趙 隆 韓小稚 王景人 寇 威

（陜西省特種設(shè)備檢驗(yàn)檢測研究院 西安 710048）

目前，12Cr1MoV 鋼被大量廣泛地用于國內(nèi)電站鍋爐蒸汽管道、受熱面等主要部件。隨著12Cr1MoV鋼長期在高溫高壓惡劣環(huán)境下使用，顯微組織會(huì)逐漸出現(xiàn)球化現(xiàn)象，使材料的強(qiáng)度、硬度等主要抗疲勞力學(xué)性能指標(biāo)下降，最終會(huì)導(dǎo)致脹管、爆管等威脅鍋爐運(yùn)行安全的危險(xiǎn)事故。因此，對(duì)12Cr1MoV 鋼顯微組織球化現(xiàn)象的研究分析，是評(píng)判部件材料老化和使用期限的重要依據(jù)。傳統(tǒng)的金相分析方法，主要依靠經(jīng)驗(yàn)豐富的檢驗(yàn)人員進(jìn)行試樣選取、試樣制備、顯微鏡下觀察組織特征，并與標(biāo)準(zhǔn)圖譜進(jìn)行對(duì)比分析評(píng)定。這種方法的優(yōu)勢在于檢驗(yàn)人員可以根據(jù)自己的經(jīng)驗(yàn)和知識(shí)進(jìn)行細(xì)致的觀察和分析。但是，傳統(tǒng)方法也存在主觀性誤差大、費(fèi)時(shí)費(fèi)力、效率低等劣勢。因此，國內(nèi)外的研究機(jī)構(gòu)和學(xué)者也紛紛利用人工智能技術(shù)，對(duì)金相組織智能分析進(jìn)行研究。

國外Gola 等人[1]將支持向量機(jī)與基于像素和形態(tài)的參數(shù)相結(jié)合，對(duì)3 種不同鋼材的微觀組織進(jìn)行分類識(shí)別，準(zhǔn)確率達(dá)97%。國內(nèi)張紅旗[2]先用小波分析方法對(duì)12Cr1MoV 金相組織圖像進(jìn)行預(yù)處理，再用改進(jìn)的自適應(yīng)遺傳算法與FCM（模糊C 均值）算法相結(jié)合完成金相圖像的分割，并通過計(jì)算珠光體區(qū)域面積百分?jǐn)?shù)、平均形狀因子、平均離心率3 個(gè)特征參數(shù)作為評(píng)級(jí)參數(shù)實(shí)現(xiàn)珠光體球化評(píng)級(jí)。曹卓等人[3]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)材料特征矩陣的梯度進(jìn)行分析，發(fā)現(xiàn)了梯度與材料性能間有一定關(guān)系，進(jìn)一步驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)具有較好的材料性能預(yù)測能力。張佳寧[4]采用改進(jìn)的U-Net 卷積神經(jīng)網(wǎng)絡(luò)對(duì)金相圖像中的晶粒度進(jìn)行像素級(jí)分割，基于八鄰域跟蹤和擴(kuò)散生長方法實(shí)現(xiàn)了晶界缺失區(qū)域的補(bǔ)全，最后基于Client-Server（客戶端-服務(wù)器）架構(gòu)開發(fā)了一套晶粒度自動(dòng)評(píng)級(jí)系統(tǒng)。

然而，很多研究機(jī)構(gòu)和學(xué)者主要針對(duì)鋼材金相組織晶粒度的定量分析方向研究較多，但是對(duì)火力發(fā)電廠12Cr1MoV 鋼金相組織球化級(jí)別分析方面研究甚少，也缺乏相關(guān)的分析軟件。因此，本文針對(duì)上述難點(diǎn)問題，開展火電廠12Cr1MoV 鋼金相組織球化級(jí)別智能分析研究，采用4 種不同的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)金相組織圖像進(jìn)行分類識(shí)別，并設(shè)計(jì)專用的分析軟件。

1 創(chuàng)建數(shù)據(jù)集及預(yù)處理

1.1 創(chuàng)建金相圖像的數(shù)據(jù)集

將收集的685 張12Cr1MoV 鋼金相組織圖像整理成數(shù)據(jù)集，與DL/T 773—2016《火電廠用12Cr1MoV鋼球化評(píng)級(jí)標(biāo)準(zhǔn)》[5]的圖譜進(jìn)行對(duì)比分類，見表1。

表1 12Cr1MoV 鋼金相組織圖像類別

1.2 對(duì)數(shù)據(jù)集的預(yù)處理

因檢驗(yàn)現(xiàn)場打磨和顯微組織觀察拍照等原因，金相圖像的清晰度存在差異。首先用MATLAB 軟件對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，即RGB 圖—灰度圖—去噪（采用中值濾波）—尺寸歸一化—數(shù)據(jù)增強(qiáng)（擴(kuò)充數(shù)據(jù)集），從而獲得1 370 張高質(zhì)量的金相圖像[6]。原始圖像預(yù)處理結(jié)果如圖1 所示。將1 370 張高質(zhì)量的數(shù)據(jù)集劃分，80%數(shù)據(jù)分為訓(xùn)練集，20%數(shù)據(jù)分為測試集。

圖1 RGB 圖預(yù)處理后的圖像

2 采用遷移學(xué)習(xí)訓(xùn)練模型

2.1 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)[7]是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，隱含層的卷積層和池采樣層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能的核心模塊。該網(wǎng)絡(luò)模型通過采用梯度下降法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。因此，本實(shí)驗(yàn)選擇以下4 種卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)金相組織圖像進(jìn)行遷移學(xué)習(xí)訓(xùn)練：

1）VGG16[8]是由牛津大學(xué)的Visual Geometry Group 開發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)模型。它由16 層卷積層和全連接層組成，使用了小尺寸的3×3 卷積核和池化層，具有非常深的網(wǎng)絡(luò)結(jié)構(gòu)。VGG16 模型在圖像分類任務(wù)中表現(xiàn)出色，其特點(diǎn)是簡單而直觀，具有高度可擴(kuò)展性。

2）GoogleNet[9]是由Google 團(tuán)隊(duì)開發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)模型。它采用了Inception 模塊，使用多個(gè)不同大小的卷積核進(jìn)行特征提取，并通過1×1 卷積層降低計(jì)算量。GoogleNet 模型具有較低的參數(shù)量，能夠在相對(duì)較少的參數(shù)下實(shí)現(xiàn)較高的準(zhǔn)確度。

3）ResNet18[10]是由微軟研究院提出的深度殘差網(wǎng)絡(luò)模型。它通過引入殘差連接（Residual Connection）來解決深度神經(jīng)網(wǎng)絡(luò)中的梯度消失和梯度爆炸問題。ResNet18 模型具有18 層，包括卷積層、批量歸一化層和全連接層。該模型在訓(xùn)練過程中能夠更好地傳遞梯度，使更深的網(wǎng)絡(luò)結(jié)構(gòu)能夠更容易地訓(xùn)練和優(yōu)化。

4）Inception-v3[11]是Google 團(tuán)隊(duì)在Inception 系列中的第三個(gè)版本。它采用了更復(fù)雜的Inception 模塊，包括多個(gè)并行的卷積和池化操作，以及通過1×1 卷積層進(jìn)行降維和擴(kuò)展。Inception-v3 模型在圖像分類和目標(biāo)檢測等任務(wù)中表現(xiàn)出色，具有較高的準(zhǔn)確度和較低的計(jì)算復(fù)雜度。

2.2 參數(shù)調(diào)優(yōu)

1）采用小批量梯度下降法：每一次迭代中，使用一小部分的隨機(jī)樣本來計(jì)算梯度。梯度下降的目的就是求函數(shù)的極小值點(diǎn)。

2）L2正則化：通過向損失函數(shù)添加權(quán)重的L2范數(shù)懲罰項(xiàng)，可以控制模型的復(fù)雜度，減少過擬合的風(fēng)險(xiǎn)，提高模型的泛化能力。還可以防止模型中的權(quán)重過大，從而減少梯度爆炸問題。L2正則化公式見式(1)：

式中：

λ——正則化系數(shù)；

W——模型的權(quán)重參數(shù)。

L2范數(shù)也稱為歐幾里得范數(shù)，表示為，計(jì)算方式是將每個(gè)權(quán)重的平方相加再開平方。

3）動(dòng)量法：因梯度下降法在收斂過程會(huì)產(chǎn)生震蕩，動(dòng)量不僅能解決收斂震動(dòng)問題，還能加速優(yōu)化收斂。具體在梯度下降法基礎(chǔ)上引入一階動(dòng)量，見式(2)：

式中：

mt——當(dāng)前一階動(dòng)量；

mt-1——上一步的一階動(dòng)量；

gt——當(dāng)前梯度；

β1——超參數(shù)，經(jīng)驗(yàn)值為0.9。β1越大，說明當(dāng)前動(dòng)量主要由以前累計(jì)的方向決定。β1越小，說明當(dāng)前動(dòng)量更多由前梯度決定。

2.3 訓(xùn)練模型

本實(shí)驗(yàn)采用MATLAB 作為深度學(xué)習(xí)開發(fā)框架，使用速石科技（fastone）超算平臺(tái)的RTX 4090GPU 對(duì)訓(xùn)練過程進(jìn)行加速處理。分別采用VGG16、GoogleNet、ResNet18、Inception-v3 模型進(jìn)行訓(xùn)練。

隨著訓(xùn)練次數(shù)及迭代次數(shù)增多，模型收斂速度加快，損失函數(shù)逐漸降低，準(zhǔn)確率逐漸增高，VGG16模型可達(dá)到約90%，GoogleNet 模型可達(dá)到約84%，ResNet18 模型可達(dá)到約79%，Inception-v3 模型可達(dá)到約93%。因此，Inception-v3 模型為最優(yōu)模型，見圖2。

圖2 采用Inception-v3 模型訓(xùn)練圖

3 實(shí)驗(yàn)結(jié)果分析

3.1 對(duì)Inception-v3 模型的驗(yàn)證

泛化能力反映的是模型對(duì)未知數(shù)據(jù)的判斷能力。為了驗(yàn)證模型的泛化能力的強(qiáng)弱，用測試集數(shù)據(jù)在訓(xùn)練后的Inception-v3 模型上進(jìn)行準(zhǔn)確率測試，并與訓(xùn)練集的訓(xùn)練數(shù)據(jù)做對(duì)比，見表2。

表2 Inception-v3 識(shí)別準(zhǔn)確率比較

從表2 可以看出，訓(xùn)練后Inception-v3 模型在測試集數(shù)據(jù)上識(shí)別準(zhǔn)確率達(dá)到89%，證明了模型的泛化能力較強(qiáng)，可以在實(shí)際金相分析中應(yīng)用。

3.2 Inception-v3 模型的可解釋性

金相圖像通過卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，卷積層負(fù)責(zé)提取特征，池化層負(fù)責(zé)減少特征圖的尺寸和保留重要特征，全連接層負(fù)責(zé)將特征進(jìn)行線性組合，最終得到分類輸出。這些層的組合和堆疊構(gòu)成了深度神經(jīng)網(wǎng)絡(luò)，能夠?qū)W習(xí)復(fù)雜的特征表示并解決各種分類任務(wù)。

為了理解Inception-v3 模型如何識(shí)別金相組織圖像，本實(shí)驗(yàn)使用Grad-CAM 算法，挑選4 張金相圖像對(duì)Inception-v3 模型進(jìn)行可解釋性分析，并以熱力圖的形式展現(xiàn)該模型在分類圖像時(shí)關(guān)注的區(qū)域，如圖3 所示。

圖3 金相圖像的Grad-CAM 熱力圖

4 設(shè)計(jì)智能分析軟件及應(yīng)用

對(duì)Inception-v3 模型及其權(quán)重參數(shù)進(jìn)行封裝，用MATLAB 開發(fā)設(shè)計(jì)一套評(píng)定12Cr1MoV 鋼金相組織球化級(jí)別的專用軟件。

打開軟件，點(diǎn)擊“開始識(shí)別”，選擇1 張金相圖像，可自動(dòng)分析金相類型、球化程度、球化級(jí)別、檢測精度、檢測時(shí)間等信息，見圖4。點(diǎn)擊“清空界面”，各個(gè)窗口數(shù)據(jù)清零。點(diǎn)擊“退出系統(tǒng)”，軟件自動(dòng)關(guān)閉退出。該軟件可以自動(dòng)、準(zhǔn)確和高效地評(píng)定12Cr1MoV 鋼球化級(jí)別，為火電廠鍋爐材料檢驗(yàn)提供了更可靠的金相分析工具。

圖4 軟件主界面

5 結(jié)束語

本實(shí)驗(yàn)利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行金相組織分析研究，開發(fā)了12Cr1MoV 鋼金相組織球化級(jí)別智能評(píng)定的專用軟件，可實(shí)現(xiàn)自動(dòng)、準(zhǔn)確和高效的金相分析，推動(dòng)了特種設(shè)備金屬材料檢驗(yàn)智能化的發(fā)展。