變更

'''基于深度学习的高倍金相分析'''钢铁企业质检中心关于材料在高倍 [[ 显微镜 ]] 下观测结果的精确评级

===技术背景和意义 ：===

金相检测指检测分析 [[ 金属 ]] 或合金的化学成分以及各种成分在合金内部的物理状态和化学状态，金相是最直观有效的反映材料微观内部结构、纯净度、组织状态、偏析、缺陷等特征的分析依据。 在钢铁行业中，钢铁材料 [[ 产品 ]] 等级越高，对金相检测要求越严格。随着钢铁公司产品转型升级，金相检测在产品研发和生产质量控制中的作用越来越重要。高倍金相分析业务中，针对脱碳层、索氏体、晶粒度、夹杂物和带状组织的分析任务覆盖了钢铁行业72%的金相分析需求。 本案例中研发技术，意在：· 以“晶粒度评级”、“非金属夹杂物评级（国标）”、“索氏体含量测定”、“脱碳层深度测定”四大应用场景作为切入点，构建智能算法引擎来探索韶钢的大数据与 [[ 人工智能]]<ref>[https://www.sohu.com/a/658591835_120633759 人工智能的特点及应用]，搜狐，2023-03-24</ref>应用实践之路。· 通过AI图像识别技术，降低不同人的主观检验标准差异性，推动钢铁行业质量检验标准的AI自动判断，减少人工干预节省人工和人工审核误差。

===技术要点和优势 ：===

智能金相分析算法研发基于深度学习与经典图像处理的技术融合。核心 [[ 技术 ]] 点主要包括： · 图像特征提取：基于深度学习的机器视觉技术，通过深度神经网络，提取图像中针对不同金相分析任务需要的关键特征。相较于经典图像特征功能，该方法能够更全面有效的学习并提取图像中的核心信息。· 回归分析：基于深度学习的回归网络，能够更充分的利用检测专家提供的评级标注，有效的学习与输出评级结果。该方法不依赖传统评级算法的人工设定阈值干预，具有更好的泛化能力。· 语义分割：基于深度学习的语义分割网络，可以有效分析输出图像中的语义信息。做到钢材中不同材料、介质的准确识别与边界分割定义，如索氏体的识别与含量测量。· 实例分割：基于深度 [[ 学习 ]] 的实例分割网络，实现对图像中多类多件物体的逐一检测识别与边界分割。该技术被有效的结合应用于非金属夹杂物检测识别，各类夹杂物中的每一个个体都能被快速准确的从图像背景中分离出来，再进行后续的量化评级分析。

===应用案例介绍 ：===

通过结合国家检测评级标准与检测 [[ 专家 ]] 的技术经验积累，韶关钢铁项目中研发的智能算法在四大金相分析场景中均取得稳定可靠的业务效果，做到持续、可靠的输出符合钢铁行业<ref>[https://business.sohu.com/a/678074702_120244537 2023-2028年钢铁行业市场现状分析及发展策略预测研究报告] ，搜狐，2023-05-23 </ref>国标评级标准的业务效果： · 晶粒度评级：评级结果平均绝对误差小于0.5级。· 索氏体含量测量：测定结果平均绝对误差小于5%。· 脱碳层深度测量：完全脱碳层与部分脱碳层测量结果（对比人工测量结果）平均相对误差小于15%。· 非金属夹杂物检测评级：对A、B、C、D以及DS类非金属夹杂物识别及分类准确率达到85%以上。通过夹杂物图像分割进行夹杂物粗细测量评级准确率达到80%以上。· 定制化量化分析功能：评级视场自动选择，测量规则优化，自动比例尺识别等 针对业务应用场景的便利性，韶关 [[ 钢铁 ]] 项目中对四大智能金相分析场景开发了相应的在线SaaS应用，用户可以快速的对算法效果进行试用并给予反馈。同时在用户现场也部署有边缘端应用 [[ 程序 ]] ，可调用云端部署的算法服务，与钢铁企业的业务系统进行更好的结合。