基于卷積神經網絡的12Cr1MoV 鋼金相組織球化級別智能化分析

趙 隆 韓小稚 王景人 寇 威

（陜西省特種設備檢驗檢測研究院 西安 710048）

目前，12Cr1MoV 鋼被大量廣泛地用于國內電站鍋爐蒸汽管道、受熱面等主要部件。隨著12Cr1MoV鋼長期在高溫高壓惡劣環(huán)境下使用，顯微組織會逐漸出現球化現象，使材料的強度、硬度等主要抗疲勞力學性能指標下降，最終會導致脹管、爆管等威脅鍋爐運行安全的危險事故。因此，對12Cr1MoV 鋼顯微組織球化現象的研究分析，是評判部件材料老化和使用期限的重要依據。傳統的金相分析方法，主要依靠經驗豐富的檢驗人員進行試樣選取、試樣制備、顯微鏡下觀察組織特征，并與標準圖譜進行對比分析評定。這種方法的優(yōu)勢在于檢驗人員可以根據自己的經驗和知識進行細致的觀察和分析。但是，傳統方法也存在主觀性誤差大、費時費力、效率低等劣勢。因此，國內外的研究機構和學者也紛紛利用人工智能技術，對金相組織智能分析進行研究。

國外Gola 等人[1]將支持向量機與基于像素和形態(tài)的參數相結合，對3 種不同鋼材的微觀組織進行分類識別，準確率達97%。國內張紅旗[2]先用小波分析方法對12Cr1MoV 金相組織圖像進行預處理，再用改進的自適應遺傳算法與FCM（模糊C 均值）算法相結合完成金相圖像的分割，并通過計算珠光體區(qū)域面積百分數、平均形狀因子、平均離心率3 個特征參數作為評級參數實現珠光體球化評級。曹卓等人[3]采用卷積神經網絡對材料特征矩陣的梯度進行分析，發(fā)現了梯度與材料性能間有一定關系，進一步驗證了卷積神經網絡具有較好的材料性能預測能力。張佳寧[4]采用改進的U-Net 卷積神經網絡對金相圖像中的晶粒度進行像素級分割，基于八鄰域跟蹤和擴散生長方法實現了晶界缺失區(qū)域的補全，最后基于Client-Server（客戶端-服務器）架構開發(fā)了一套晶粒度自動評級系統。

然而，很多研究機構和學者主要針對鋼材金相組織晶粒度的定量分析方向研究較多，但是對火力發(fā)電廠12Cr1MoV 鋼金相組織球化級別分析方面研究甚少，也缺乏相關的分析軟件。因此，本文針對上述難點問題，開展火電廠12Cr1MoV 鋼金相組織球化級別智能分析研究，采用4 種不同的卷積神經網絡模型對金相組織圖像進行分類識別，并設計專用的分析軟件。

1 創(chuàng)建數據集及預處理

1.1 創(chuàng)建金相圖像的數據集

將收集的685 張12Cr1MoV 鋼金相組織圖像整理成數據集，與DL/T 773—2016《火電廠用12Cr1MoV鋼球化評級標準》[5]的圖譜進行對比分類，見表1。

表1 12Cr1MoV 鋼金相組織圖像類別

1.2 對數據集的預處理

因檢驗現場打磨和顯微組織觀察拍照等原因，金相圖像的清晰度存在差異。首先用MATLAB 軟件對數據集進行預處理，即RGB 圖—灰度圖—去噪（采用中值濾波）—尺寸歸一化—數據增強（擴充數據集），從而獲得1 370 張高質量的金相圖像[6]。原始圖像預處理結果如圖1 所示。將1 370 張高質量的數據集劃分，80%數據分為訓練集，20%數據分為測試集。

圖1 RGB 圖預處理后的圖像

2 采用遷移學習訓練模型

2.1 卷積神經網絡模型

卷積神經網絡[7]是一種多層的監(jiān)督學習神經網絡，隱含層的卷積層和池采樣層是實現卷積神經網絡特征提取功能的核心模塊。該網絡模型通過采用梯度下降法最小化損失函數對網絡中的權重參數逐層反向調節(jié)，通過頻繁的迭代訓練提高網絡的精度。因此，本實驗選擇以下4 種卷積神經網絡模型對金相組織圖像進行遷移學習訓練：

1）VGG16[8]是由牛津大學的Visual Geometry Group 開發(fā)的深度卷積神經網絡模型。它由16 層卷積層和全連接層組成，使用了小尺寸的3×3 卷積核和池化層，具有非常深的網絡結構。VGG16 模型在圖像分類任務中表現出色，其特點是簡單而直觀，具有高度可擴展性。

2）GoogleNet[9]是由Google 團隊開發(fā)的深度卷積神經網絡模型。它采用了Inception 模塊，使用多個不同大小的卷積核進行特征提取，并通過1×1 卷積層降低計算量。GoogleNet 模型具有較低的參數量，能夠在相對較少的參數下實現較高的準確度。

3）ResNet18[10]是由微軟研究院提出的深度殘差網絡模型。它通過引入殘差連接（Residual Connection）來解決深度神經網絡中的梯度消失和梯度爆炸問題。ResNet18 模型具有18 層，包括卷積層、批量歸一化層和全連接層。該模型在訓練過程中能夠更好地傳遞梯度，使更深的網絡結構能夠更容易地訓練和優(yōu)化。

4）Inception-v3[11]是Google 團隊在Inception 系列中的第三個版本。它采用了更復雜的Inception 模塊，包括多個并行的卷積和池化操作，以及通過1×1 卷積層進行降維和擴展。Inception-v3 模型在圖像分類和目標檢測等任務中表現出色，具有較高的準確度和較低的計算復雜度。

2.2 參數調優(yōu)

1）采用小批量梯度下降法：每一次迭代中，使用一小部分的隨機樣本來計算梯度。梯度下降的目的就是求函數的極小值點。

2）L2正則化：通過向損失函數添加權重的L2范數懲罰項，可以控制模型的復雜度，減少過擬合的風險，提高模型的泛化能力。還可以防止模型中的權重過大，從而減少梯度爆炸問題。L2正則化公式見式(1)：

式中：

λ——正則化系數；

W——模型的權重參數。

L2范數也稱為歐幾里得范數，表示為，計算方式是將每個權重的平方相加再開平方。

3）動量法：因梯度下降法在收斂過程會產生震蕩，動量不僅能解決收斂震動問題，還能加速優(yōu)化收斂。具體在梯度下降法基礎上引入一階動量，見式(2)：

式中：

mt——當前一階動量；

mt-1——上一步的一階動量；

gt——當前梯度；

β1——超參數，經驗值為0.9。β1越大，說明當前動量主要由以前累計的方向決定。β1越小，說明當前動量更多由前梯度決定。

2.3 訓練模型

本實驗采用MATLAB 作為深度學習開發(fā)框架，使用速石科技（fastone）超算平臺的RTX 4090GPU 對訓練過程進行加速處理。分別采用VGG16、GoogleNet、ResNet18、Inception-v3 模型進行訓練。

隨著訓練次數及迭代次數增多，模型收斂速度加快，損失函數逐漸降低，準確率逐漸增高，VGG16模型可達到約90%，GoogleNet 模型可達到約84%，ResNet18 模型可達到約79%，Inception-v3 模型可達到約93%。因此，Inception-v3 模型為最優(yōu)模型，見圖2。

圖2 采用Inception-v3 模型訓練圖

3 實驗結果分析

3.1 對Inception-v3 模型的驗證

泛化能力反映的是模型對未知數據的判斷能力。為了驗證模型的泛化能力的強弱，用測試集數據在訓練后的Inception-v3 模型上進行準確率測試，并與訓練集的訓練數據做對比，見表2。

表2 Inception-v3 識別準確率比較

從表2 可以看出，訓練后Inception-v3 模型在測試集數據上識別準確率達到89%，證明了模型的泛化能力較強，可以在實際金相分析中應用。

3.2 Inception-v3 模型的可解釋性

金相圖像通過卷積神經網絡結構，卷積層負責提取特征，池化層負責減少特征圖的尺寸和保留重要特征，全連接層負責將特征進行線性組合，最終得到分類輸出。這些層的組合和堆疊構成了深度神經網絡，能夠學習復雜的特征表示并解決各種分類任務。

為了理解Inception-v3 模型如何識別金相組織圖像，本實驗使用Grad-CAM 算法，挑選4 張金相圖像對Inception-v3 模型進行可解釋性分析，并以熱力圖的形式展現該模型在分類圖像時關注的區(qū)域，如圖3 所示。

圖3 金相圖像的Grad-CAM 熱力圖

4 設計智能分析軟件及應用

對Inception-v3 模型及其權重參數進行封裝，用MATLAB 開發(fā)設計一套評定12Cr1MoV 鋼金相組織球化級別的專用軟件。

打開軟件，點擊“開始識別”，選擇1 張金相圖像，可自動分析金相類型、球化程度、球化級別、檢測精度、檢測時間等信息，見圖4。點擊“清空界面”，各個窗口數據清零。點擊“退出系統”，軟件自動關閉退出。該軟件可以自動、準確和高效地評定12Cr1MoV 鋼球化級別，為火電廠鍋爐材料檢驗提供了更可靠的金相分析工具。

圖4 軟件主界面

5 結束語

本實驗利用卷積神經網絡模型進行金相組織分析研究，開發(fā)了12Cr1MoV 鋼金相組織球化級別智能評定的專用軟件，可實現自動、準確和高效的金相分析，推動了特種設備金屬材料檢驗智能化的發(fā)展。