摘 要：钛合金在航空制造中常用于飞机的主要承力构件，需要对其进行显微组织检测以保证材料性能。为克服钛合金显微组织图像难以自动检测的问题，文章以TA15 钛合金为突破口，提出并详细说明了一种基于深度学习的显微组织检测方法，包括采集原始图片时应注意的问题、数据增强时旋转图片导致的纹理不一致问题及解决方法，提出了一种性能较好的神经网络结构以及考虑实际生产置信度的预测结果后处理与管线构建方法。实现了从原始图片到显微组织类别的端到端预测。

 

关键词：深度学习；卷积神经网络；图像增强；金相检测；显微组织

 

在航空制造中，钛合金常用于飞机的主要承力构件，需要对其组织形态进行检测，及时发现缺陷，保证材料的力学性能。显微组织检测是金相检测的一个重要项目，通过使用金相显微镜对样品进行观察，确定材料的结构、组织形态和元素分布。长期以来，钛合金的显微组织检测都是靠人工观测显微镜下的金相图像，然后与标准图样、尺寸要求对比进行的，效率低，对人员经验依赖严重。

 

试图解决该问题的方法中，传统图像识别算法需要计算轮廓矩作为识别特征，而金相图片很难提取到轮廓；传统机器学习在面对像素形式的图像数据时，无法克服平移不变性问题；近年来兴起的深度学习可以通过卷积和池化学习到具有平移不变性的特征，为解决问题带来了希望，但在实际应用中仍面临着一些困难。本文将以TA15 钛合金为突破口，讨论使用深度学习技术进行钛合金显微组织检测的方法。

 

1 数据采集

将需要检测的各显微组织形态的钛合金试样磨制到镜面程度，热镶嵌到酚醛树脂模具中，并使用金相显微镜拍取多个位置的组织图片。由于深度学习本质上是对像素值进行数学运算，所以需要考虑清晰度与视野的问题，即图片的像素数与其表达的物理距离之间的关系。理论上，只要多张原始图片之间像素数与物理距离的比一定，即可通过简单的裁剪获得训练图片，本文所用的显微镜在500x 的视野下20μm 对应的像素数为143 左右，该值因设备的拍摄像素密度而异。图片应纹理清晰、亮度均匀（如图1 左），不应有黑边、标尺等其它内容（如图1 右）。

由于缺乏明确可靠的理论指导，神经网络结构的设计一直是深度学习中的一大问题。结合金相检测专业知识，本文的思路是：TA15 合金的显微组织评级（分类）需要关注初生α、次生α、β 组织的大小和数量，注意到初生α 面积较大，而次生α、β 区图像较细，所以神经网络在输入后分成两条路径处理。其中一条支路使用了4×4 很大池化层，并在随后使用了带孔卷积块，加速特征图收缩且减少了池化的使用；另一支路则使用了传统的卷积、池化层堆叠结构。整个网络在适当的位置使用了批标准化，两条支路的张量展平合并，输入全连接层进行分类。

 

经过了大量的尝试与迭代优化后，本文得出了一种性能较好的网络结构，如图4。

图5 本文检测方法流程

 

，由于水平和精力有限，本文在模型结构的尝试上仍以传统卷积层为主，诸如Inception 系列的胶囊网络、ResNet 系列的残差连接等热门方法并未考虑，可能遗漏性能更好的网络结构；另外，其他的图像预处理方法，如将灰度图像二值化以突出有用信息，都值得进一步研究。