基于特征聚合的铜合金金相图分类识别方法.pdf
《基于特征聚合的铜合金金相图分类识别方法.pdf》由会员分享,可在线阅读,更多相关《基于特征聚合的铜合金金相图分类识别方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、2023 08 10计算机应用,Journal of Computer Applications2023,43(8):2593-2601ISSN 10019081CODEN JYIIDUhttp:/基于特征聚合的铜合金金相图分类识别方法黄学雨1,2,贺怀宇1,林慧敏1,陈金水3,4*(1.江西理工大学 软件工程学院,南昌 330013;2.江西理工大学 南昌市虚拟数字工厂与文化传播重点实验室,南昌 330013;3.江西理工大学 材料冶金化学学部,江西 赣州 341000;4.江西理工大学 先进铜产业研究院,江西 鹰潭 335000)(通信作者电子邮箱)摘要:针对铜合金成分检测过程中产生的时滞
2、问题,提出一种基于特征聚合的铜合金金相图分类识别方法。首先,在特征提取阶段,构建灰度共生矩阵(GLCM)和基于卷积注意力模块的残差网络(ResNet)模型分别提取图像的全局与局部特征;其次,在特征聚合阶段,将提取到的特征规范化后进行简单的级联;最后,在分类识别阶段,使用支持向量机(SVM)精确分类。实验结果表明,所提方法的准确率达到了98.963%、宏F1达到了98.996%,优于基于单特征的机器学习方法。可见,不同的方法提取的特征经过聚合后可以更全面地描述铜合金金相图的纹理及边缘信息,所提方法可以通过金相图识别不同铜合金,提升了识别的准确率,且具有良好的鲁棒性。关键词:特征聚合;纹理特征;残
3、差网络;灰度共生矩阵;支持向量机;铜合金;金相图中图分类号:TP391.41 文献标志码:AClassification and recognition method of copper alloy metallograph based on feature aggregationHUANG Xueyu1,2,HE Huaiyu1,LIN Huimin1,CHEN Jinshui3,4*(1.School of Software Engineering,Jiangxi University of Science and Technology,Nanchang Jiangxi 330013,Ch
4、ina;2.Nanchang Key laboratory of Virtual Digital Factory and Cultural Communications,Jiangxi University of Science and Technology,Nanchang Jiangxi 330013,China;3.Faculty of Materials Metallurgy and Chemistry,Jiangxi University of Science and Technology,Ganzhou Jiangxi 341000,China;4.Jiangxi Advanced
5、 Copper Industry Research Institute,Jiangxi University of Science and Technology,Yingtan Jiangxi 335000,China)Abstract:Focusing on the issue of long delay in detection of copper alloy composition,a classification and recognition method of copper alloy metallograph based on feature aggregation was pr
6、oposed.Firstly,in the feature extraction stage,the Gray-Level Co-occurrence Matrix(GLCM)and the Residual Network(ResNet)model based on convolutional block attention module were constructed to extract the global and local features of the image,respectively.Secondly,in the feature aggregation stage,th
7、e extracted features were normalized and then cascaded in a simple way.Finally,in the classification and recognition stage,a Support Vector Machine(SVM)was used for accurate classification.Experimental results show that the proposed method achieves the accuracy of 98.963%and macro-F1 of 98.996%,whic
8、h are better than those of machine learning methods based on single feature.It can be seen that the features extracted by different methods can describe the texture and edge information of copper alloy metallographs more comprehensively after aggregation,and the proposed method can identify differen
9、t copper alloys by metallographs,which improves the accuracy of identification and has good robustness.Key words:feature aggregation;texture feature;Residual Network(ResNet);Gray-Level Co-occurrence Matrix(GLCM);Support Vector Machine(SVM);copper alloy;metallograph0 引言 传统的铜合金材料的成分分析方法主要采用电火花直读光谱、原子吸
10、收光谱分析、原子荧光光谱分析、原子发射光谱分析、X射线荧光光谱分析、红外光谱分析、俄歇电子能谱分析、光电子能谱分析、探针显微分析和离子探针显微分析等方法1。虽然这些方法精确度高,但相关设备不仅无法工作在高温、高尘的熔炼现场,同时因价格昂贵,可能出现多个生产线共用一个检测设备的现象,当检测任务繁重时,不免会产生时滞问题2。提高生产效率是解决时滞问题的关键,也是工业智能化发展的必然趋势,因此高效、快速分析铜合金材料所含成分具有重要意义。图像智能识别在工业生产领域得到了广泛的应用:Kim等3通过图像的颜色识别,对Cu-Zn、Cu-Sn和Cu-Al等铜二元合金图像色调强度进行分析,最终构建指数方程模型
11、预测铜二元合金的成分;Zhang等4针对再生铜检测时滞大的问题,提出了将颜色特征与最小二乘支持向量回归(Least Squares 文章编号:1001-9081(2023)08-2593-09DOI:10.11772/j.issn.1001-9081.2022060893收稿日期:20220620;修回日期:20220905;录用日期:20220909。基金项目:国家重点研发计划重点专项(2020YFB1713700)。作者简介:黄学雨(1970),男,江西赣州人,教授,博士,主要研究方向:企业信息化、智能工厂;贺怀宇(1996),男,山西大同人,硕士研究生,主要研究方向:图像识别;林慧敏(1
12、997),女,江苏徐州人,硕士研究生,主要研究方向:智能计算、图像处理;陈金水(1993),男,江西赣州人,博士研究生,主要研究方向:高性能铜合金制备、加工、表征。第 43 卷计算机应用Support Vector Regression,LSSNVR)结合估计铜合金成分,但样品表面的缺陷以及光线阴影等外部因素可能会影响到预测结果,这给识别分析金属材料所含成分带来了困难和挑战。金相图检测技术通过观察金属材料内部的显微结构与晶粒的类型、形态、大小及分布等特征1,多应用于缺陷检测5-6、性能分析7、磨损检测8等。通过分析金相图像中的结构特征,可以有效避免颜色对预测结果的影响。建立微观组织与成分之间的
13、关系模型,通过金相图谱高效快速地识别铜合金材料成分是个有效率价值的课题。近年来,国内外许多学者将相关深度学习算法运用于分析金相图谱,取得了丰硕的成果9-10。Papa等11为了解决金相图像中铸铁的自动表征问题,使用了支持向量机(Support Vector Machine,SVM)、贝叶斯算法和最优路径森林分类算法作比较,基于最优路径森林分类算法在准确性和速度方面都表现出了总体上的优越性;DeCost 等12利用 SVM 模型和视觉特征对球墨铸铁、灰铸铁、可锻铸铁、退火双坯、黄铜超晶钢等7 种合金进行了分类,并取得 80%以上的准确率;张永志等13基 于 ImageNet 数 据 集 预 训
14、练 VGG(Visual Geometry Group)模型,采用冻结全部卷积层权值和微调部分卷积层权值两种迁移学习方法对火力发电机组耐热钢的金相组织分类识别,两种方法的准确率达到了 92.5%和 94.2%;Azimi等14提出了完全卷积神经网络,将像素化分割用于低碳钢微观结构成分的分类,实现了93.94%的分类精度。总之,通过金相图谱来判断金属所含成分具有一定的可行性。通过金相图谱来识别金属所含成分的关键问题是提取图像中的纹理特征。而传统纹理提取的方法包括局部二进制 模 式(Local Binary Patterns,LBP)、小 波 变 换(Wavelet Transform,WT)和灰
15、度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)等15。Brynolfsson等16发现,图像中的噪声、分辨率、量化方法的选择和灰度级数对大多数纹理特征都有显著影响,并且不同特征之间的影响大小各不相同;Webel等17提出了一种使用 GLCM 对低碳钢的微观结构进行分类的方法。上述分析表明,GLCM 适用于分析合金的微观结构,但使用 GLCM 提取图像的纹理特征具有局限性,捕捉图像的局部细节能力有限。现有的图像局部特征提取方法通常使用注意力机制(Attention Mechanism,AM)模块与主干网络相结合作为图像识别领域的一个重要的模块,可以快速定位
16、图像内更有价值更感兴趣的区域,提升模型分类的效率和准确性。考虑到单一特征并不能完整图像的特征,融合多特征是提高铜合金金相图分类识别性能的关键。例如:Lin等18为了解决多尺度问题,提出了一种带有横向连接的自上而下的特征融合网络,用于所有尺度上构建高级语义特征图。王志伟等19为了有效融合不同尺度的服装图像特征,设计了基于特征相似性融合(Feature Similarity Fusion,FSF)公式,通过FSF公式将多尺度融合特征与传统特征相结合,模型准确率提升了16.4%;但结构复杂的特征融合方法不仅会增大内存开销,也会增加计算的耗时,因此,本文选择简单的级联方法,将全局特征和局部特征聚合起来
17、。针对上述铜合金多分类问题,本文拟采用基于特征聚合的铜合金金相图分类识别方法。在特征提取阶段,采用卷积注意力模块的残差网络(Residual Network,ResNet)模型提取铜合金金相图的局部纹理特征,通过GLCM提取图像的全局特征,将提取到的两类特征规范化后,采用级联的方法进行特征聚合。聚合后的特征可以从全局与局部两方面描述金相图谱的纹理信息,更加全面地捕获金相图的纹理特征,从而更加精确地识别金属所含成分。最后利用SVM对聚合特征分类识别,完成对铜合金成分的分类识别。基于特征聚合的铜合金金相图分类识别方法具有收敛速度快、预测精度高以及泛化性能好的特点,可以较好地解决基于金相图的铜合金多
18、分类问题。本文的主要工作有:1)为了更好地提取金相图谱的局部特征,提出一种基于注意力机制的ResNet模型。在传统残差网络的基础上添加了卷积注意力模块,相比改进前的模型,提高了捕捉图像局部细节特征的能力。2)为了解决单特征不能完整表达金相图纹理特征的问题,在特征提取阶段分别使用 GLCM 提取图像的全局特征、用改进的卷积神经网络算法提取图像的局部细节特征。将两种不同的输出特征聚合为统一的表现形式。1 基于特征聚合的铜合金金相图分类识别方法本文提出基于特征聚合的铜合金金相图分类识别方法,框架如图1所示。首先,对原始铜合金金相图谱进行数据预处理;其次,对预处理后的金相图谱进行纹理特征的提取,运用不
19、同特征提取方法在不同粒度上描述金相图谱的语义信息;再次,将提取到的特征规范化后聚合;最后,将预处理后的聚合特征输入SVM算法中训练学习,获得一个鲁棒性强、精度高及泛化能力强的模型,最终实现对不同成分铜合金的分类识别。下面将对基于聚合特征的SVM分类识别模型中的各模块进行详细的介绍。图1基于特征聚合的铜合金金相图分类识别方法框架Fig.1Framework of classification and recognition method of copper alloy metallograph based on feature aggregation2594第 8 期黄学雨等:基于特征聚合的铜合
20、金金相图分类识别方法1.1铜合金金相图谱数据集建立1.1.1原始数据集公开的铜合金金相图数据集十分稀少,本文实验的样本图像来自江西先进铜产业研究院采集的铜合金金相图图像数据,在采集过程中由经验丰富的专业人员标注,并利用电感耦合等离子光谱发生仪进行成分检测。根据专业人员标注的铜合金金相图像文件,建立铜合金金相图像数据集。数据集含有4种类别的合金:Cu-Cr-Zr(143张)、Cu-Fe(119张)、Cu-Fe-Cr(117 张)和 Cu-Fe-Mg(29 张)。图片分辨率有三种2 5921 869,821541,3 8401 932。为了防止信息泄露,每个类别按训练集验证集测试集比例为 6 2
21、2 随机分配。铜合金金相图片示例如图2所示。1.1.2预处理数据集研究分析发现,铜合金金相图谱具有分辨率高、内部组织和成分分布均匀等特点;同时,由于数据集的规模较小,因此要对原始高分辨率金相图谱进行一系列的预处理。1)灰度处理。由于图像的色谱容易受到光照等因素的影响,以及金相在制作过程中使用的化学浸蚀液不同导致其金相图谱的颜色也有明显差别。本文为了消除图像色谱对研究的影响,将图像进行灰度处理,仅保留图像的梯度,即纹理、边缘特征。使用灰度图像不仅可以用较少的数据描述图像的大部分特征,同时也可以提高后续模型算法的效率。本文使用ITU-R 601-2亮度变换将RGB图像转换为灰度图像。2)直方图均衡
22、化。直方图均衡化可以用来增强动态范围偏小的图像对比度,是一种有效简单的图像增强技术。本文采用直方图均衡化技术对灰度处理后的金相图进行处理,增加了图像的灰度动态范围,同时也增强了图像的对比度,使相邻像素之间的灰度差别变大,图像纹理更加清晰。3)图像切片。由于金相图谱属于微观图像,具有高分辨率且成分分布均匀的特点,本文按照分辨率将不同金相图剪裁为多张统一分辨率为672672的切片,最终得到训练集(3 046张)、验证集(1 028张)和测试集(964张),如表1所示。为了防止信息泄露,本文先随机划分了数据集再进行图像切片,同时由于原始图片的分辨率不同,最终导致切片后的图片数有一些差别。预处理后的4
23、种类型铜合金金相图示例如图3所示。1.2金相图谱的特征提取1.2.1基于灰度共生矩阵提取全局特征由于金相图谱内的金属成分分布均匀,因而在金相图谱中相隔一定距离的两个像素间存在一定的灰度关系,即图像的空间相关特性。通过灰度共生矩阵(GLCM)可以研究图像的灰度空间相关性,描述金相图谱的纹理特征。通过GLCM 可以分析图像的纹理特征以及排列规律等。在不同方向乃至同一方向的不同步距上,构建的GLCM也不相同。传统方法是在归一化灰度共生矩阵的基础上,计算二次统计量来表示纹理特征,更加方便直观地反映了图像纹理有关变化幅度、不同间隔以及不同方向等的综合信息,以更好地描述金相图谱的纹理特征。为了估计不同 G
24、LCM 之间的相似性,减小计算的复杂性,本文只应用二阶矩(Angular Second Moment,ASM)、对比度(Contrast,CON)、相 异 性(Dissimilarity,DI)、逆 差 矩(Inverse Difference Moment,IDM)和 相 关 度(Correlation,COR)表示图像纹理特征20。其中,在归一化后GLCM中,起始像素点灰度为i,相隔距离为d,且角度为的方向上的像素点的灰度为j的概率为Pd(i,j)。1)二阶矩:通过计算灰度共生矩阵中各元素的平方和得出,该特征参数反映了铜合金金相图像中纹理的粗细程度。如式(1)所示:VASM=i jP2d(
25、i,j)(1)2)对比度:该特征参数可以反映铜合金金相图像表面沟纹的深浅以及清晰度。对比度的值越大,图像表面的纹理沟纹越深;反之,则相反。如式(2)所示:VCON=i jPd(i,j)(i-j)2(2)3)相异性:同对比度类似,但在计算权重时采取线性增长的方式。反映了铜合金金相图像的纹理沟纹深浅的程度均匀性和清晰度。如式(3)所示:VDI=i jPd(i,j)|i-j|(3)4)逆差矩:反映铜合金金相图像中纹理的清晰程度以及分布信息。其值越大,表示图像中的纹理越清晰且具有规律性。如式(4)所示:VIDM=i j11+(i-j)2Pd(i,j)(4)图2数据集中每个类别的图像样本Fig.2Sam
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 特征 聚合 铜合金 金相 分类 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。