1、第 卷第期 年月有色金属工程 ，犱 狅 犻：犼 犻 狊 狊 狀 收稿日期：基金项目：国家自然科学基金资助项目（）；河南省自然科学基金项目（）；河南省水下智能装备重点实验室开放基金（）；中原工学院基本科研业务费专项资金资助项目（）；中原工学院专业学位研究生课程教学案例库建设项目（）犉 狌 狀 犱：（）；（）；（）；（）；（）作者简介：李晓磊（），男，博士，讲师，主要研究方向：激光增材制造技术。引用格式：李晓磊，黄传庆，郑博，等基于 的 合金高温析出相智能识别有色金属工程，（）：，（）：基于犢 犗 犔 犗 狏 的犜 犻 犃 犾 犆 狉 犖 犫合金高温析出相智能识别李晓磊，黄传庆，郑博，崔陆军，郭士
2、锐，崔英浩，徐春杰，张国君（中原工学院 机电学院，郑州 ；西安理工大学 材料科学与工程学院，西安 ）摘要：金属间化合物合金是一种重要的高性能材料，其微观组织对研究片层生长行为特点和组织演变规律有着重要意义。在高温相变析出生长的实验中，对其微观组织的准确识别和定位具有至关重要的作用。本文旨在解决通过人眼观察识别微观组织存在的准确率低和主观性强的问题，通过将计算机视觉技术应用于 合金高温析出相的智能识别。在经过模型选取、数据集制作、参数和配置选择以及训练结果分析后，完成了目标检测实验。结果表明，提出的析出相态组织目标检测模型在精确率、召回率和平均精度均值等指标上均能达到 以上，其中 最高达到。同时
3、，该方法具有高精度和高效性，单张图片的检测速度为 。因此，该方法在 合金高温析出相态组织的识别和定位上具有广阔的应用前景。关键词：显微组织；目标检测；智能识别中图分类号：文献标志码：文章编号：（）犐 狀 狋 犲 犾 犾 犻 犵 犲 狀 狋 犐 犱 犲 狀 狋 犻 犳 犻 犮 犪 狋 犻 狅 狀狅 犳犎 犻 犵 犺犜 犲 犿 狆 犲 狉 犪 狋 狌 狉 犲犘 狉 犲 犮 犻 狆 犻 狋 犪 狋 犲 犱犘 犺 犪 狊 犲 犻 狀犜 犻 犃 犾 犆 狉 犖 犫犃 犾 犾 狅 狔犅 犪 狊 犲 犱狅 狀犢 犗 犔 犗 狏 ，（，；，）犃 犫 狊 狋 狉 犪 犮 狋：，有 色 金 属 工 程第 卷 ，犓
4、 犲 狔狑 狅 狉 犱 狊：；随着科技的发展和创新，人们不断研发新型材料并深入探索其高科技结构。从宏观到微观的观测，不断发现新的结构和更出色的性能。在这些材料中，金属间化合物结构材料表现出了突出的性能，因此已成为材料科学领域的研究热点。其中，钛铝合金（）作为一种重要的金属间化合物结构材料，具有高比强度、高比刚度、优异的高温力学性能和良好的耐腐蚀性能等优点，在航空航天、航空制造等领域具有广泛的应用前景。金属间化合物合金因其优异的性能而备受关注，已经得到国内外学者广泛的研究。丁晓非等设计制备了 三元合金，运用多种方式观测其微观结构和分布情况，并通过一些实验证明了合金的微观组织与其性能密切相关。刘洪
5、喜等通过工艺设计优化了微观组织，使用激光热处理对涂层存在的缺陷进行了质量提升，并通过光学仪器分析其形貌结构得出这种处理对 金属间化合物的一些性能有明显提升。在激光熔覆领域，李晓磊等通过对 合金的微观组织和几何形状的研究，得到了无裂缝单道沉积层。通过对以往研究的了解可知，合金的材料结构和综合性能离不开对显微组织的探索，在之前的实验中大多是通过光学仪器拍摄在由实验人员人工分辨、提取关键组织，因此开展对 合金微观组织的智能识别工作具有很高的实用价值。随着计算机和人工智能领域的飞快发展，基于神经网络的计算机视觉技术开始在各个领域展现出优越的性能，各种深度学习网络开始逐渐应用于工业场景。王冬阳等提出一种
6、基于野值判断的金属识别方法，通过对曲线拟合微调实现了高精准的识别。李伟毅等将 神经网络应用于废金属回收识别中，提高了识别准确率。随着金属制备工艺的不断发展和检测设备的不断升级，大量的金属显微图像数据出现。然而，人工识别这些图像需要耗费大量时间和精力，而且存在主观性和人为误差。通过利用计算机视觉技术，可以实现自动化和高效的显微组织图像处理和分析。深度学习等技术可以实现对显微组织图像的特征提取和分类，从而准确识别出金属材料中各种组织结构和相对含量。这将有助于更好地理解金属材料的性能与组织结构之间的关系，为金属材料的制备和加工提供指导。目前，将计算机视觉技术应用于微观组织智能识别的研究极少，深度学习
7、在材料结构的许多领域还并 未 涉 及。本 文 将 先 进 的 计 算 机 智 能 识 别 技术 应用于 合金高温析出相变组织的目标检测，为提取微观组织形态提供新的思路的同时使计算机视觉技术更多的在材料结构领域内应用。因本次实验数据来源于拍摄的钛铝合金高温相变视频，选用间隔帧的方法从中截取图片，系类算法目标检测框多为整体框选，而析出相目标成簇出现，若全部框选则目标框中非需关注背景占据过多，故本文采用分割标注法制作数据集以求得到更好的训练模型。网络原理 目标检测算法目标检测是计算机视觉领域中的一项重要任务，其目的是在图像或视频中检测和定位特定对象的位置。现阶段的目标检测可分为一阶段和二阶段两类，一
8、阶段目标检测算法是直接在输入图像中进行目标 检 测，速 度 快、实 时 性 好，代 表 性 算 法 有 、等；而两阶段目标检测算法则是将目标检测问题分解成候选框生成和分类、位置回归等子问题，相对于一阶段算法具有更高的准确率和稳 定 性，但 速 度 较 慢，代 表 性 算 法 有 、等。在钛铝合金高温状态下片层形成和生长的组织演变规律探索实验中，对高温下析出和生长的组织进行分析，对研究合金相变动力学以及预测组织演变有特别重要的意义，但析出的针状相态组织难以用直接的方法进行选取测量，主要依靠实验人员对视频资料进行一帧一帧的截取再手工测量，这种第期李晓磊等：基于 的 合金高温析出相智能识别方法受人的
9、主观因素影响且准确度较低，基于深度学习的目标检测算法为钛铝合金高温析出相智能识别提供了新思路。算法是 系列最新算法，其推理速度快、泛化能力强，整合了目标检测算法领域很多优秀技术，如 数据增强、结构、自适应锚框计算等，因此，本文选用 作为析出相的智能识别算法。犢 犗 犔 犗网络原理 算法主要分为两部分：目标检测网络和后处理。目标 检 测 网 络 使 用 全 卷 积 神 经 网 络（）进行特征提取和目标检测。在特征图上进行预测，将图像分成个网格，每个网格预测个边界框和对应的置信度得分以及各个类别的概率得分。其中，置信度得分用于表示边界框中是否包含物体，类别概率得分用于表示边界框对应物体的类别。后处
10、理模块主要用于筛选目标框，删除置信度得分较低和 （）值较高的框。其中，指的是两个框之间的重叠面积占总面积的比例。通过设置阈值，可以控制筛选的严格程度。一阶段类算法检测流程如图所示。图一阶段类算法检测流程犉 犻 犵 犗 狀 犲 狊 狋 犪 犵 犲犪 犾 犵 狅 狉 犻 狋 犺 犿犱 犲 狋 犲 犮 狋 犻 狅 狀犳 犾 狅 狑 犮 犺 犪 狉 狋 算法框架 算法是 系列中较为轻量级的检测模型，其算法框架如图所示，算法主要由图像输入、骨干网络（）、特征融合模块（）、检测头（）四部分组成，骨干网络采用了基于 和 （）的结构，用于提取图像特征，同时，采用自适应域尺度技术可以适应不同尺度的物体，提高模型
11、的检测精度。模 块 通 常 采 用 一 些 特 殊 的 结 构，如 和 等。这些结构可以将来自不同尺度的特征进行有效融合，提高算法的检测精度和鲁棒性。检测头是目标检测算法中的输出层，用于生成目标的检测框和类别信息。模块通常包括回归头和分类头两个部分。回归头用于预测目标的位置信有 色 金 属 工 程第 卷图犢 犗 犔 犗 狏 网络结构骨干网络、颈部、预测头和部分卷积模块犉 犻 犵 犢 犗 犔 犗 狏 狀 犲 狋 狑 狅 狉 犽狊 狋 狉 狌 犮 狋 狌 狉 犲犅 犪 犮 犽 犫 狅 狀 犲、犖 犲 犮 犽、犎 犲 犪 犱犪 狀 犱犆 狀 狅 狏息，如检测框的坐标和尺寸等；分类头则用于预测目标的类
12、别信息。同时可以结合不同的卷积层进行 拼接输出不同大小的 。其中 模块由 卷积层、层 和 激活函数 组成。模块的作用是加强卷积层的非线性能力和特征表示能力，增加网络的表达能力，使其能够更好地适应各种目标检测任务。模块是由个卷积层组成，其中每个卷积层之间都包含了 层和 激活函数。模块是用来进行空间金字塔池化的模块，它由不同尺度的池化层组成，每个池化层的步长和卷积核大小都不同。模块的作用是提取不同尺度的特征，并且能够在不改变特征图大小的情况下对特征进行降维，从而提高了网络的检测精度和效率。算法评估损 失 函 数、交 并 比（，）损失、和激活函数，是 非常重要的三个部分，其中损失函数包含分类损失、定
13、位损失和置信度损失三种，最后总的损失函数为三者之和。是目标检测的一个重要评价指标，用来表示预测框与真实位置之间的距离，中有 、三种由 改进而来的损失函数。犐 狅 犝表示目标检测中预测框与真实框的重叠度，犃为真实框，犅为预测框，则犐 狅 犝的表达式为：犐 狅 犝犃犅犃犅（）一般来说，深度学习模型中的每个神经元都需要一个激活函数来将输入信号转化为输出信号。激活函数的作用是引入非线性因素，从而使得模型可以学习到非线性的复杂关系。函数是目前最常用的激活函数之一，公式如下：犳（狓）（，狓）（）激活函数是深度学习中广泛使用的非线性激活函数，具有简单、高效的特点。它在输入大于时输出等于输入，输入小于等于时输
14、出为。因此，它具有计算简单、不会出现梯度消失等优点，能够有效地加速训练过程。然而，函数也存在着一些缺点。首先，当输入为负数时，导数为，这可能导致某些神经元永远无法被激活，称为“神经元死亡”现象。此外，函数在处理负数时不够平滑，可能会导致震荡和噪声。函数是一种型函数，其数学公式如下狊（狓）犲狓（）它的输出范围在到，可用于二分类问题的输出层。然而，由于其指数运算较为复杂，导致计算第期李晓磊等：基于 的 合金高温析出相智能识别速度较慢。而且，当输入的绝对值很大或很小时，导数趋近于，会出现梯度消失现象，从而影响模型的训练效果。函数是一种近年来提出的新型激活函数，其公式如下：犳（狓）狓 （狓）（）相较于
15、 和 ，函数的曲线更为平滑，具有更好地逼近标准正态分布的特点。此外，函数还拥有较低的计算复杂度和更快的训练速度。因此，函数被广泛认为是一种出色的激活函数，本文也采用其作为神经网络中的激活函数。数据集介绍数据集来源为高温激光共聚焦显微镜下拍摄的钛铝合金高温相变视频，通过自编 程序将视频逐帧提取为照片，按每间隔十帧取一张图片作为数据集，手动筛选去除较为相似的图片之后，再通过 程序将图片进行旋转和镜像翻转扩充数据集，增强模型的泛化能力，最终得到 张图片作为数据集。并按照的比例划分为训练集、验证集和测试集。为增加数据集多样性，在图像输入时采用 内置 和 图像增强技术，用来提高模型鲁棒性，部分数据集照片
16、如图所示。图犕 狅 狊 犪 犻 犮图像增强技术犉 犻 犵 犕 狅 狊 犪 犻 犮 犻 犿 犪 犵 犲犲 狀 犺 犪 狀 犮 犲 犿 犲 狀 狋 狋 犲 犮 犺 狀 狅 犾 狅 犵 狔 数据集标注本文的研究重点是微观结构的智能识别，属于有监督学习的范畴。有监督学习是深度学习中常用的一种方法，通过使用标记的数据集对模型进行训练，使模型能够学习输入数据与相应标签之间的映射关系，从而实现对新数据的分类或回归预测。在进行微观结构的智能识别之前，需要对数据集中的每个微观结构样本进行标记，以帮助模型准确地学习微观结构的特征并进行分类。因此，有监督学习方法是进行微观结构智能识别的一种适当的方法，标记微观结构样
17、本是整个过程中的关键步骤之一，它使得 模 型 能 够 准 确 地 学 习 并 分 类 新 的 样 本。是一款专门为 设计的自动化训练数据工具，可以用其进行数据集的标注并且一键生成 、等数据集格式，因此，本次实验采用 作为标注工具，因析出相的生长无明显规律，一般呈簇出现，故采取分割式对数据集进行标注，在完全标注目标的同时尽量避免非目标的框选，如图所示，通过大量实验可以得出这样的标注方法更适合于微观析出相的识别。标注过程如图所示。有 色 金 属 工 程第 卷图犚 狅 犫 狅 犳 犾 狅 狑数据集分割法标注犉 犻 犵 犚 狅 犫 狅 犳 犾 狅 狑犱 犪 狋 犪 狊 犲 狋 狊 犲 犵 犿 犲 狀
18、狋 犪 狋 犻 狅 狀犪 狀 狀 狅 狋 犪 狋 犻 狅 狀 实验结果与讨论 环境搭建本实验使用的为 位操作系统，软件环境为 的 虚拟环境，深度学习环境为 框架。硬件测试环境处理器为 、运行内存，、显存。实验超参数设置：，学习率为 ，选用余弦退火算法 调整策略，选用 优化器。实验结果经过一些超参数的微调，最后训练完之后的结果如图（）所示可知，训练在 次迭代之后逐图分析评价指标可视化结果图犉 犻 犵 犞 犻 狊 狌 犪 犾 犻 狕 犪 狋 犻 狅 狀狉 犲 狊 狌 犾 狋 狊狅 犳犪 狀 犪 犾 狔 狊 犻 狊犪 狀 犱犲 狏 犪 犾 狌 犪 狋 犻 狅 狀 犻 狀 犱 犻 犮 犪 狋 狅 狉
19、狊第期李晓磊等：基于 的 合金高温析出相智能识别渐收敛，平均精度均值最终收敛在，在迭代 次之后，准确率和召回率达到平衡最优值，准确率和召回率都在 以上，如图（）、（）所示，对比于 在公开的 数据集网络模型 的 值，此次实验得出的数据满足网络识别基本标准，训练集和验证集的目标损失也逐渐趋于平稳，训练集和验证集目标损失框降低至 ，对目标框的精准定位远高于人眼观察，另外，由于训练集和验证集的目标损失数据相近，说明没有过拟合的情况出现，这也从侧面说明本次实验设置的模型超参数是合理的，可以更好地适应数据集。通过在终端调用 函数可实现数据可视化操作。分析评价选用 作为模型性能评价指标，其中精确率（犘）和召
20、回率（犚）公式如下：犘犖犜 犘犖犜 犘犖犉 犘（）犚犖犜 犘犖犜 犘犖犉 犖（）式中：犖犜 犘（）为真正检测到目标框数量；犖犉 犘（）为损失函数小于 的目标框数量；犖犉 犖（）为未检测到的目标框数量。平静精度均值（犘犿 犃 犘）由平均精度（犘犃 犘）计算而来，公式如下：犘犃 犘狆（狉）狉（）犘犿 犃 犘犖犖狀犘犃 犘（狀）（）经过 次 迭 代 之 后，精 确 度 最 终 收 敛 于 ，召 回 率 为 ，平 均 精 度 均 值 为 ，与 、等网络在同等数据集和超参数情况下进行对比，在 方 面 分 别 高 出 、，值分别 高出 、，检测速度分别高出、。对比结果如表所示。由表可知，在本次对比实验中
21、网络模型在各项指标中都优于其他网络，能够很好地完成 合金微观组织的智能识别任务，故本次研究选择 作为基础网络模型是合理的。表不同网络模型性能对比分析表犜 犪 犫 犾 犲犘 犲 狉 犳 狅 狉 犿 犪 狀 犮 犲犮 狅 犿 狆 犪 狉 犻 狊 狅 狀犪 狀 犱犪 狀 犪 犾 狔 狊 犻 狊 狋 犪 犫 犾 犲狅 犳犱 犻 犳 犳 犲 狉 犲 狀 狋狀 犲 狋 狑 狅 狉 犽犿 狅 犱 犲 犾 狊 智能识别结果可视化前文分别对网络模型、数据集制作、实验结果分析几个方面对 合金高温析出相智能识别进行了介绍，本节将对智能识别的结果进行可视化，将用 网络识别的结果跟人工识别到的结果进行对比，从而更加直观
22、的体现 网络目标检测的结果。分别选取经过 网络得出的图片和经过人工截取并标注的数据图片，如图所示（左侧三张为识别图，右侧三张为人工标注图）。结论基于 网络成功建立了 合金高温析出相的目标检测模型，实现了对析出相的智能识别。经过数据集的编程式增强、合理的数据集标注以及合适的网络对比选取等步骤，建立的目标 检 测 模 型 在 准 确 率 和 识别 速 度 方 面表现出色。实验结果显示，模型的平均精度均值达到了，单 张 图片 识 别 速 度 为 ，并 且总体检测指标在 以上。相较于传统的人工识别方法，该模型能够有效地解决微观组织精度差、主观性强等问题，同时满足实验时的检测要求。因此，本文所提出的方法
23、在高温析出相变组织智 能 识 别 方 面 具 有 重 要 的 实 用 价 值 和 应 用前景。有 色 金 属 工 程第 卷图犢 犗 犔 犗 狏 网络识别结果（左）人工标注（右）犉 犻 犵 犢 犗 犔 犗 狏 狀 犲 狋 狑 狅 狉 犽狉 犲 犮 狅 犵 狀 犻 狋 犻 狅 狀狉 犲 狊 狌 犾 狋 狊（犾 犲 犳 狋）犪 狀 犱犿 犪 狀 狌 犪 犾 犪 狀 狀 狅 狋 犪 狋 犻 狅 狀（狉 犻 犵 犺 狋）参考文献：李晓磊 合金片层形成及生长行为研究西安：西北工业大学，：，丁晓非，曾葆青，谢忠东，等 三元合金组织对力学性能的影响稀有金属材料与工程，第期李晓磊等：基于 的 合金高温析出相智能
24、识别（）：，（）：刘洪喜，李正学，张晓伟，等热处理条件下激光原位合成高铌 金 属 间 化 合 物 复 合 涂 层 的 微 结 构 特征光学精密工程，（）：，（）：李晓磊，袁岗，张可伦，等激光金属沉积 合金的组织与性能有色金属工程，（）：，（）：王冬阳，张雄杰，胡斌，等基于曲线拟合的双能射线透射 的 金 属 识 别 研 究 有 色 金 属 工 程，（）：，（）：李伟毅，叶文华，熊田忠基于 神经网络的双能射线透射的金属识别算法有色金属工程，（）：，（）：，：（），：，：，：，：，：，（）：，（）：，：，：，：，：，：（），：，邵延华，张铎，楚红雨，等基于深度学习的 目标检 测 综 述 电 子 与 信 息 学 报，（）：，（）：，：，：，：，：，：（编辑崔颖）
