钢铁材料微观组织决定了钢的力学性能,因此对钢材微观组织的识别十分重要。钢铁材料显微组织图片放大倍数差异大,同种微观组织在不同放大倍数下的形貌也有很大差别,对持续扩充的多尺度钢材微观组织数据集进行分类的难度很大。因此,结合V...钢铁材料微观组织决定了钢的力学性能,因此对钢材微观组织的识别十分重要。钢铁材料显微组织图片放大倍数差异大,同种微观组织在不同放大倍数下的形貌也有很大差别,对持续扩充的多尺度钢材微观组织数据集进行分类的难度很大。因此,结合VGG16网络和自组织增量神经网络(Self Organizing Incremental Neural Network,SOINN),构建基于增量学习的多尺度钢材微观组织图像分类模型;同时,提出基于中心距离的交叉熵损失(Cross Entropy Loss based on Center Distance,CELCD)和交叉训练策略,并融合交叉训练、CELCD和Anchor loss克服“灾难性遗忘”问题,实现对钢材微观组织图片数据的持续学习和高效分类。实验比较了不同增量学习方法在旧数据上的分类精度和“遗忘程度”,结果表明,在增量学习后所提方法的预测精度较增量学习前仅下降14.02%的前提下,在旧数据上的分类精度最高可达80.49%,与上限精度仅相差5.49%,优于其他增量学习方法。展开更多
文摘钢铁材料微观组织决定了钢的力学性能,因此对钢材微观组织的识别十分重要。钢铁材料显微组织图片放大倍数差异大,同种微观组织在不同放大倍数下的形貌也有很大差别,对持续扩充的多尺度钢材微观组织数据集进行分类的难度很大。因此,结合VGG16网络和自组织增量神经网络(Self Organizing Incremental Neural Network,SOINN),构建基于增量学习的多尺度钢材微观组织图像分类模型;同时,提出基于中心距离的交叉熵损失(Cross Entropy Loss based on Center Distance,CELCD)和交叉训练策略,并融合交叉训练、CELCD和Anchor loss克服“灾难性遗忘”问题,实现对钢材微观组织图片数据的持续学习和高效分类。实验比较了不同增量学习方法在旧数据上的分类精度和“遗忘程度”,结果表明,在增量学习后所提方法的预测精度较增量学习前仅下降14.02%的前提下,在旧数据上的分类精度最高可达80.49%,与上限精度仅相差5.49%,优于其他增量学习方法。