【技术分享】深入了解钢铁显微组织分类方法

提示：需要英文原文件者，可以加小编微信索取：18551814967。

AdvancedSteel Microstructural Classification by Deep Learning Methods

Seyed Majid Azimi,Dominik Britz, Michael Engstler et,al

Scientific Reports.2017

材料的内部结构被称之为微观组织，它存储着材料的起源信息并决定其所有的物理化学性质。虽然微观组织表征是广泛传播和众所周知的，但它的分类大多由专家手工完成，这会引起主观性的不确定性。由于微观组织可以是具有复杂子结构的不同相或成分的组合，所以它的自动分类是非常具有挑战性的，只有少数研究先例存在。专家们先前的工作集中于设计和工程特征，显微组织分类与特征提取步骤分离。近期，深度学习方法展现了从数据中学习特征和分类步骤来实现视觉应用的强大性能。在本文中，我们提出了一种微观组织分类的深度学习方法，应用于一些具有特定显微结构组元的低碳钢的例子。这种新方法采用像素分割、最大表决（max-voting）方案的完全卷积神经网络（FCNN）。我们的分类方法准确率达到了93.94%，显著超过了精度为48.89%的最高水平的方法。这个方法除了强大的性能，这一系列的研究为钢铁质量评价的艰巨任务提供了更有力、更客观的方法。

图：基于对象的CNN分类方法的工作流。在这个图中，采用训练CNN对SEM图像中的一个对象进行裁剪和分类，224×224像素是固定的输入大小的vgg16网络，“C”代表分类。

图:采用FCNNs（MVFCNN）的最大表决切分的微观组织分类方法概述。在本图中，输入图片是SEM照片，输入的图片首先进行裁剪，然后裁剪的块分配给了MVFCNN算法中的FCNN块。FCNN将裁剪后的块拼接到一起。在最后的步骤中，将最大表决策略应用于拼接图像。最大表决输出用于对显微组织对象分类。H和W代表高和宽，第3个数字是特征图号。

图：成功（a）和失败（b）的使用最佳MVFCNN方法配置的SEM切分案例。马氏体、回火马氏体、贝氏体和珠光体的真彩色分别为红色、绿色、蓝色和黄色。

图：将最大表决方案应用于不同微观组织的缝合和分段SEM图块的示例。马氏体、回火马氏体、贝氏体和珠光体的真彩色分别为红色、绿色、蓝色和黄色。

图：（a）采用FCNN网络的LOM和SEM的分块比较，从左到右的列依次为：真实、LOM、LOM分割、SEM和SEM分割。（b）噪声分割，第一排是铁素体剩下的是噪声，马氏体、回火马氏体、贝氏体和珠光体的真彩色分别为红色、绿色、蓝色和黄色。

原文链接：

http://news.matlink.com.cn/pdf/201803261618.pdf

关注热家网，每天学点热处理