利用深度学习技术对钢内部的显微结构进行准确分类

AI涌现编译

作者：Seyed Majid Azimi，Dominik Britz，Michael Engstler等

译者：曹月

【导读】众所周知，材料的显微结构揭示了材料的起源并最终决定了它的一切物理和化学性质。虽然显微结构的性质已基本熟知，或许其本质远没那么简单。目前显微结构的分类主要由人工专家手工完成，由于主观性的存在引起了很多不确定性。由于显微结构可以是不同相或成分与复杂子结构的组合，其自动分类是非常具有挑战性，只有少数的研究有根据。最近，深度学习方法通过从数据中学习特性，在视觉应用方面展现出强劲的能力。有学者提出用深度学习方法对显微结构进行分类，如低碳钢的显微组织。通过全卷积神经网络（FCNN）进行像素分割，达到了93.94%的分类精度，大大超越了使用传统最先进方法的48.89%的精度，为钢铁质量的评估提供了更坚定有力的客观方法。

最近，来自德国的研究人员提出了利用深度学习技术进行钢内部微结构的分类方法，并且刊登在了顶级期刊《Nature》上。

因为钢的优良力学性能，并同时保持低成本，自被发现和使用以来至今仍是最重要和应用最广泛的一类材料。钢的力学性能主要是由其显微结构决定的，所以材料的性能高度依赖显微结构的分布、形状和相变大小。因此，准确地将这些显微结构进行分类至关重要。

众所周知，钢的显微结构有不同的外观，其主要受大量参数的影响，如合金元素、轧制组织、冷却速率，热处理和后处理方法等参数的影响。显微结构由图铁素体、渗碳体、奥氏体、珠光体、贝氏体和马氏体等不同组分组成，如果能准确获得它们的构成有助于制造钢铁。

因此，此问题最近引起了数据科学家们的注意，德国的研究人员Seyed Majid Azimi等人转向使用深度学习的方法，因此方法具有从原始输入数据中学习高级特征的强大能力。最近，这些方法已经非常成功的应用于计算机的视觉问题。不像传统的方法，他们基于人工神经网络的结构如卷积神经网络(CNN)，可以训练识别和进行语义的像素分割对比任务。

他们应用一种基于完全卷积神经网络(FCNNs)的深度学习方法对钢内部的显微结构进行了分类。实验结果表明，该方法与传统的方法相比，提高了分类精度和效率。

这项工作说明了采用深度学习方法能有效地对钢结构进行分类，不需要单独分割和特征提取，而且在分类性能上显著地超过了之前技术水平，除了高准精度的结果，也能够实现非常快的预测。

本文为AI涌现原创，转载请联系本公众号获得授权。