基于CNN的不锈钢中微观碳化物检测:数据集大小的影响
Fuad Khoshnaw与Weigang Yao
《Metals》:CNN-Based Microstructural Carbide Detection in Stainless Steel: Effects of Dataset Size
Fuad Khoshnaw and
Weigang Yao
【字体:
大
中
小
】
时间:2026年04月16日
来源:Metals 2.5
编辑推荐:
摘要:本研究开发了一种机器学习方法,利用卷积神经网络(CNN)来检测奥氏体不锈钢(特别是316级)微观结构中的碳化物析出。制备了微观结构图像,并将其分为三类:原始状态、未经热处理无碳化物析出以及经过热处理有碳化物析出。通过使用两个不同规模的独立数据集对CNN进行训练和验证,以评估
摘要:本研究开发了一种机器学习方法,利用卷积神经网络(CNN)来检测奥氏体不锈钢(特别是316级)微观结构中的碳化物析出。制备了微观结构图像,并将其分为三类:原始状态、未经热处理无碳化物析出以及经过热处理有碳化物析出。通过使用两个不同规模的独立数据集对CNN进行训练和验证,以评估数据量对分类性能的影响。这种自动化的微观结构识别系统为增材制造(AM)带来了潜在的好处,能够实现实时质量评估和反馈控制,特别是在金属3D打印过程中避免不希望出现的碳化物形成。通过将微观结构分析与加工条件联系起来,该方法有助于开发无缺陷、耐腐蚀的组件,并促进了智能监控在数字制造工作流程中的集成。
1. 引言
在本世纪,人类面临严峻的挑战,包括激烈的全球竞争、不断增长的人类需求和人口扩张,所有这些都对有限的资源造成了压力。因此,实现可持续制造已成为全球优先事项。其中一个备受关注的战略是“FabLab”概念,它侧重于快速原型制作和全尺寸产品可行性的评估。支撑这一方法的关键技术之一是增材制造(AM),该技术借鉴了焊接过程的原理,逐层构建组件。作者之前的研究[1,2]集中在调整传统焊接系统(如气体钨极弧焊(GTAW)和气体金属弧焊(GMAW)上,以保持恒定的焊炬速度和可控的热输入。在另一项研究[3]中,作者研究了不锈钢合金中的碳化物形成和其他相变,例如σ相的析出。这些方面对AM至关重要,因为它们直接影响熔融原料的受控沉积和大型金属结构的制造[4]。利用电弧焊作为热源和金属丝作为原料的AM技术具有高沉积速率、低设置成本和材料多样性等优点[5,6]。然而,由于电弧行为、热传递、熔滴几何形状(例如宽度、高度、穿透深度)以及热输入的复杂性,使得过程难以保持一致[7]。因此,尽管取得了显著进展,AM仍主要停留在实验室规模,工业应用仍然有限。为解决这一问题,人们越来越多地探索人工智能(AI)技术来增强过程控制和产品质量。
金属AM中的一个主要挑战是在打印过程中微观结构的变化,这会显著影响机械性能和耐腐蚀性。AM中的高温梯度和重复加热循环可能引发不希望出现的相变和碳化物或第二相的析出。例如,像AISI 304这样的奥氏体不锈钢在敏感化范围内(550–850 °C)容易发生铬碳化物析出,从而导致晶间腐蚀。同样,双相不锈钢需要保持稳定的铁素体-奥氏体比例以保持强度和耐腐蚀性,而铝合金则依赖焊后时效处理来恢复硬度[2]。在没有智能监控和控制系统的的情况下,手动管理这些变化非常困难。
Liu等人[8]总结了AM的进展,包括材料开发、沉积策略以及使用多感官系统的实时监控。这些进步突显了整合AI技术以管理AM复杂性的重要性。数据驱动的方法,包括机器学习技术(如回归模型),已在材料工程中应用于模拟材料参数与性能之间的关系[9]。Lee等人[10]使用高动态范围成像技术通过AI模型对AM缺陷进行分类,准确率达到了99%。类似地,Li等人[11]实现了基于YOLOv3的检测系统,用于识别熔合不良和空洞等异常,实现了实时的层状评估高精度。Tang等人[12]开发了一种基于地形的监控方法用于闭环控制,而Xia等人[13]提出了基于传感器的反馈机制以提高AM的可靠性。Barrionuevo等人[4]评估了各种机器学习(ML)算法,以预测Ti-6Al-4V等离子弧沉积中的熔滴几何形状。然而,Xiao等人[7]指出传统ML模型在处理相互依赖变量时存在局限性,并提出了一个更准确的沉积形状预测框架。Oh等人[14]使用支持向量机来确定熔滴均匀性的最佳条件,实现了最小的几何误差。Kunchala等人[15]引入了一种结合物联网技术的混合ML模型进行过程优化。Ding等人[16]提出了一个完整的建模系统,使用SVM精确控制丝材送进速度和行进速度。Abdalel等人[17]回顾了AI(特别是机器学习和计算机视觉)在基于SEM和EDS的微观结构分析中的应用。他们的工作强调了微观结构特征的自动化和准确检测,与本研究使用AI进行碳化物检测及其在先进制造应用中的潜力相一致。
尽管已经取得了很多进展,但目前的研究主要集中在预测沉积几何形状或检测宏观缺陷上。对于识别微观结构特征(如铬碳化物析出)的关注较少,而这些特征对于AM制造的不锈钢的耐腐蚀性能至关重要。手动金相学在生产环境中速度慢且效率低下。尽管许多先前的研究已经在增材制造中应用了AI和ML,但基于图像的微观结构识别用于碳化物检测的集成仍然鲜有探索。本研究通过开发一个基于碳化物存在的机器学习模型来对奥氏体不锈钢的金相图像进行分类,填补了这一空白。本研究专注于基于图像的微观结构分类,没有包含工艺参数;然而,它为未来将工艺参数与微观结构的关系整合到增材制造中奠定了基础。
2. 方法论
本研究采用监督式深度学习方法将奥氏体不锈钢的微观结构图像分为三类:原始状态、未经热处理无碳化物析出以及经过热处理有碳化物析出。整个工作流程包括数据准备、CNN模型开发、训练、评估以及两个不同图像数据集大小的比较分析。
2.1. 数据集和图像准备
在一致的放大倍率和照明条件下收集了显微图像。数据集被手动组织到三个代表不同条件的类文件夹中。图像被调整为128 × 128像素,并使用重缩放归一化到[0, 1]范围内,以确保计算效率的同时保留必要的微观结构特征。虽然考虑了更高分辨率,但与增加的计算成本相比,它们并没有显著提高模型性能。数据集规模有限,因此,本研究旨在证明基于图像的微观结构分类的概念。
进行了两次实验:
在最初的实验中(实验1—基线),模型在一个相对有限的数据集上进行了训练,该数据集共包含34张图像。训练集包括4张原始状态的微观结构图像、15张未经热处理无碳化物析出的图像和15张经过热处理有碳化物析出的图像。对于评估,测试集总共包含7张图像:1张原始状态图像、3张未经热处理无碳化物的图像和3张有碳化物析出的图像。这种配置旨在用最少数量的图像为模型性能建立基线。
在第二次实验中(实验2—扩展数据集),训练和测试数据集得到了增强,以提高模型的泛化和分类性能。训练集共包含40张图像:10张原始状态的微观结构图像、15张未经热处理无碳化物析出的图像和15张经过热处理有碳化物析出的图像。测试集显著扩大,总共包含30张图像,每个类别各有10张。这种增加的数据集规模旨在提供更加平衡和代表性的样本分布,使模型能够学习更多与碳化物存在与否相关的微观结构特征。
数据集被分为训练集和测试集。在模型训练过程中,测试集也被用作验证数据,以监控模型性能并减少过拟合。尽管深度学习模型通常受益于大型数据集,但本研究表明,适量的高质量图像(40张训练图像和30张测试图像)足以训练一个能够识别奥氏体不锈钢微观结构中碳化物析出的CNN。数据集经过精心策划,并明确标记为三个视觉上不同的类别,从而减少了噪声和歧义,最小化了对大规模数据的需求。此外,采用了参数较少的轻量级CNN架构以防止过拟合,从而能够从有限的样本规模中有效学习。这项工作作为一个概念验证研究,表明即使数据集较小,也可以实现有意义的分类准确性,未来通过数据增强和更大的数据集可以进一步改进。
目录结构在两次实验中保持一致:
bash
CopyEdit
microstructure_dataset/
train/
as_received/
heat_treated_no_carbides/
heat_treated_with_carbides/
test/
as_received/
heat_treated_no_carbides/
heat_treated_with_carbides/
2.2. 模型架构
在TensorFlow/Keras [18]中实现了一个自定义的CNN模型,包括:
Conv2D层(16个滤波器,3 × 3,ReLU);
MaxPooling2D层;
Conv2D层(32个滤波器,3 × 3,ReLU);
MaxPooling2D层;
Flatten层;
Dense层(64个单元,ReLU);
输出Dense层(用于3类分类的Softmax)。
2.3. 训练配置
损失函数:Categorical cross-entropy。
优化器:Adam。
指标:准确率。
训练轮次:实验1:10个周期;实验2:30个周期。
使用ImageDataGenerator进行重缩放和分批处理(没有数据增强)。
2.4. 评估指标
使用matplotlib绘制并保存了准确率和损失曲线。
模型输出保存在.keras格式中。
使用scikit-learn生成了混淆矩阵和分类报告,以评估精确度、召回率和F1分数。
输出目录:所有结果保存在results文件夹中,用于分析和文档记录。
2.5. 微观结构类别
为了支持分类模型的开发,准备了一组来自不同热处理条件的奥氏体不锈钢316级样本的金相图像,这些样本达到了热影响区(HAZ),并在不同时间保持以形成铬碳化物析出。为了进行微观结构研究,样本经过研磨、抛光和蚀刻处理。然后,将样品浸入10 mL HCl、5 mL HNO3和蒸馏水的混合溶液中4分钟。从原始状态(溶液退火)条件下的样品以及在不同温度和保持时间后热处理后的样品中获得了微观结构图像,从而产生了不同的微观结构状态。使用受控的热处理条件确保了类别之间的清晰区分,这对于训练可靠的分类模型至关重要。
样品被分为三个不同的组:(1)原始状态,代表具有均匀奥氏体颗粒和干净晶界的基线微观结构;(2)未经热处理无碳化物析出,其中热暴露没有导致可见的晶界碳化物;(3)经过热处理有碳化物析出,显示出沿晶界的明显碳化物形成。图1展示了这些代表性的微观结构,它们作为用于训练和评估本研究中使用的机器学习模型的视觉基础。
2.6. 深度学习模型结构
为了实现图像分类模型,设计了一个具有标准顺序结构的卷积神经网络(CNN)。图2显示网络从接受调整为128 × 128像素且具有三个RGB通道的图像的输入层开始。接下来是卷积层和池化层,用于提取空间特征,然后是平坦层,将2D矩阵转换为1D向量,最后是全连接(密集)层。输出层使用softmax激活函数将图像分为三类:原始状态、未经热处理无碳化物析出以及经过热处理有碳化物析出。
3. 结果和讨论
训练和评估过程分为两个阶段,对应于两个不同的数据集规模。每次运行都通过分析训练和验证的准确率来评估,此外还使用了精确度、召回率和F1分数等分类指标。目的是评估模型区分三类微观结构图像的能力:原始状态、未经热处理无碳化物析出以及经过热处理有碳化物析出。包含原始状态条件使模型能够区分基线微观结构和热改变状态,这对于准确分类至关重要。
3.1. 第一次运行—基线模型性能
第一次运行使用了一个仅包含34张训练图像和7张测试图像的有限数据集。训练进行了10个周期。图3显示该模型的性能较低,验证准确率停滞在42-57%左右,同时验证损失较高。这些结果表明模型存在欠拟合现象,可能是由于训练样本数量不足以及数据集中的变化有限所致。图3展示了使用初始有限数据集进行10个训练周期后的训练和验证准确率。来源:作者自己的工作。
3.2 第二次尝试——改进数据集和训练周期
在第二次尝试中,数据集被扩展到包含40张训练图像和30张测试图像,所有三类图像的分布更加均匀。训练周期数增加到30个。如图4所示,训练准确率显著提高(达到约98%),但验证准确率有所波动并稳定在50%左右。这表明模型在训练数据上的表现良好,但在泛化能力上可能有限,可能是因为测试集中的类别不平衡或缺乏多样性。图4展示了使用扩展后的数据集进行30个训练周期后的训练和验证准确率。来源:作者自己的工作。模型经过了30个训练周期后,验证准确率趋于稳定,而训练准确率继续上升(图4)。这表明模型在此之后开始过拟合,因为它在训练数据上取得了进步,但在泛化能力上没有显著提升。尽管将训练周期数增加到50甚至100可能会使训练准确率接近100%,但不太可能显著提高验证准确率。相反,过长的训练时间可能导致过拟合,即模型在训练样本上表现良好,但在面对未见数据时无法泛化。未来的研究可以探索更先进的优化策略,如提前停止训练、学习率调度和更强的正则化技术,以更好地利用较长的训练周期并降低过拟合风险[19]。
另一方面,本研究的一个关键局限性是用于训练和测试的数据集相对较小。通过比较第一次和第二次实验,可以看到扩大数据集的大小产生了积极影响:测试图像总数从7张增加到30张,训练图像从34张增加到40张。这使得训练和验证准确率从大约42%提高到了64%。这一趋势表明,进一步扩展数据集将提高模型的学习能力。更大的数据集能够更全面地覆盖微观结构变化,使卷积神经网络更好地学习碳化物沉淀的特征。未来的工作将集中在系统地收集和标注更多显微图像上,以提高实际应用中的准确性和鲁棒性[20]。
3.3 最终评估——分类报告和混淆矩阵
为了评估模型的预测性能,在训练完成之后使用独立的测试数据集生成了分类报告和混淆矩阵。分类报告(见表1)提供了每个类别的精确度、召回率和F1分数指标:原始状态、未经热处理的(无碳化物)和经过热处理的(有碳化物)。这些指标表明模型在区分这些类别方面表现中等,其中识别无碳化物样本的精确度最高(0.60)。从测试数据集获得的整体分类准确率为37%,反映了模型在未见数据上的泛化能力。表1展示了应用于微观结构图像分类的机器学习模型的分类性能指标,包括各个类别(原始状态、未经热处理(无碳化物)、经过热处理(有碳化物)的精确度、召回率和F1分数,以及宏观平均数和加权平均数。来源:作者自己的工作。混淆矩阵详细信息见表2,它可视化了真实标签与预测标签的分布情况。表格显示了一些明显的误分类,特别是在类别1和2之间,这表明微观结构模式存在重叠特征。同时,图5显示了30个训练周期内的训练和验证准确率,显示出模型在训练数据上表现良好,但验证准确率波动较大,这可能表明模型存在过拟合或数据集规模和多样性的限制。表2显示了实际类别与预测类别的结果对比。每一行代表真实类别,每一列代表预测类别,展示了分类结果的分布情况。来源:作者自己的工作。图5展示了测试样本的分类结果。来源:作者自己的工作。这些评估结果突显了当前模型架构和数据集的潜力与局限性,表明需要进一步改进,例如扩大数据集或采用更先进的CNN层和正则化技术来提高泛化能力。
3.4 解释及其与增材制造的相关性
这些结果证明了使用机器学习基于碳化物存在情况自动分类奥氏体不锈钢微观结构的可行性。尽管模型的泛化能力尚未达到最佳水平,但学习趋势表明通过数据增强和多样化训练集可以进一步提高性能。在增材制造的背景下,所提出的方法可以在层沉积过程中实现实时微观结构监控。通过将训练模型的输出与工艺参数(如扫描速度、冷却速率或能量输入)关联起来,制造商可以动态调整制造条件以避免碳化物沉淀,从而生产出具有定制微观结构的高性能、耐腐蚀组件。本研究应用了一个轻量级图像分类模型来区分奥氏体不锈钢的三种微观状态:原始状态、未经热处理(无碳化物沉淀)和经过热处理(有碳化物沉淀)。该模型在有限的数据集上进行了训练,显示出识别碳化物形成的明显潜力,而碳化物的形成是影响不锈钢部件耐腐蚀性和机械可靠性的关键因素。需要注意的是,碳化物沉淀并不是影响增材制造质量的唯一缺陷,其他缺陷如未熔合和孔隙率也起着重要作用。然而,本研究特别关注碳化物沉淀,因为它对奥氏体不锈钢的腐蚀行为有重要影响。
在增材制造的背景下,控制微观结构特征(如碳化物沉淀)至关重要。特别是在金属系统中,过量的碳化物形成,尤其是在晶界处,会导致敏感化和晶间腐蚀。通过将基于机器学习的微观结构识别技术纳入增材制造流程,制造商可以引入早期的基于图像的质量控制,以确保输出的一致性。其他研究[21,22]已经证明了结合工艺参数、实验设计和机器学习模型进行工艺优化的有效性。相比之下,本研究侧重于基于图像的微观结构分类,为评估材料响应提供了一种补充方法,未来可以与工艺驱动模型集成。需要注意的是,本研究使用的数据集相对较小,这可能限制了统计的鲁棒性和泛化能力。然而,微观结构的可控性和类别之间的明显区分支持了所提出方法的可行性。随着数据集规模的扩大,模型性能的提高进一步表明了该方法的可扩展性。未来的工作将集中在扩大数据集并在更多不同条件下验证模型。
训练/验证准确率与测试准确率之间的差异表明可能存在过拟合现象,主要是由于数据集规模有限。数据增强、dropout层和正则化(L1/L2)等技术是成熟的减少过拟合和改善泛化能力的方法。这些策略将在未来的工作中得到探索,以增强模型的鲁棒性。所提出的模型展示了将自动微观结构评估作为增材制造后处理质量评估工具的潜力,有助于工艺优化。虽然这种方法不适用于实时控制,但它为未来与原位监控和数据驱动的工艺优化策略的集成奠定了基础,目标是生产无碳化物的奥氏体微观结构。本研究的结果还指出了一种低成本、易于获取的微观结构评估方法的潜力,特别是在研发阶段或缺乏先进显微镜分析工具的小中型企业中非常有用。从商业角度来看,这种模型的整合支持了向更自动化、可靠和可持续制造的转变,这与工业4.0的目标一致:减少浪费、提高能源效率,并利用数据驱动工具实现实时工艺反馈。最终,这种方法为增材制造中的智能质量保证提供了可扩展的途径,特别是在微观结构对性能至关重要的不锈钢部件方面。
4. 结论
本研究证明了使用机器学习方法根据图像分类识别奥氏体不锈钢(AISI 316)中的微观结构变化(特别是碳化物沉淀)的可行性。训练并测试了一个基本的卷积神经网络(CNN)模型,该模型使用了分为三类的光学显微图像:原始状态、未经热处理(无碳化物形成)和经过热处理(有可见碳化物沉淀)。随着数据集规模的扩大和训练配置的优化,模型的分类性能不断提高。尽管使用的图像集相对较小,最终结果表明基于机器学习的微观结构识别可以作为一种快速且经济有效的工具,用于材料加工中的早期质量评估。在增材制造的背景下,这种方法为智能监控系统提供了基础,有助于降低与碳化物相关的退化风险。所提出的方法展示了机器学习在基于微观结构的质量评估方面的潜力,并可能支持未来的数据驱动工艺优化发展。尽管本研究成功地展示了基于AI的微观结构分类方法,但尚未在增材制造过程中实现闭环控制系统。目前的工作应被视为实现此类控制的一种使能技术。开发的模型为未来将微观结构分类与工艺监控系统集成的研究提供了基础,这将允许动态调整热输入、移动速度和冷却策略,以最小化层沉积过程中的碳化物沉淀。未来的工作将集中在将这种分类器嵌入到完整的闭环控制框架中,以主动优化工艺参数并确保无碳化物的微观结构。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号