基于深度学习的轴承钢中碳化物带状智能评级前景与展望

钱 玲，朱晓林，黄官熙，钱林宁，许 凡，封保冬，许学斌

（江苏省产品质量监督检验研究院，江苏 南京 210007）

1 引言

高碳铬轴承钢属于合金钢中生产难度大、质量要求严、检验项目多的钢种之一，常用来制造滚珠、滚柱轴承套圈以及各类工具和耐磨零件，具备高而均匀的硬度和耐磨性、抗疲劳、耐腐蚀、工作寿命长，生产中对轴承钢的洁净度、碳化物的分布和均匀性、组织缺陷和冶炼工艺的要求均十分严格，是钢铁生产品控最严格的钢种之一。随着冶炼工艺提升，轴承钢洁净度大大提升，非金属夹杂含量减少，钢中碳化物的形态、数量、大小、比例和分布对其性能的影响增大。

轴承钢中带状碳化物是由于钢在冶炼和结晶时形成的枝晶偏析引起的，各枝晶之间和晶体二次轴之间碳、铬等元素的浓度很高，从而导致成分和组织不均匀，在开坯轧制后，这些高碳富铬的区域沿着轧制方向形成条带状分布。带状碳化物对零件的热处理质量、力学性能和接触疲劳寿命等方面均有影响，且带状碳化物一旦生成在后续一般的淬火和回火中难以消除。轴承零件碳化物带状严重会导致组织和力学性能不均匀，影响零件的疲劳性能，降低使用寿命。因此准确可靠的碳化物带状检测评级对轴承钢的质量控制和工艺优化十分重要。

通常采用带状碳化物的评级检测反映其严重程度，国内外现行的轴承钢碳化物带状评级标准主要为GB/T 18254-2016，SEP 1520-1998 和ISO 5949-1983，GB/T 18254-2016 是根据碳化物的聚集程度、大小和形状综合评定，SEP 1520-1998 和ISO 5949-1983 是根据带状碳化物的宽度评定，但是这些检测标准均未提供具体的量化指标，仅提供标准图谱进行人工对比评级，导致试验过程中人为主观因素过多，评级时容易出现争议，且轴承钢检测数量大导致人员劳动强度大，检测效率较低。

随着电子信息技术和人工智能技术的飞速发展，计算机视觉（Computer Vision， CV），一门研究如何让计算机可以像人类那样“看”的学科，被广泛地应用于各个行业领域，如精确导航、医疗诊断、三维物体形状分析和识别等。在材料组织分析领域，基于计算机视觉的自动金相分析也成为国内外科研人员的探索方向，使得金相分析朝着智能化、高效化方向发展。在金相自动分析领域，主要有两类方法，一类是基于传统的图像处理技术，目前，现有金相自动分析软件均是基于传统的图像处理技术，依赖于图像灰度分布特征，人工介入较多，定量化和智能化分析水平低，每个算法都针对某种具体情况，因此对复杂多变的材料微观结构图像的泛化能力较差；另一类是基于新兴的机器学习和深度学习方法，利用人工智能技术高效智能地开展微观分析，逐渐代替了传统图像处理算法在金相分析中的地位，国内外部分机构和学者已经开始开展使定量化和智慧化的微观分析理论和应用研究。

2 深度学习在金相分析领域的研究现状

2012 年，在Alex Krizhevsky 等提出深度卷积神经网络（convolutional neural network，CNN）AlexNet，并在ILSVRC 竞赛中获胜后，深度学习作为机器学习领域中一个新的研究方向，应用于各种分类任务，并应用到金属材料的自动金相分析中，此后，国内外有很多学者将深度学习应用于金相分析，均取得了较好的研究成果。Decost 等提出构建大型微观组织结构数据库，通过比较视觉特征的直方图，支持向量机（SVM），即使使用相对较小的训练数据集，也可以自动且高精度地将微观结构分类为组，特征直方图可以为可视化搜索引擎提供基础，该引擎可以在微结构数据库中为查询图像找到最佳匹配，最终，这种自动和客观的计算机视觉系统为存档、分析和利用微观结构数据提供了一种新的方法，并在后期研究中成功构建了不同热处理过程、不同放大倍率下的超高碳钢显微组织照片数据集，并开发了一套用于与显微组织照片数据集和元数据集进行交互和探索的可视化工具。Aritra Chowdhury 等以预训练卷积神经网络提取枝晶的显微结构特征，使用支持向量机、投票、最近邻和随机森林模型算法进行分类，对枝晶组织和非枝晶组织以及不同截面枝晶组织的识别上，均得到很高的分类精度，成功将深度学习算法应用于显微组织图像识别工作中。Azimi 等提出了一种基于卷积神经网络（FCNN）的像素分割法和投票法用于低碳钢显微组织的分类，该方法可对低碳钢中马氏体、贝氏体和珠光体进行组织分类识别，可达到93.94%的分类精度。Webel 等针对珠光体、板条马氏体和下贝氏体的分类任务，首先利用GLCM 提取SEM 图片的纹理最后使用SVM 实现三者的精确分类。Gola 等以由铁素体基体和珠光体、马氏体或贝氏体第二相组成的两相组织微观结构的形态特征作为特征向量，建立了微观结构SVM 分类器，分类准确率到达88.33%。Naik 等利用灰度共生矩阵（GLCM）提取铁素体、珠光体和马氏体的组织特征，并通过贝叶斯（NB）、K-近邻（KNN）、线性判别分析（LDA）和决策树（DT）四种算法对三者实现准确分类。

在国内也有越来越多的研究人员将深度学习应用到金相自动分析领域。李维刚等利用Alex Net、Vggnet 和 Goolenet 等卷积神经网络的改进模型对扫描电镜拍摄的钢材微观结构进行分类和识别，分类准确率高于93%，与基于传统图像处理技术的金相分析或人工识别相比，具有较高的适应性和准确度。张永志等采用不同模型对火电机组耐热钢显微组织进行识别，分类准确率均在90%以上。为了高效、准确且自动地识别不同金属材料显微组织，消除人工识别的不确定性，基于深度学习的金属材料显微组织智能分类和识别研究显得尤为重要，目前国内有多位学者在该方向上有显著的研究成果。

除了对微观组织进行正确分类、识别，研究人员也已经开始探索深度学习在定量金相智能化上的理论和应用研究。江苏大学的朱建栋提出参数自适应Mean Shift 晶粒分割算法和基于结构化随机森林的晶界提取算法，获得较好的晶界提取效果，实现晶粒度自动评级。包金叶提出了一种基于多尺度特征融合的全卷积神经网络晶界提取方法，然后利用VGG16 对钢材晶界提取分割结果进行分类，准确率达到95%，并将分割网络与分类网络融合，实现从晶界提取分割到晶粒度智能评级一体化。罗新中等建立供神经网络学习的高碳盘条索氏体组织素材库，利用深度神经网络学习技术识别模型，并采用未标记的索氏体组织图片对模型进行测试、互动优化，成功实现索氏体定量分析的智能化。Zhu 等基于深度神经网络算法，以人工标定的非金属夹杂物图片为训练样本，进行非金属夹杂物的智能边界提取、分类和评级，针对DeepLabv3+语义分割模型结合使用Dice Loss 与Focal Loss作为模型的类别预测损失和边界预测损失，测量计算夹杂物的尺寸，实现夹杂物自动评级功能，非金属夹杂物的分割和分类的准确率均可达90%以上。

3 技术可行性分析

深度学习在金相显微组织识别与分类、晶粒度智能评级、非金属夹杂物识别与评级等金相检测项目的智能化上均得到很好的实践，可借鉴算法模型，现有成熟的深度学习平台和工具箱也能够为轴承钢碳化物带状识别技术的深度学习模型的建立提供支持。此外，来自兰州理工大学的陈园园提出了基于注意力机制的改进U-Net 网络模型，构建基于CGAN 的卷积神经网络模型来分割GCr15 轴承钢金相组织中未溶碳化物，分割准确率达到90%以上，再对轴承钢中未溶碳化物颗粒的含量进行量化并计算面积占比，因此碳化物带状智能评级在技术上是可行的。

笔者所在的江苏省产品质量监督检验研究院长期从事轴承钢产品的相关检测工作，承担了数千批次的轴承钢碳化物不均匀性的样品制备、腐蚀、图像采集和组织评定工作，对产品和标准理解深刻，积累了大量带状碳化物图像可作为深度学习模型的训练样本。笔者所在单位也与轴承钢生产企业就带状组织的自动识别和智能评定进行了技术交流，企业也可保证样本采集/标定方面的工作顺利实施，还可通过各种线上平台收集大量的碳化物带状组织金相图像，不断扩充样本数据库。

综上所述，基于深度学习的轴承钢中碳化物带状智能评级研究在算法模型建立、数据集建立和标定等方面均具备了完善的条件，开展本项识别技术的研究切实可行。

4 前景和展望

当今，人工智能在金属材料自动金相分析中的应用取得较好成果。计算机视觉和深度学习等信息技术的发展，为金属材料金相分析智能化和自动化带来了新的机遇，基于深度学习的轴承钢中碳化物带状智能评级可很大程度上提升高碳铬轴承钢检测效率和检测准确性，降低劳动强度，有利于轴承钢产品质量的提升，具有重要的实用意义。该方法的实现也可增加金属材料自动金相分析的新方法，对于金相分析自动化和智能化的研究与应用具有重要的学术意义与应用价值，也可促进检测水平发展，推动检测装备进步。