自然：採用深度學習的方法分類先進鋼鐵組織

深度學習已經顯示出了強大的分類能力，因此可以在鋼鐵材料的顯微組織分類上發揮更大的作用。在計算機視覺識別問題方面，人工神經網路方法如卷積神經網路（CNNs）已經顯示出強大的威力。與CNNs將特徵提取與特徵識別分開進行不同，深度學習是將特徵提取與特徵識別融合在一起進行的。德國馬普所的研究人員採用全卷積神經網路（FCNNs）進行鋼鐵材料微觀組織的分類，研究認為在像素級別的識別上顯著提高了識別效率，識別正確率達到93.94%。研究結果發表在2018年2月1日的《自然》上。

研究人員對比了傳統的卷積神經網路技術（CNNs）和全卷積神經網路技術（FCNNs）。對於CNNs，需要將光學顯微鏡獲得圖像裁剪和扭曲為224×224像素的輸入圖像。採取FCNNs技術可以避免在裁剪和扭曲過程中的信息損失。由於GPU內存的限制，FCNNs使用時需要用窗口將原始圖像裁剪為多個片段作為輸入。CNNs結構包括三種類型：CIFAR-Net、VGG-16以及VGG-19。CIRAR-Net包含有3個卷積層、1個最大池化層和2個全連接層。VGG-16包含有13個卷積層、5個池化層和3個全連接層。而VGG-19包含有19層。FCNNs是在VGG-16基礎上取消了全連接層，將全連接層改成卷積層和取樣層，並且引入跳躍層用來平滑邊部細節。

在該項研究中，研究人員使用了Caffe框架，GPU型號為NVIDIA K40m。所有顯微組織照片來自於德國薩爾州材料工程中心，所包括的顯微組織包括馬氏體、回火馬氏體、貝氏體和珠光體。這裡所說的顯微組織是指在基體組織中析出的第二相。

結果表明，使用CNNs的分辨準確率遠遠低於使用FCNNs，前者最高為66.50%，後者達到93.94%。同時還發現，使用掃描電鏡照片比使用金相顯微鏡照片更有利於獲得準確的分辨。混淆矩陣表明，對馬氏體的分類準確率為94.97%，對貝氏體的分類準確率為94.20%，對回火馬氏體的分類準確率為97.81%，對珠光體的分類準確率為95.19%。所有分類錯誤的貝氏體組織都屬於變形貝氏體，這些組織沒有被包含在訓練集合中。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！