一种基于带噪学习的耐热钢珠光体球化智能评级方法

1.本发明属于珠光体球化等级评定技术领域，具体涉及一种基于带噪学习的珠光体球化智能评级方法。


背景技术：

2.耐热钢是指在高温环境中保持较高持久长度、抗蠕变性和良好化学稳定性的合金钢。珠光体耐热钢常用于制作承压装置，如锅炉钢管、汽轮机叶轮、转子、紧固件及高压容器、管道等。珠光体耐热钢在使用状态下的显微组织是铁素体和珠光体，在工作温度较高且长期运行过程中，会产生珠光体的球化。珠光体耐热钢的热强性能和力学性能随着珠光体球化程度的加大而逐渐降低，材质渐趋劣化甚至失效。因此，珠光体耐热钢组织中的珠光体球化程度常被用于判断该类钢使用可靠性的重要判据之一。
3.在现有的耐热钢的珠光体球化评级中，有通过脉冲激光的方式或金相试样组织的方法来评级的。如专利申请号cn201310345194.4，名称为《基于激光等离子体光谱的12cr1mov珠光体球化等级的现场检测方法》的专利公开了一种利用脉冲激光直接作用于管道表面去除检查部位的氧化层和脱碳层后，采集和分析等离子体光谱数据，获得被测管道材料的抗拉强度σb后直接输出珠光体球化等级的方法。
4.金相试样组织的方法采用的是先通过金相试样或金相复膜来获取金相组织状态，然后人工观测金相组织状态并与相关金相图谱进行对比来确定最终工件或设备的珠光体球化等级。这种人工评级方式难以多地点、多任务同时进行。将基于深度学习的计算机视觉技术应用于耐热钢珠光体球化评级中，可实现珠光体球化的自动评级，适应多地点、多任务同时进行的需求。然而，深度学习算法需要在大量、干净的数据样本上进行学习和优化。数据样本的标注多由人工进行，珠光体球化的数据标注便是来源于人工评级结果。珠光体球化的人工评级对操作者的知识水平和经验要求极高，且评级过程并未完全量化，操作者的评级过程存在主观上的认知误差，会造成部分数据样本的错误标注。这与深度学习算法对干净数据的需求相悖。


技术实现要素：

5.为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于带噪学习的珠光体球化智能评级方法，基于样本筛选过程进行：使用噪声过滤模型将数据集中的样本分为噪声样本和正确样本，而后使用正确样本训练分类模型；较之常规方法，本方法显著提高了耐热钢珠光体球化评级的准确率，实现耐热钢珠光体球化的自动评级。
6.为了达到上述目的，本发明采用的技术方案如下：
7.一种基于带噪学习的珠光体球化智能评级方法，包括以下步骤：
8.步骤s1、采集耐热钢金相图像，组成原始数据集，根据其球化等级，对图像进行标注；
9.步骤s2、在原始数据集上，通过深度学习模型对其进行训练，深度学习模型包括
resnet模型，获得噪声过滤模型，该噪声过滤模型为多分类模型；
10.步骤s3、将噪声过滤模型数据集中的噪声样本和正确样本进行区分；
11.步骤s4、使用正确样本再次训练深度学习模型，深度学习模型包括resnet，efficientnet等，获得分类模型，该模型即可实现对耐热钢珠光体球化的自动化评级。
12.步骤s5、使用分类模型进行耐热钢珠光体球化评级。
13.所述的步骤s2包括如下步骤：
14.s2.1.将原始数据集按照5折交叉验证的方式平均分成5部分，记为{a1，a2，a3，a4，a5}，每一部分依次作为测试集，剩余部分作为训练集，训练集和测试集表示为train1＝{a2，a3，a4，a5}，test1＝{a1}；train2＝{a1，a3，a4，a5}，test2＝{a2}；
…
；train5＝{a1，a2，a3，a4}，test5＝{a5}；
15.s2.2.将在步骤2.1中依次获得的训练集，进行翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化处理；对于依次获得的测试集数据使用图像标准化进行处理；
16.s2.3.依次选择训练集对深度学习模型进行训练，并使用测试集进行测试，获得噪声过滤模型，其中，取5次训练测试的平均结果作为噪声过滤模型测试的最终结果。
17.所述的步骤s3包括如下步骤：
18.s3.1.设置某一置信阈值t，该阈值的取值范围是：
[0019][0020]
其中，t为所述置信阈值，c为数据集的类别总数；
[0021]
s3.2.使用噪声过滤模型，输出对所有样本所有类别的置信度，该过程表示为：
[0022][0023]
其中，softmax(zi)是模型输出的置信度，zi是噪声过滤模型中最后一层的输出，c是数据集中的类别总数；
[0024]
s3.3.依次选择每个样本，查看其原始标注，确定该样本所属类别i，若噪声过滤模型对该样本在类别i的输出置信度小于设定的置信阈值，则该样本为噪声样本，反之为正确样本。
[0025]
所述的步骤s4包括如下步骤：
[0026]
s4.1.将正确样本按照5折交叉验证的方式平均分成5部分，记为{b1，b2，b3，b4，b5}，其中，bj(j＝1，2，...，5)是aj(j＝1，2，...，5)的子集，训练集和测试集表示为train1＝{b2，b3，b4，b5}，test1＝{a1}；train2＝{b1，b3，b4，b5}，test2＝{a2}；
…
；train5＝{b1，b2，b3，b4}，test5＝{a5}。
[0027]
s4.2.将在步骤4.1中依次获得的训练集，进行翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化处理；对于在步骤4.1依次获得的测试集数据使用图像标准化进行处理；
[0028]
s4.3.依次选择训练集对深度学习模型进行训练，并使用测试集进行测试，获得分类模型，其中，取5次训练测试的平均结果作为分类模型测试的最终结果。
[0029]
与现有技术相比，本发明具有如下的有益效果：
[0030]
本发明提出一种基于带噪学习的耐热钢珠光体球化评级方法，使用于通过金相组织试样进行珠光体球化评级的工作中。珠光体球化评级通常为人工评级，评级准确率取决于工作人员的专业素养的知识水平，极易造成对部分样本的评级有误，这使得数据集的整体标注质量不太高，标签含有噪声。本发明所述方法在原始数据集上训练噪声过滤模型，通过预先设置置信阈值，使用噪声过滤模型将数据集中的所有样本分为正确样本和噪声样本，并在正确样本上训练分类模型，以进行耐热钢的珠光体球化评级，有效的降低了噪声样本对模型学习和优化过程中带来的负面影响。与常规的深度学习方法相比，本发明所述方法减少了人工评级带来的主观误差，在提高了珠光体球化评级的效率的同时，也在数据集标注质量不高，部分标注有误的前提下进一步提高了球化评级的准确率。
附图说明
[0031]
图1为本发明所述的耐热钢珠光体球化评级流程图。
[0032]
图2为本发明所识别金相图像示例图。
具体实施方式
[0033]
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的实施例仅用于解释本发明，使之更为清晰和具体。在不脱离本技术技术方案构思的前提下，所做出的若干改进及各种非创造性劳动成果，均属于本技术的保护范围。
[0034]
结合图1，一种基于带噪学习的珠光体球化智能评级方法，其特征在于，包括以下步骤：
[0035]
步骤s1、收集承压设备金相图像，构建原始数据集。数据集所涉及的图像有12crmov、15crmo和1crmo等。数据集的图片如图2所示。根据检验机构的金相检验结果，对收集到的数据进行标注，标签为非球化、球化3级、球化4级和球化5级的其中一种；
[0036]
s2.在原始数据集上训练深度学习模型(resnet18)，以获得噪声过滤模型，包括如下步骤：
[0037]
s2.1.将步骤1中建立的数据集按照5折交叉验证的方式平均分成5部分，记为{a1，a2，a3，a4，a5}，每一部分依次作为测试集，其余部分作为训练集，训练集和测试集可表示为train1＝{a2，a3，a4，a5}，test1＝{a1}；train2＝{a1，a3，a4，a5}，test2＝{a2}；
…
；train5＝{a1，a2，a3，a4}，test5＝{a5}；
[0038]
s2.2.将在步骤2.1中依次获得的训练集，进行翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化处理；对于依次获得的测试集数据使用图像标准化进行处理；
[0039]
s2.3.依次选择训练集对深度学习模型(resnet18)进行训练，并使用测试集进行测试，获得噪声过滤模型。其中，取5次训练测试的平均结果作为噪声过滤模型测试的最终结果。
[0040]
s3.将原始数据集中的样本分为噪声样本和正确样本，包括如下步骤：
[0041]
s3.1.设置一置信阈值t，步骤1所述数据集共有四类，置信阈值的取值范围是0＜t
≤0.25，本实施例设置0.1为置信阈值；
[0042]
s3.2.使用噪声过滤模型，输出对所有样本四个类别的置信度，该过程可表示为：
[0043][0044]
其中，softmax(zi)是模型输出的置信度，zi是噪声过滤模型中，最后一层的输出；
[0045]
s3.3.依次选择每个样本，查看其原始标注，确定该样本所属类别i，若噪声过滤模型对其在类别i上输出置信度小于置信阈值，则该样本为噪声样本，反之为正确样本；
[0046]
s4.使用正确样本训练深度学习模型(resnet18)，获得分类模型，该模型即可实现对耐热钢珠光体球化的自动化评级。包括如下步骤：
[0047]
s4.1.将步骤3.3中获得的正确样本按照5折交叉验证的方式平均分成5部分，记为{b1，b2，b3，b4，b5}，其中，bj(j＝1，2，...，5)是aj(j＝1，2，...，5)的子集。依次将步骤2.1中的每一部分作为测试集，将步骤4.1中的其余部分作为训练集，训练集和测试集表示为train1＝{b2，b3，b4，b5}，test1＝{a1}；train2＝{b1，b3，b4，b5}，test2＝{a2}；
…
；train5＝{b1，b2，b3，b4}，test5＝{a5}。
[0048]
s4.2.将在步骤4.1中依次获得的训练集，进行翻转、模糊、亮度和对比度调整、随机裁剪、随机网格洗牌和图像标准化处理；对于在步骤4.1依次获得的测试集数据使用图像标准化进行处理；
[0049]
s4.3.依次选择训练集对深度学习模型(resnet18)进行训练，并使用测试集进行测试，获得分类模型。其中，取5次训练测试的平均结果作为分类模型测试的最终结果。
[0050]
s5.使用分类模型进行耐热钢珠光体球化评级，噪声过滤模型和分类模型的识别结果对比如表1所示。
[0051]
表1本方法对耐热钢珠光体球化的评级准确率
[0052][0053]
由表1可知，按照5折交叉验证的结果，相较于常规的深度学习方法，在引入带噪学习的思想后，准确率从73.45％提高至76.31％，提高了2.86个百分点。本发明所述的基于带噪学习的耐热钢珠光体球化评级方法，可有效提高珠光体球化评级的准确率。与常规基于深度学习方法相比，显著降低了标签噪声带来的负面影响。