基于深度学习钢中非金属夹杂物图像识别

作者：梁印; 朱航宇; 罗林根; 刘志; 王宝

来源：钢铁, 2023, 58(12): 62-70.

DOI：10.13228/j.boyuan.issn0449-749x.20230165

• 非金属夹杂物
• 图像识别
• 夹杂物分类
• 机器学习
• Mask-RCNN
• 目标检测

炼钢过程中钢水易和炉渣、耐火材料、气氛等相互作用形成非金属夹杂物，非金属夹杂物会破坏钢基体的连续性，增加钢组织的不均匀性，进而影响钢铁材料的塑性、韧性、抗疲劳强度等力学性能，成形过程中也易引起产品缺陷。夹杂物的定性检测一般通过扫描电子显微电镜（SEM）和能谱仪（EDS）,但耗时较长、随机性也较大。因此，非金属夹杂物的快速检测和识别对改进炼钢工艺至关重要。近年来，随着计算机视觉技术的日渐成熟，基于区域的卷积神经网络（RCNN,region-based convolutional neural network）算法经过多代演化，并添加了掩码分支网络，形成了Mask-RCNN。Mask-RCNN既能实现夹杂物边框的准确定位，也能实现图像分割和识别分类，可有效应用于夹杂物分割和识别。采用计算机视觉（CV）任务中Mask-RCNN目标检测算法，对低密度钢中典型AlN、Al2O3、MnS和AlN-MnS 4类非金属夹杂物的SEM图片进行训练，经过10 000次的迭代训练后，对各类型夹杂物进行边框定位、图像分割及识别分类，并对测试集进行验证，实现了4类夹杂物边框的准确定位和图像分割。所选用模型对夹杂物检测识别效果较好，准确率高，4类目标夹杂物中，MnS和AlN-MnS夹杂物识别准确率达到100%,AlN夹杂物的识别准确率为95.91%,Al2O3夹杂物的识别准确率为83.33%。

• 单位
  中国钢研科技集团有限公司; 武汉科技大学