一种基于多目标分形进化网络的金相组织识别方法

本发明涉及钢铁材料图像识别，具体涉及一种基于多目标分形进化网络的金相组织识别方法。

背景技术：

1、金相组织反映了金属及合金材料内部的具体形态，与材料的综合性能(力学性能、热性能等)密切相关。金相分析是研究金属及合金材料内部组织结构和性能测试的重要手段，在材料科学领域中有着至关重要的作用。金相组织识别是金相分析的前提和基础，是自动化定量分析金相组织内部结构的核心和关键。

2、目前，金相检验中，材料的金相组织是由检验人员通过金相电镜肉眼观察进行识别与评估的，这要求检验人员有丰富的专业知识及现场经验，且结果的准确性受人为因素影响很大。并且材料的金相制备过程艰难，需进行大量试样获取，是一项极其耗时耗力的工程，给生产、研究带来了巨大的困难。近年来，随着计算机图像识别技术的不断发展，为材料领域的研究开辟了新的技术途径。许多研究人员利用计算机辅助金相分析的研究，采用图像处理技术识别并量化金相组织结构特征。然而，基于传统图像处理技术的金相组织识别需结合专家经验进行特征提取，人为干预的方式会导致一些重要信息的丢失且效率低，从而降低识别的准确性。

3、为解决上述问题，一些研究人员提出了基于深度学习方法的金相组织识别，并在一定程度上降低了人工分辨金相组织图像类别的误差率，提高了金相组织的识别准确率。然而，基于深度学习方法的金相组织识别要求具有较大的数据量，而材料的金相制备过程复杂，数据样本较少，且金相组织的种类、数量和分布情况与材料种类以及应用场景具有强相关，导致金相图像数据样本不平衡，从而使得该方法无法获得较高的金相组织识别准确率。

技术实现思路

1、鉴于上述现有技术的不足，本发明提供一种基于多目标分形进化网络的金相组织识别方法，旨在解决金相组织识别难且数据量少，数据类型不平衡的问题，从而提高基于深度学习的金相组织识别方法的准确率。

2、本发明的技术方案是：

3、一种基于多目标分形进化网络的金相组织识别方法，该方法包括如下步骤：

4、收集不同类别的金相组织图像，建立原始金相组织数据集，并将该数据集按照预设比例划分为训练数据集和测试数据集；

5、求取训练数据集中每幅金相组织图像的分形维数db；

6、建立织物纹理图像数据集，计算织物纹理图像数据集中每幅图像的分形维数

7、基于db和向训练数据集中迁移织物纹理图像，对原始训练数据集进行一次样本数据量扩充；

8、将已扩充数据量的训练数据集中的数据输入分形网络，并在训练分形网络的过程中采用多目标差分进化算法优化分形网络，逐渐找到帕累托最优解；

9、从帕累托最优解中确定knee点，获得金相组织识别模型；

10、利用已扩充数据量的训练数据集对金相组织识别模型进行训练，获得训练好的金相组织识别模型；

11、应用训练好的金相组织识别模型对输入的金相组织图像进行金相组织识别。

12、进一步地，采用盒计数法计算每幅金相组织图像的分形维数db，以及采用盒计数法计算每幅织物纹理图像的分形维数

13、进一步地，计算分形维数db与的差值的绝对值δ，将小于预设阈值的δ对应的织物纹理图像迁移至训练数据集中，扩充训练数据集的样本数据量。

14、进一步地，该方法还包括步骤：基于原始训练数据集，利用生成对抗网络生成与金相组织数据高度相似的新数据，并将新数据添加至经过第一次样本数据量扩充后的训练数据集中，对训练数据集进行第二次样本数据量扩充。

15、进一步地，以最小化分形网络的时间复杂度和识别误差率为优化目标，在采用多目标差分进化算法优化分形网络的过程中，逐渐找到平衡这两个目标的帕累托最优解。

16、进一步地，将最小化分形网络的时间复杂度视为最小化卷积层的时间复杂度。

17、进一步地，基于距离的方法从帕累托最优解中确定knee点。

18、与现有技术相比较，本发明具有如下有益效果：

19、(1)本发明利用具有不同长度子路径进行特征提取的深度神经网络——分形网络来识别材料的金相组织，其网络结构具有一定的相似性。并利用分形维数偏差从纹理图像数据中选取与材料的金相组织图像具有相似性的数据对材料的金相组织图像进行扩充，并采用生成对抗网络训练金相组织数据生成新的数据，扩充材料的金相组织数据集，解决金相组织数据量少，数据分布不平衡，识别不准确问题。

20、(2)采用多目标差分进化算法优化分形网络，平衡了模型复杂度和识别准确率两个优化目标，并采用knee点选取策略从帕累托最优解中确定性能优异的金相组织识别模型，增强了模型的适应性和泛化能力。

21、(3)通过对收集的不同材料的金相组织数据集进行验证，本发明方法能够明显提高材料金相组织识别结果的精度和鲁棒性。

1.一种基于多目标分形进化网络的金相组织识别方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的基于多目标分形进化网络的金相组织识别方法，其特征在于，采用盒计数法计算每幅金相组织图像的分形维数db，以及采用盒计数法计算每幅织物纹理图像的分形维数

3.根据权利要求1所述的基于多目标分形进化网络的金相组织识别方法，其特征在于，计算分形维数db与的差值的绝对值δ，将小于预设阈值的δ对应的织物纹理图像迁移至训练数据集中，扩充训练数据集的样本数据量。

4.根据权利要求1所述的基于多目标分形进化网络的金相组织识别方法，其特征在于，该方法还包括步骤：基于原始训练数据集，利用生成对抗网络生成与金相组织数据高度相似的新数据，并将新数据添加至经过第一次样本数据量扩充后的训练数据集中，对训练数据集进行第二次样本数据量扩充。

5.根据权利要求1所述的基于多目标分形进化网络的金相组织识别方法，其特征在于，以最小化分形网络的时间复杂度和识别误差率为优化目标，在采用多目标差分进化算法优化分形网络的过程中，逐渐找到平衡这两个目标的帕累托最优解。

6.根据权利要求5所述的基于多目标分形进化网络的金相组织识别方法，其特征在于，将最小化分形网络的时间复杂度视为最小化卷积层的时间复杂度。

7.根据权利要求1所述的基于多目标分形进化网络的金相组织识别方法，其特征在于，基于距离的方法从帕累托最优解中确定knee点。