基於深度學習的高倍金相分析檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

基於深度學習的高倍金相分析鋼鐵企業質檢中心關於材料在高倍顯微鏡下觀測結果的精確評級。

主要技術內容

技術背景和意義

金相檢測指檢測分析金屬或合金的化學成分以及各種成分在合金內部的物理狀態和化學狀態，金相是最直觀有效的反映材料微觀內部結構、純淨度、組織狀態、偏析、缺陷等特徵的分析依據。 在鋼鐵行業中，鋼鐵材料產品等級越高，對金相檢測要求越嚴格。隨着鋼鐵公司產品轉型升級，金相檢測在產品研發和生產質量控制中的作用越來越重要。高倍金相分析業務中，針對脫碳層、索氏體、晶粒度、夾雜物和帶狀組織的分析任務覆蓋了鋼鐵行業72%的金相分析需求。 本案例中研發技術，意在：· 以「晶粒度評級」、「非金屬夾雜物評級（國標）」、「索氏體含量測定」、「脫碳層深度測定」四大應用場景作為切入點，構建智能算法引擎來探索韶鋼的大數據與人工智能應用實踐之路。· 通過AI圖像識別技術，降低不同人的主觀檢驗標準差異性，推動鋼鐵行業質量檢驗標準的AI自動判斷，減少人工干預節省人工和人工審核誤差。

技術要點和優勢

智能金相分析算法研發基於深度學習與經典圖像處理的技術融合。核心技術點主要包括：圖像特徵提取：基於深度學習的機器視覺技術，通過深度神經網絡，提取圖像中針對不同金相分析任務需要的關鍵特徵。相較於經典圖像特徵功能，該方法能夠更全面有效的學習並提取圖像中的核心信息。· 回歸分析：基於深度學習的回歸網絡，能夠更充分的利用檢測專家提供的評級標註，有效的學習與輸出評級結果。該方法不依賴傳統評級算法的人工設定閾值干預，具有更好的泛化能力。· 語義分割：基於深度學習的語義分割網絡，可以有效分析輸出圖像中的語義信息。做到鋼材中不同材料、介質的準確識別與邊界分割定義，如索氏體的識別與含量測量。· 實例分割：基於深度學習的實例分割網絡，實現對圖像中多類多件物體的逐一檢測識別與邊界分割。該技術被有效的結合應用於非金屬夾雜物檢測識別，各類夾雜物中的每一個個體都能被快速準確的從圖像背景中分離出來，再進行後續的量化評級分析。

技術應用情況

應用案例介紹

通過結合國家檢測評級標準與檢測專家的技術經驗積累，韶關鋼鐵項目中研發的智能算法在四大金相分析場景中均取得穩定可靠的業務效果，做到持續、可靠的輸出符合鋼鐵行業國標評級標準的業務效果：晶粒度評級：評級結果平均絕對誤差小於0.5級。· 索氏體含量測量：測定結果平均絕對誤差小於5%。· 脫碳層深度測量：完全脫碳層與部分脫碳層測量結果（對比人工測量結果）平均相對誤差小於15%。· 非金屬夾雜物檢測評級：對A、B、C、D以及DS類非金屬夾雜物識別及分類準確率達到85%以上。通過夾雜物圖像分割進行夾雜物粗細測量評級準確率達到80%以上。· 定製化量化分析功能：評級視場自動選擇，測量規則優化，自動比例尺識別等 針對業務應用場景的便利性，韶關鋼鐵項目中對四大智能金相分析場景開發了相應的在線SaaS應用，用戶可以快速的對算法效果進行試用並給予反饋。同時在用戶現場也部署有邊緣端應用程序，可調用雲端部署的算法服務，與鋼鐵企業的業務系統進行更好的結合。