Page 29 - 理化检验-物理分册2025年第五期

陈 德，等：钢材晶粒度评级的人工智能研究和应用

2.2.1.1 人工打标 完成人工打标后，将打标前后图像分别导入对
由于目前国内没有适用于笔者研究的众多产品 应级别的数据库，进行晶粒度特征提取，生成该样本
牌号的数据库，因此，需要根据笔者单位产品的晶粒 的晶粒度金相标签（见图5）。
度特征和级别，通过人工打标来自己创建一个专用
的晶粒度金相检验图像数据库。
使用实验室现有的BX61、GX71、NM950-R型
光学显微镜采集得到原始晶粒度金相检验图像（见
图2，图像大小为3 072像素×2 048像素），经灰度化
[4]
处理 后，得到预处理后的金相检验样本（见图3）。

图 5 晶粒度金相标签图例
2.2.1.2 样本分割并拓展数据库
将预处理后的原图像样本每隔256像素有重叠
地切分成45张大小为1 024 像素×1 024像素的小尺
寸图像，这样可以拓展数据库的大小和多样性，提高
图 2 光学显微镜采集的原始图像 金相检验图片自动学习算法的准确性和鲁棒性。
2.2.2 晶粒度评级模型的建立
2.2.2.1 卷积神经网络模型结构
晶粒度评级模型主要是利用计算机人工智能和
神经网络深度学习技术构建的卷积神经网络模型，
其核心是一种多阶段全局可训练的人工神经网络学
习模型 ，可针对不同的晶粒大小和形态构建不同
[5]
的网络结构，并直接从数据集中学习高级与抽象特
征。典型的神经网络模型结构由输入层、卷积层、池
化层、全连接层和输出层组成。
图 3 预处理后的图像
输入层主要用于原始样本的输入，为了降低后
采用深度学习标注工具 LabelMe软件对预处理
续算法处理的复杂度，笔者将灰度处理后图像作为
后的金相检验图像进行人工打标，打标时需沿晶界
原始输入样本；卷积层用于图像特征的提取、映射，
将晶粒进行标注，初始打标时允许疏忽掉部分较模
以及深入理解学习，从一个平面到下一个平面进行
糊的晶界，但是已标注的一定要清晰、准确，以便对
映射，由神经元自动提取图像的局部特征，每个神经
后续晶粒特征进行准确提取。LabelMe人工打标结
元都与前一层的局部感受域相连，每层中各平面的
果如图4所示。
神经元分别提取图像中特定区域的局部特征，如方
向特征、形态特征、边缘特征等；池化层是一个计算
局部平均和二次特征的提取层，二次特征提取结构
使卷积神经网络在识别时对输入样本有较高的畸变
容忍能力，从而检测更多的特征信息；全连接层用于
连接并整合所有的特征，并将输出值送给分类器，映
射到样本标签。
2.2.2.2 模型计算方程
（1）逐层传递计算方程。在卷积神经网络结构
图 4 LabelMe 人工打标结果 中，逐层传递是指从输入层开始，逐层向后计算传

17