自组织CNN建模识别耐热钢金相组织研究

摘要

耐热钢金相组织结构复杂,传统的图像分析方法特征提取困难,难以对其进行准确的自动识别,而人工识别易受主观因素影响,导致识别精度波动大,结果重复性差。卷积神经网络(Convolutional neural networks,CNN)能够从原始图像中提取复杂的特征,但是CNN建模需要的训练与拓扑超参数选择和优化困难。本工作利用基于超参数组合计算资源分配的Hyperband算法来优化CNN模型的超参数,克服了网格搜索、随机搜索及贝叶斯优化效率低、计算资源消耗量大以及优化不稳定等问题,实现自组织CNN建模。基于Hyperband算法优化得到33层CNN模型,进行训练与仿真,并结合混淆矩阵对模型的识别结果进行评价。结果表明,所建模型对耐热钢金相组织识别的准确率、精确度、灵敏度、特异度的均值分别为94.2%、94.1%、94.2%和98.1%,表明模型具有较高的泛化能力,能够较为准确地识别金相组织,为复杂金相组织的智能识别提供新方法。