自组织CNN建模识别耐热钢金相组织研究

作者：张永志; 李旭英^*; 辛全忠; 孔祥明; 王永亮

来源：材料导报, 2022, 36(12): 160-165.

• 计算材料学
• 耐热钢
• 金相组织
• 深度学习
• 卷积神经网络
• 超参数优化
• 识别

耐热钢金相组织结构复杂，传统的图像分析方法特征提取困难，难以对其进行准确的自动识别，而人工识别易受主观因素影响，导致识别精度波动大，结果重复性差。卷积神经网络(Convolutional neural networks, CNN)能够从原始图像中提取复杂的特征，但是CNN建模需要的训练与拓扑超参数选择和优化困难。本工作利用基于超参数组合计算资源分配的Hyperband算法来优化CNN模型的超参数，克服了网格搜索、随机搜索及贝叶斯优化效率低、计算资源消耗量大以及优化不稳定等问题，实现自组织CNN建模。基于Hyperband算法优化得到33层CNN模型，进行训练与仿真，并结合混淆矩阵对模型的识别结果进行评价。结果表明，所建模型对耐热钢金相组织识别的准确率、精确度、灵敏度、特异度的均值分别为94.2%、94.1%、94.2%和98.1%,表明模型具有较高的泛化能力，能够较为准确地识别金相组织，为复杂金相组织的智能识别提供新方法。

• 单位
  内蒙古农业大学; 机电工程学院