基于CNN的 Structural Steel微观结构分类方法用于预测焊缝弯曲试验结果

《Metals》：CNN-Based Classification of Structural Steel Microstructures for the Prediction of the Outcome of the Welded Bead Bending Test

　　

摘要

德国用于评估结构钢抗裂性能的焊缝弯曲试验（WBBT）是按照ZTV-ING第4部分或德国铁路标准918 002-02进行的，并在Stahl-Eisen-Prüfblatt 1390中有相关规定。该试验有三种结果：若在未发生断裂的情况下，基体材料出现可见裂纹，则判定为通过；若在试验过程中提前发生断裂，则判定为未通过；而即便在达到??≥60°的弯曲角度时，仍为合格，但基体材料会出现可见裂纹；若在达到该角度前就发生断裂，则判定为未通过；而即便达到了上述弯曲角度，基体材料也没有出现裂纹，则判定为无效。本研究提出了一种新的数据驱动方法，即利用卷积神经网络对从经过WBBT测试的样品中获取的光学显微镜图像进行分块分类，从而预测试验结果。通过与Chemnitzer Werkstoff- und Oberfl?chentechnik GmbH的合作，研究人员获得了来自不同制造商的40种钢材的800张光学显微镜图像作为训练数据。研究共评估了五种不同的CNN架构在准确率、召回率和特异性方面的表现，这五种架构分别是：经过MicroNet预训练的DenseNet-121和EfficientNet-B0，分别在ImageNet和MicroNet上预训练过的ResNet-34，以及从零开始训练的简单CNN模型。这些模型采用了三种不同的训练方法，其区别在于训练时所使用的图像块大小和数量不同。为了分析可能存在的数据泄漏问题，研究还采用了两种验证策略：图像块级验证和样本级验证。在样本级验证中，I-ResNet-34模型的表现最为出色，其图像块级的准确率为79.58%±6.82%，而图像及样本级的特异性则为100%。通过留一法交叉验证也得到了类似的结果，图像块级的准确率为79.36%，特异性为86.26%。在这种验证方案下，WBBT试验的样本级结果大致为86%的准确率和91%的特异性。