基于纹理识别和深度卷积神经网络的高强钢材料显微组织识别
发布时间：2021-09-07 03:39
随着汽车保有量的急剧增加,汽车工业对节能减排、减少环境污染的要求越来越高,高强钢的热冲压技术在汽车的结构件和安全件制造中的应用日益广泛。高强钢可以通过热冲压获得不同的组织定制零件的力学性能,可能得到的组织包括全部马氏体、铁素体/珠光体、马氏体/残余奥氏体、马氏体/贝氏体等。相关研究中,需要对材料显微组织进行识别,从而分析工艺过程,但该过程需要由专业人士完成,故存在效率低下、人员的主观性影响较大且专业人员数量有限等弊端。因此,需要研究材料显微组织的自动识别技术。针对上述高强钢热冲压获得四类组织的识别与分类问题,本文从纹理特征提取、机器学习方法分类和卷积神经网络等方向展开研究,提出了两种分类方法:（1）通过灰度共生矩阵提取显微图像的纹理特征,形成纹理特征向量,并对特征向量的表征效果进行了可视化。之后采用SVM、kNN、RF等机器学习方法在数据集上进行训练,得到分类模型,对比分析了各个模型的分类效果;（2）采用迁移学习的思想,对深度学习网络进行迁移与改进,构建了适用于显微组织识别的深度卷积神经网络模型,探究并确定了网络训练中的超参数,最后分析了深度网络模型对材料显微组织的识别效果,并与机器学...
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
高强钢热冲压原理图
既可以解释显微图像本身，也可以将其与加工过程和性能联系起来的弊端主要体现在效率低下，人员的主观性影响较大，而且工厂里这样的专限，使得这项工作开展起来比较困难。近年来随着数据科学研究的迅速发展，计算机视觉的理论日趋丰富，相领域也越来越广泛。材料微观结构的研究已经开始探索机器学习或深度学习分析任务中的应用[4,5]。通过金相或电镜图对材料显微组织进行识别与分类图像的特征。对于传统的机器学习来说，描述样本的特征通常需要人类专家称为“特征工程”），然后通过分类模型进行识别与分类。特征的好坏对泛化性重要的影响，人类专家设计出好的特征却并非易事[6]。而对于深度学习来说深度学习网络可以自行在大量的数据中学习，通过机器学习技术自身来产（这称为“特征学习”），避免了人为刻画特征的困难和可能导致的偏差。图微观结构分析的专家分析和计算机分析的对比。主观性影响
华 中 科 技 大 学 硕 士 学 位 论 文场大等优点，成为科研人员观察材料微观结构最常用的方法[41]。课题组围绕热冲压成形技术进行高强钢的成形工艺的研究，进行了多项实验，并采用扫描电镜对高强钢不同热冲压工艺下的各种显微组织进行观察。如图 2-1 所示，现有通过热冲压获得组织主要有四类：（1）传统的热冲压工艺获得全部的马氏体组织[42]，抗拉强度为1500MPa，延伸率 6%；（2）降低冷却速率获得贝氏体/马氏体混合组织[43]，抗拉强度 1000 MPa-1200MPa，延伸率 6-10%；（3）加热时未达实现奥氏体化温度，冲压后获得的组织与原始组织相同为铁素体/珠光体混合组织[44]，抗拉强度 600 MPa-800 MPa，延伸率 15-25%；（4）QP 热冲压，获得残余奥氏体/马氏体混合组织[45]，抗拉强度 1300MPa-1500MPa，延伸率 10-13%。
【参考文献】：
期刊论文
[1]机器学习及其在肝脏疾病影像诊断中的研究进展[J]. 刘文广,谢斯敏,周雅芳,胡家熙,李梦思,李文政. 国际医学放射学杂志. 2019(01)
[2]高强钢热冲压成形工艺及装备进展[J]. 张宜生,王子健,王梁. 塑性工程学报. 2018(05)
[3]融合深度学习与最大间距准则的人脸识别方法[J]. 栗科峰,黄全振. 计算机工程与应用. 2018(05)
[4]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌. 计算机科学. 2017(S1)
硕士论文
[1]基于纹理识别和卷积神经网络的人民币识别技术研究[D]. 董扬帆.武汉大学 2018
[2]基于模糊聚类的图像分割方法研究[D]. 赵宪强.山东师范大学 2013
[3]22MnB5高强度钢热变形行为及冲压工艺仿真研究[D]. 肖碧媛.湖南大学 2013
[4]基于小波理论的图像非线性处理研究[D]. 冯彬.中南大学 2010
本文编号：3388769
【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
高强钢热冲压原理图
既可以解释显微图像本身，也可以将其与加工过程和性能联系起来的弊端主要体现在效率低下，人员的主观性影响较大，而且工厂里这样的专限，使得这项工作开展起来比较困难。近年来随着数据科学研究的迅速发展，计算机视觉的理论日趋丰富，相领域也越来越广泛。材料微观结构的研究已经开始探索机器学习或深度学习分析任务中的应用[4,5]。通过金相或电镜图对材料显微组织进行识别与分类图像的特征。对于传统的机器学习来说，描述样本的特征通常需要人类专家称为“特征工程”），然后通过分类模型进行识别与分类。特征的好坏对泛化性重要的影响，人类专家设计出好的特征却并非易事[6]。而对于深度学习来说深度学习网络可以自行在大量的数据中学习，通过机器学习技术自身来产（这称为“特征学习”），避免了人为刻画特征的困难和可能导致的偏差。图微观结构分析的专家分析和计算机分析的对比。主观性影响
华 中 科 技 大 学 硕 士 学 位 论 文场大等优点，成为科研人员观察材料微观结构最常用的方法[41]。课题组围绕热冲压成形技术进行高强钢的成形工艺的研究，进行了多项实验，并采用扫描电镜对高强钢不同热冲压工艺下的各种显微组织进行观察。如图 2-1 所示，现有通过热冲压获得组织主要有四类：（1）传统的热冲压工艺获得全部的马氏体组织[42]，抗拉强度为1500MPa，延伸率 6%；（2）降低冷却速率获得贝氏体/马氏体混合组织[43]，抗拉强度 1000 MPa-1200MPa，延伸率 6-10%；（3）加热时未达实现奥氏体化温度，冲压后获得的组织与原始组织相同为铁素体/珠光体混合组织[44]，抗拉强度 600 MPa-800 MPa，延伸率 15-25%；（4）QP 热冲压，获得残余奥氏体/马氏体混合组织[45]，抗拉强度 1300MPa-1500MPa，延伸率 10-13%。
【参考文献】：
期刊论文
[1]机器学习及其在肝脏疾病影像诊断中的研究进展[J]. 刘文广,谢斯敏,周雅芳,胡家熙,李梦思,李文政. 国际医学放射学杂志. 2019(01)
[2]高强钢热冲压成形工艺及装备进展[J]. 张宜生,王子健,王梁. 塑性工程学报. 2018(05)
[3]融合深度学习与最大间距准则的人脸识别方法[J]. 栗科峰,黄全振. 计算机工程与应用. 2018(05)
[4]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌. 计算机科学. 2017(S1)
硕士论文
[1]基于纹理识别和卷积神经网络的人民币识别技术研究[D]. 董扬帆.武汉大学 2018
[2]基于模糊聚类的图像分割方法研究[D]. 赵宪强.山东师范大学 2013
[3]22MnB5高强度钢热变形行为及冲压工艺仿真研究[D]. 肖碧媛.湖南大学 2013
[4]基于小波理论的图像非线性处理研究[D]. 冯彬.中南大学 2010
本文编号：3388769
本文链接：https://www.wllwen.com/kejilunwen/jiagonggongyi/3388769.html
