摘 要：钛合金在航空制造中常用于飞机的主要承力构件，需要对其举行显微组织检测以包管质料性能。为战胜钛合金显微组织图像难以自动检测的问题，文章以TA15 钛合金为突破口，提出并详细说明晰一种基于深度学习的显微组织检测要领，包括收罗原始图片时应注重的问题、数据增强时旋转图片导致的纹理纷歧致问题及解决要领，提出了一种性能较好的神经网络结构以及思量现实生产置信度的展望效果后处置惩罚与管线构建要领。最终实现了从原始图片到显微组织类别的端到端展望。
要害词：深度学习；卷积神经网络；图像增强；金相检测；显微组织
在航空制造中，钛合金常用于飞机的主要承力构件，需要对其组织形态举行检测，实时发明缺陷，包管质料的力学性能。显微组织检测是金相检测的一个主要项目，通过使用金相显微镜对样品举行视察，确定质料的结构、组织形态和元素漫衍。恒久以来，钛合金的显微组织检测都是靠人工视察显微镜下的金相图像，然后与标准图样、尺寸要求比照举行的，效率低，对职员履历依赖严重。
试图解决该问题的要领中，古板图像识别算法需要盘算轮廓矩作为识别特征，而金相图片很难提取到轮廓；古板机械学习在面临像素形式的图像数据时，无法战胜平移稳固性问题；近年来兴起的深度学习可以通过卷积和池化学习到具有平移稳固性的特征，为解决问题带来了希望，但在现实应用中仍面临着一些难题。本文将以TA15 钛合金为突破口，讨论使用深度学习手艺举行钛合金显微组织检测的要领。
将需要检测的各显微组织形态的钛合金试样磨制到镜面水平，热镶嵌到酚醛树脂模具中，并使用金相显微镜拍取多个位置的组织图片。由于深度学习实质上是对像素值举行数学运算，以是需要思量清晰度与视野的问题，即图片的像素数与其表达的物理距离之间的关系。理论上，只要多张原始图片之间像素数与物理距离的比一定，即可通过简朴的裁剪获得训练图片，本文所用的显微镜在500x 的视野下20μm 对应的像素数为143 左右，该值因装备的拍摄像素密度而异。图片应纹理清晰、亮度匀称（如图1 左），不应有黑边、标尺等其它内容（如图1 右）。
图1 及格TA15 显微组织原始图片（左）与缺乏格图片（右）
拍摄完成后，遵照航标11-CL-059D 对图片举行人工判断，并按判断效果分类生涯。注重原始图片中的组织形态应只管典范，阻止将纹理介于两个种别之间的图片用于训练。
原始图片若是直接用于训练，会保存以下问题：
（1）旋转/翻转稳固性，与一样平常图像识别（如手写数字）差别，钛合金显微组织图像具有旋转和翻转稳固性，如将一张TA15 合金A1 组织的图片旋转180°或水平镜像，获得的仍是A1 组织，原始图片的数目一样平常缺乏以笼罩这么多种情形。
（2）图片尺寸太大，以本文收罗的原始图片尺寸1008×768 输入的话，要经由很是多的层才华缩短到一个尺寸合适的特征图，而这么多信息又不都是须要的。
这些问题可以由数据增强解决。需要注重的是，图片直接绕中心旋转会导致四角处没有像素值，纵然使用反射填充也会留下一条显着的“分界线”（如图2 左下角），当旋转靠近45°的奇数倍时，这一征象将很是显着。这关于一样平常图像识别问题不大，但钛合金显微组织自己就像一种纹理，图像变换后纹理纷歧致是不可接受的。
图2 图片旋转后爆发的纹理纷歧致
为解决上述问题，可以使用凭证旋转角与目的尺寸回推裁切尺寸的要领。即关于随机的旋转角α∈[0，360）deg，求其对90 的余数α'，盘算：
式中d 为目的尺寸，本文取512，ε 由下式确定：
将原始图片灰度化后，在随机位置裁切出形状为（D，D）的正方形图片，绕中心旋转α，再从中心位置裁切出形状为（d，d）的小正方形，对小正方形做随机水平、笔直翻转，然后在样本（图片）规模内对像素值举行标准化，获得增强后的图片。对每一张原始图片重复上述办法以天生数据集。本文通过数据增强天生训练图片3018 张，验证、测试图片各626 张，以A1 种别为例，如图3。
图3 数据增强所得的图片
由于缺乏明确可靠的理论指导，神经网络结构的设计一直是深度学习中的一大问题。团结金相检测专业知识，本文的思绪是：TA15 合金的显微组织评级（分类）需要关注初生α、次生α、β 组织的巨细和数目，注重到初生α 面积较大，而次生α、β 区图像较细，以是神经网络在输入后分成两条路径处置惩罚。其中一条支路使用了4×4 最大池化层，并在随后使用了带孔卷积块，加速特征图缩短且镌汰了池化的使用；另一支路则使用了古板的卷积、池化层堆叠结构。整个网络在适当的位置使用了批标准化，最后两条支路的张量展平合并，输入全毗连层举行分类。
经由了大宗的实验与迭代优化后，本文得出了一种性能较好的网络结构，如图4。
图4 神经网络结构
确定模子结构后，使用categorical_crossentropy 损失函数、adam 优化器，使用准确率作为性能指标，训练30个轮次。本文第28 轮时模子的验证准确率抵达了98.52%，测试发明模子保存轻度过拟合，但性能已经知足要求，于是使用这个模子。
检测新的试样时，首先读取待测试样的显微组织图片，与训练时一样将其转换为灰度图片。由于网路的输入比原图小，需要对原图举行裁切，为阻止裁切随机性导致的效果波动，可以在图片内随机位置裁出10 个形状为（d，d）的子图，并在之后综合思量它们的效果。将数据举行张量化与样本规模的标准化，输着迷经网络举行展望，对输出张量沿0 轴求均值，获得的效果可以视为该试样属于各个类别的概率。
思量到模子验证准确率约98.5%，意味着每100 次检测预期会错1-2 次，此时需要关于及格种别（A-C 类）有高置信度，不然就需要对所有展望效果举行人工复核，自动检测将失去意义。以是关于合并后的softmax 输出，不使用argmax 得出种别索引，而是划定一个较大的阈值t（如0.8），仅当模子的自信水平大于t 时才输出这个种别，不然输出“待定”，提醒操作职员人工检查。
至此构建了从原始图片到显微组织类别的展望管线，安排至合适的使用场景（如web 应用）后即可使用。
本文先容了一种基于深度学习的TA15 钛合金显微组织检测要领，详细说明晰实现办法与历程中的主要问题，包括原始数据收罗需要注重的事项、数据增强要领、神经网络结构以及后处置惩罚/管线构建要领，最终实现了从原始图片到显微组织类别的端到端展望。本文要领的整体流程，如图5。
?
图5 本文检测要领流程
最后，由于水平和精神有限，本文在模子结构的实验上仍以古板卷积层为主，诸如Inception 系列的胶囊网络、ResNet 系列的残差毗连等热门要领并未思量，可能遗漏性能更好的网络结构；另外，其他的图像预处置惩罚要领，如将灰度图像二值化以突出有用信息，都值得进一步研究。
泉源：微钛空间
