Page 30 - 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

递，直到输出层输出运算结果。其中卷积层计算方 式中： y i 为真实标签； ω 为模型参数； R(ω)为正则
程如式(1)所示。 函数。
通过卷积神经网络模型，在样本数据库中提取
（1）
各级别晶粒度的低纬、中纬、高纬特征，再根据晶粒
式中： M j 为上层输出的特征数据集；X l i -1 为数据集 度级别进行分类，建立晶粒度智能评级模型。
l
中的特征图像；K 为输入中第i个特征图像到输出 2.3 模型训练和优化
ij
l
的第j个特征图像之间计算所用的卷积核； b 为输出 模型初步建立之后，其评级结果存在一定的波
j
的第j个特征图像的偏置； f为激活函数。 动和误差，需采用未标记的晶粒度试样进行训练和
池化层特征输出计算方程如式(2)所示。 优化，降低检测误差，以提高检测重复性。笔者使

X l j =fW j l down ( x l j -1 ) +b l j   （2） 用NM950-R型八工位自动光学显微镜进行检测，内

容主要分为两个方面：一是模型与人工检测的比对。
式中：down为贝叶斯采集函数，在两个维度上缩小 采用晶粒度试样作为素材进行测试，人工将待测试
l
图像；W 为乘性偏置。 样依次放入八工位自动载物台上，按工位序号依次
j
全连接层输出整合特征方式如式（3）所示。
编辑试样的编码、检测项目等信息，光学显微镜自动
X l = ( θ X l -1 +f b l j ) （3） 识别试样、扫描、取景，接着进行评级模型评级，输
T
式中： θ 为输入特征与输出特征之间的映射参数。 出晶粒度级别（结果保留两位小数），将输出的结果
（2）损失函数。在全连接层后，根据SoftMax函 与人工检测结果进行比较，当检测结果偏差不大于
数进行分类，将多个神经元的输出结果映射到（0,1） 0.5级时，比对结果合格。二是模型评级结果的重复
之间，得到概率最大的输出，从而计算损失函数，通 性。采用晶粒度试样作为素材进行测试，当完成第
过SoftMax函数计算第i 类的概率如式（4）所示。 一次自动评级之后，将自动载物台上的次序混乱或
fx i x i ∑ j exp( ) （4） 参杂其他物质的试样重新摆放，再次开展自动评级，
x
( ) =exp( )/
j
同一试样两次评级结果的偏差不大于0.25级时，认
式中： x i 为预测分类的第i项。
为模型评级结果重复性好。
损失函数由多个部分组成，对分类问题一般采 通过训练对评级模型进行适应优化，即将模型与
用交叉熵代价函数进行计算，为防止过拟合，在损失
人工检测结果偏差超过预期范围的试样进行人工打
函数中增加正则函数。计算公式如式（5）所示。
标，导入卷积神经网络模型，优化标准库，晶粒度结
（5） 果比对合格率、重复性与样本数量的关系如表7所示。

表7 晶粒度结果比对合格率、重复性与样本数量的关系 %
样本为50张 样本为100张 样本为200张 样本为500张
晶粒度级别/级
比对合格率 重复性 比对合格率 重复性 比对合格率 重复性 比对合格率 重复性
<8 38.2 52.1 48.6 61.7 67.3 74.5 79.7 85.5

[8,10) 41.3 46.4 45.4 53.8 58.6 68.4 72.6 81.3
[10,11) 39.6 44.1 44.2 48.5 53.4 69.2 68.5 77.2
[11,12) 37.8 42.9 41.6 47.7 49.5 62.8 64.6 75.1
≥12 35.5 38.3 39.2 42.9 45.1 58.3 62.0 75.4
由表7可知：随着标准库中样本量的增加，评级 3 方法验证和评价
模型检测结果的重复性，以及与人工比对的合格率 3.1 试样制备效果验证

均逐步得到改善，持续稳定地对卷积神经网络模型 随机抽取部分试样，按文中制定的晶粒度智能
补充新的样本特征，是晶粒度智能评级模型能够输 评定试样制备方法对试样进行磨抛和腐蚀，采用测量
[6]
出更准确定量分析结果的保证 。 精度为0.001 mm的自动测量台对试样平行度进行测

18