在除了全局平均池化层以外的层进行dropout,即最后一层降维不使用dropout方法已防止梯度消失现象。
进一步的,步骤(2)降维后的网络深度要和图片数据的类别数量相同。
进一步的,步骤(1)具体由以下流程组成:
①选取晶粒度在3.0-10.0,放大倍数为100倍的原始金相图片进行分类;优选为,对原始的金相图片,按照晶粒度分成15份;
②随机旋转并截取图片;为保证图片作为神经网络输入端时,具有统一的大小比例和宽高比,本方法用同样大小的正方形框截取图片,并在截取的过程中随机对图片进行旋转。
③对截取后的图片进行数据增强;对截取后的图片,做随机的色相、亮度、对比度和饱和度调整,添加噪声,并用两种不同的处理顺序处理图片。
④将处理后的图片数据分成训练集和测试集,比例为80%~90%:10%~20%,优选为85%:15%,训练集只用来训练神经网络,测试集不用来训练只用来测试神经网络正确性;优选为,不同晶粒度对应的图片用数字0-14总计15种标签进行区分;
⑤最后将训练集的数据顺序随机打乱。
进一步的,步骤①选取的图片具有统一的分辨率,优选为压缩成200×200的分辨率作为网络输入,这个可以由程序自动完成。
进一步的,步骤②使用固定大小的正方形截取图片,保证图片具有相同的比例。图片放大或缩小后,相应的晶粒度也会变化,所以需要保证用固定大小的正方形截取图片才具有可比性。
进一步的,步骤③使用随机的高斯噪声、色相、亮度、对比度和饱和度调整进行金相图片数据增强,处理后数据集图片数量至少是5000张。
进一步的,步骤⑤为全局打乱数据。全局打乱不是局部打乱数据,并且每次用所有图片训练一次后需要再次打乱数据才能进行下次训练。
进一步的,步骤(3)具体为训练数据集下用随机梯度下降训练神经网络,对网络的可训练参数进行更新;训练完成后,在测试数据集下评估正确率。
本发明的有益效果在于:
1)本发明提供了一种可用的金相图片数据增强方法,可以有效地扩展训练神经网络的数据量,更大的数据量能够提高神经网络的泛化能力,提高模型在全新未知数据集上的表现。
2)本发明使用卷积神经网络让神经网络自己学习提取金相图片的特征,而不需要人为设计图片特征提取程序,防止图片数据量丢失,同时实现了端对端的训练方式,即输入图片直接到输出结果的过程。所用3×3卷积能够有效提取特征,1×1卷积可以实现降维和升维,有利于实现不同信道之间的信息交流,提高网络表现能力。
3)所述的全局平均池化替代全连接层连接到softmax分类函数,可以极大的减小网络的参数量而不影响分类结果。
附图说明
图1是实施例1的部分示例图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明的实施例和附图,对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
一种基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于,包括以下步骤:
(1)数据集的制作:
①选取晶粒度在3.0-10.0,放大倍数为100倍的原始金相图片分成15类。压缩图片输入分辨率为200×200。
②以0-360°内的整数随机旋转图片,用固定大小正方形框截取图片中的内容,保存到相应分类文件中。
③对截取后的金相图片进行随机的高斯噪声、色相、亮度、对比度和饱和度调整,处理后数据集图片数量为7500张,部分示例如图1所示。
④将处理后的图片数据分成训练集和测试集,比例约为85%:15%。不同晶粒度对应的图片用数字0-14总计15种标签进行区分。最后训练数据6350个,测试数据1150个。
⑤每次用所有训练集完成迭代训练,都将训练集的数据顺序随机打乱。
(2)深度神经网络的构建:
⑥神经网络的前端结构为3×3×3×64+Relu+池化+dropout,3×3×64×128+Relu+池化+dropout,3×3×128×256+Relu+池化+dropout提取图片特征。
⑦中间用1×1×256×512+Relu+dropout对通道进行升维度,并添加正则化惩罚项,最后使用1×1×512×15+dropout对通道进行降维。
⑧全局平均池化,输出为15为的向量。
⑨步骤8输出向量通过softmax层输出晶粒度的分类概率
(3)训练与测试:
⑩训练数据集分成32张数据一组,用随机梯度下降训练神经网络,迭代训练的次数为19900次。
在测试数据集下评估正确率,如下表:
以上所述,仅为本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于此发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的技术人员来说,在不脱离本发明原理的任何改进也视为本发明的保护范围。
Claims (10)
1.一种基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于包括以下步骤:
(1)数据集的制作;
(2)深度神经网络的构建;
(3)训练与测试;
其中,步骤(2)为神经网络的前端用3×3卷积+池化层提取图片特征;中间用1×1卷积对通道进行升维和降维;最后用全局平均池化;softmax层输出晶粒度的分类概率。
2.如权利要求1所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤(2)使用深度逐渐增加的卷积核,第一个卷积核深度至少是32,卷积的初始化用高斯初始化,每个卷积核后使用Relu激活函数和dropout方法。
3.如权利要求1所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤(2)在1×1卷积进行升维的过程加入正则化惩罚,在除了全局平均池化层以外的层进行dropout。
4.如权利要求1所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤(2)降维后的网络深度要和图片数据的类别数量相同。
5.如权利要求1所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤(1)具体由以下流程组成:
①选取晶粒度在3.0-10.0,放大倍数为100倍的原始金相图片进行分类;
②随机旋转并截取图片;
③对截取后的图片进行数据增强;
④将处理后的图片数据分成训练集和测试集,比例为80%~90%:10%~20%;
⑤最后将训练集的数据顺序随机打乱。
6.如权利要求5所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤①选取的图片具有统一的分辨率。
7.如权利要求5所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤②使用固定大小的正方形截取图片,保证图片具有相同的比例。
8.如权利要求5所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤③使用随机的高斯噪声、色相、亮度、对比度和饱和度调整进行金相图片数据增强,处理后数据集图片数量至少是5000张。
9.如权利要求5所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤⑤为全局打乱数据。
10.如权利要求1所述的基于卷积神经网络对金相图片晶粒度进行判定的方法,其特征在于:步骤(3)具体为训练数据集下用随机梯度下降训练神经网络;训练完成后,在测试数据集下评估正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805354.6A CN110503645A (zh) | 2019-08-29 | 2019-08-29 | 基于卷积神经网络对金相图片晶粒度进行判定的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805354.6A CN110503645A (zh) | 2019-08-29 | 2019-08-29 | 基于卷积神经网络对金相图片晶粒度进行判定的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110503645A true CN110503645A (zh) | 2019-11-26 |
Family
ID=68590213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910805354.6A Pending CN110503645A (zh) | 2019-08-29 | 2019-08-29 | 基于卷积神经网络对金相图片晶粒度进行判定的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503645A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782025A (zh) * | 2019-12-31 | 2020-02-11 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
CN111680696A (zh) * | 2020-06-19 | 2020-09-18 | 广东韶钢松山股份有限公司 | 识别素材晶粒度的方法以及钢材晶粒度检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109034217A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的晶粒度智能评级方法 |
CN109215015A (zh) * | 2018-07-24 | 2019-01-15 | 北京工业大学 | 一种基于卷积神经网络的蚕茧在线视觉检测方法 |
-
2019
- 2019-08-29 CN CN201910805354.6A patent/CN110503645A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596258A (zh) * | 2018-04-27 | 2018-09-28 | 南京邮电大学 | 一种基于卷积神经网络随机池化的图像分类方法 |
CN109034217A (zh) * | 2018-07-10 | 2018-12-18 | 成都先进金属材料产业技术研究院有限公司 | 基于图像识别深度学习技术的晶粒度智能评级方法 |
CN109215015A (zh) * | 2018-07-24 | 2019-01-15 | 北京工业大学 | 一种基于卷积神经网络的蚕茧在线视觉检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782025A (zh) * | 2019-12-31 | 2020-02-11 | 长沙荣业智能制造有限公司 | 一种稻米加工在线工艺检测方法 |
CN111680696A (zh) * | 2020-06-19 | 2020-09-18 | 广东韶钢松山股份有限公司 | 识别素材晶粒度的方法以及钢材晶粒度检测方法 |
CN111680696B (zh) * | 2020-06-19 | 2023-06-30 | 广东韶钢松山股份有限公司 | 识别素材晶粒度的方法以及钢材晶粒度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633255B (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
CN106248559B (zh) | 一种基于深度学习的白细胞五分类方法 | |
CN107563428A (zh) | 基于生成对抗网络的极化sar图像分类方法 | |
Nie et al. | Strawberry verticillium wilt detection network based on multi-task learning and attention | |
CN107016405A (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
CN108446700A (zh) | 一种基于对抗攻击的车牌攻击生成方法 | |
CN109768985A (zh) | 一种基于流量可视化与机器学习算法的入侵检测方法 | |
CN108647718A (zh) | 一种不同材料金相组织自动分类评级的方法 | |
CN107273853B (zh) | 一种基于类心和协方差对齐的遥感图像迁移学习方法 | |
CN106960214A (zh) | 基于图像的物体识别方法 | |
CN109492026A (zh) | 一种基于改进的主动学习技术的电信欺诈分类检测方法 | |
CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
CN103839078B (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN111832417A (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
CN107819698A (zh) | 一种基于半监督学习的网络流量分类方法、计算机设备 | |
CN106845528A (zh) | 一种基于K‑means与深度学习的图像分类算法 | |
CN109741341A (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
CN107844751A (zh) | 引导滤波长短记忆神经网络高光谱遥感图像的分类方法 | |
CN109410184A (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN108764330A (zh) | 基于超像素分割和卷积反卷积网络的sar图像分类方法 | |
CN110503645A (zh) | 基于卷积神经网络对金相图片晶粒度进行判定的方法 | |
CN110413791A (zh) | 基于cnn-svm-knn组合模型的文本分类方法 | |
CN109902662A (zh) | 一种行人重识别方法、系统、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191126 |