基于金相图的铜基材成分智能识别模型的研究与应用

作     者：贺怀宇 

作者单位：江西理工大学 

学位级别：硕士

导师姓名：黄学雨

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 

主      题：铜合金金相图 图像分类 数据增强 生成对抗网络 特征融合 

摘      要：铜合金是现代工业和生活中广泛应用的重要材料,其微观组织分布情况决定着性能优劣。为了提高铜合金的性能,需要对合金的金相图像信息进行提取和分析。然而,由于合金成分多样性产生的不同合金金相图像结构复杂以及样本数量过少的问题,现有的合金金相图像信息提取算法难以满足铜合金金相图像分类识别的需求。针对这一问题,本文提出了两种算法。第一种是改进的生成对抗网络模型,可以生成更多、更具多样性的合金微观图像;第二种是改进的卷积神经网络模型,用于复杂铜合金金相图的分类。主要研究内容如下:第一,分析铜合金金相图像特点,通过灰度处理、图像分割等预处理方法处理数据集。通过图像分割,充分利用了原始图像高分辨率的特点,扩展了数据集。为后续研究铜合金分类问题奠定了基础。第二,针对铜合金金相图样本数量不足,分类模型容易过拟合的问题。提出一种改进的生成对抗网络的铜合金金相图像数据增强算法。通过引入变分自编码器和Wasserstein Loss,进一步提高了模型的性能和生成图像的多样性。同时采用了卷积神经网络作为生成器和判别器的主要构建模块,能够生成高质量、多样性的铜合金金相图像。实验结果表明,改进后的方法生成的图像与原始图像之间的SSIM值达到了0.80。第三,针对铜合金金相图复杂的特点,提出了一种高效特征融合网络分类算法。为了降低训练过程中常见的过拟合风险,该方法使用数据增强技术扩充的训练集进行训练。实验结果表明,使用扩充30%数据集的特征融合网络分类算法具有最佳的分类效果,总体准确率达到98.34%。第四,铜合金智能识别模型的应用。在本文研究的基础上,利用Python完成对铜合金智能识别平台界面的开发,实现铜合金金相组织分类识别。该系统具有自动化、快速、准确等优势,大大提高了材料研究的效率和精度。