基于深度学习的钢铁微观组织智能识别方法

钢铁微观组织分析是根据钢铁材料的显微组织特点,对材料的性能进行分析的过程。目前微观组织识别往往依靠专业人员判断,需要大量人力物力,效率低、容易受到主观因素的影响而造成结果的不确定。研究了深度神经网络中基于残差结构的微观组织智能分析问题,通过对残差网络模型的改进,提出了基于迁移学习的改进残差网络模型,在ImageNet数据集上进行预训练,并将权值迁移到改进残差网络模型中,实现小样本数据集下的深度学习。该卷积神经网络模型在16种钢铁材料微观组织测试集上进行了测试,结果表明,该方法的准确率达到95.36%,较基础网络结构识别率提高了6.9个百分点。与其他网络结构模型相比,该模型不仅识别率高而且泛化能力强。

304不锈钢和铁素体不锈钢晶粒显示的新腐蚀方法

304不锈钢和铁素体不锈钢的耐腐蚀性能较好,导致材料的晶粒度评级比较困难。将高锰酸钾硫酸溶液作为腐蚀剂,水浴加热后对304不锈钢进行腐蚀,可获得清晰、完整的奥氏体晶粒,且不显示晶粒内孪晶界;采用放置约3 a的王水作为腐蚀剂对铁素体不锈钢进行腐蚀,可获得清晰的晶粒形貌,实现其晶粒度级别的准确评定。

基于深度学习的铁素体晶粒度自动评级方法

钢铁微观组织检测分析人工依赖程度大,随着钢铁行业的快速发展,组织分析检测任务量逐年增加,通常完成一项晶粒度评级任务耗时1 h以上。数字智能化赋能材料检测创新成为发展必然趋势,人工智能技术在钢铁材料检测分析领域的应用,为满足材料基因和高通量实验发展需求、推动微观组织分析智能化带来新的机遇。介绍了一种基于深度学习的铁素体晶粒度评级方法。首先对图像进行预处理,利用U-Net网络对组织图像进行晶界提取,采用一种基于Zhang的快速并行细化算法的目标提取方法,获得无毛刺的铁素体晶界骨架图像,通过阈值截点识别方法识别截线与晶界的交点类型,从而确定截点数,自动计算晶粒度级别数。实现晶粒度自动评级一键化,大大提高了晶粒度评级的效率,有效节约了人员成本和时间成本。经对比,该评级方法识别精度完全满足±0.25级的标准要求,为孪晶、混晶智能评级做出了有益实践。