基于深度學(xué)習(xí)的軸承鋼中碳化物帶狀智能評(píng)級(jí)前景與展望

錢 玲，朱曉林，黃官熙，錢林寧，許 凡，封保冬，許學(xué)斌

（江蘇省產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)研究院，江蘇 南京 210007）

1 引言

高碳鉻軸承鋼屬于合金鋼中生產(chǎn)難度大、質(zhì)量要求嚴(yán)、檢驗(yàn)項(xiàng)目多的鋼種之一，常用來制造滾珠、滾柱軸承套圈以及各類工具和耐磨零件，具備高而均勻的硬度和耐磨性、抗疲勞、耐腐蝕、工作壽命長，生產(chǎn)中對(duì)軸承鋼的潔凈度、碳化物的分布和均勻性、組織缺陷和冶煉工藝的要求均十分嚴(yán)格，是鋼鐵生產(chǎn)品控最嚴(yán)格的鋼種之一。隨著冶煉工藝提升，軸承鋼潔凈度大大提升，非金屬夾雜含量減少，鋼中碳化物的形態(tài)、數(shù)量、大小、比例和分布對(duì)其性能的影響增大。

軸承鋼中帶狀碳化物是由于鋼在冶煉和結(jié)晶時(shí)形成的枝晶偏析引起的，各枝晶之間和晶體二次軸之間碳、鉻等元素的濃度很高，從而導(dǎo)致成分和組織不均勻，在開坯軋制后，這些高碳富鉻的區(qū)域沿著軋制方向形成條帶狀分布。帶狀碳化物對(duì)零件的熱處理質(zhì)量、力學(xué)性能和接觸疲勞壽命等方面均有影響，且?guī)钐蓟镆坏┥稍诤罄m(xù)一般的淬火和回火中難以消除。軸承零件碳化物帶狀嚴(yán)重會(huì)導(dǎo)致組織和力學(xué)性能不均勻，影響零件的疲勞性能，降低使用壽命。因此準(zhǔn)確可靠的碳化物帶狀檢測評(píng)級(jí)對(duì)軸承鋼的質(zhì)量控制和工藝優(yōu)化十分重要。

通常采用帶狀碳化物的評(píng)級(jí)檢測反映其嚴(yán)重程度，國內(nèi)外現(xiàn)行的軸承鋼碳化物帶狀評(píng)級(jí)標(biāo)準(zhǔn)主要為GB/T 18254-2016，SEP 1520-1998 和ISO 5949-1983，GB/T 18254-2016 是根據(jù)碳化物的聚集程度、大小和形狀綜合評(píng)定，SEP 1520-1998 和ISO 5949-1983 是根據(jù)帶狀碳化物的寬度評(píng)定，但是這些檢測標(biāo)準(zhǔn)均未提供具體的量化指標(biāo)，僅提供標(biāo)準(zhǔn)圖譜進(jìn)行人工對(duì)比評(píng)級(jí)，導(dǎo)致試驗(yàn)過程中人為主觀因素過多，評(píng)級(jí)時(shí)容易出現(xiàn)爭議，且軸承鋼檢測數(shù)量大導(dǎo)致人員勞動(dòng)強(qiáng)度大，檢測效率較低。

隨著電子信息技術(shù)和人工智能技術(shù)的飛速發(fā)展，計(jì)算機(jī)視覺（Computer Vision， CV），一門研究如何讓計(jì)算機(jī)可以像人類那樣“看”的學(xué)科，被廣泛地應(yīng)用于各個(gè)行業(yè)領(lǐng)域，如精確導(dǎo)航、醫(yī)療診斷、三維物體形狀分析和識(shí)別等。在材料組織分析領(lǐng)域，基于計(jì)算機(jī)視覺的自動(dòng)金相分析也成為國內(nèi)外科研人員的探索方向，使得金相分析朝著智能化、高效化方向發(fā)展。在金相自動(dòng)分析領(lǐng)域，主要有兩類方法，一類是基于傳統(tǒng)的圖像處理技術(shù)，目前，現(xiàn)有金相自動(dòng)分析軟件均是基于傳統(tǒng)的圖像處理技術(shù)，依賴于圖像灰度分布特征，人工介入較多，定量化和智能化分析水平低，每個(gè)算法都針對(duì)某種具體情況，因此對(duì)復(fù)雜多變的材料微觀結(jié)構(gòu)圖像的泛化能力較差；另一類是基于新興的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，利用人工智能技術(shù)高效智能地開展微觀分析，逐漸代替了傳統(tǒng)圖像處理算法在金相分析中的地位，國內(nèi)外部分機(jī)構(gòu)和學(xué)者已經(jīng)開始開展使定量化和智慧化的微觀分析理論和應(yīng)用研究。

2 深度學(xué)習(xí)在金相分析領(lǐng)域的研究現(xiàn)狀

2012 年，在Alex Krizhevsky 等提出深度卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）AlexNet，并在ILSVRC 競賽中獲勝后，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)新的研究方向，應(yīng)用于各種分類任務(wù)，并應(yīng)用到金屬材料的自動(dòng)金相分析中，此后，國內(nèi)外有很多學(xué)者將深度學(xué)習(xí)應(yīng)用于金相分析，均取得了較好的研究成果。Decost 等提出構(gòu)建大型微觀組織結(jié)構(gòu)數(shù)據(jù)庫，通過比較視覺特征的直方圖，支持向量機(jī)（SVM），即使使用相對(duì)較小的訓(xùn)練數(shù)據(jù)集，也可以自動(dòng)且高精度地將微觀結(jié)構(gòu)分類為組，特征直方圖可以為可視化搜索引擎提供基礎(chǔ)，該引擎可以在微結(jié)構(gòu)數(shù)據(jù)庫中為查詢圖像找到最佳匹配，最終，這種自動(dòng)和客觀的計(jì)算機(jī)視覺系統(tǒng)為存檔、分析和利用微觀結(jié)構(gòu)數(shù)據(jù)提供了一種新的方法，并在后期研究中成功構(gòu)建了不同熱處理過程、不同放大倍率下的超高碳鋼顯微組織照片數(shù)據(jù)集，并開發(fā)了一套用于與顯微組織照片數(shù)據(jù)集和元數(shù)據(jù)集進(jìn)行交互和探索的可視化工具。Aritra Chowdhury 等以預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)提取枝晶的顯微結(jié)構(gòu)特征，使用支持向量機(jī)、投票、最近鄰和隨機(jī)森林模型算法進(jìn)行分類，對(duì)枝晶組織和非枝晶組織以及不同截面枝晶組織的識(shí)別上，均得到很高的分類精度，成功將深度學(xué)習(xí)算法應(yīng)用于顯微組織圖像識(shí)別工作中。Azimi 等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（FCNN）的像素分割法和投票法用于低碳鋼顯微組織的分類，該方法可對(duì)低碳鋼中馬氏體、貝氏體和珠光體進(jìn)行組織分類識(shí)別，可達(dá)到93.94%的分類精度。Webel 等針對(duì)珠光體、板條馬氏體和下貝氏體的分類任務(wù)，首先利用GLCM 提取SEM 圖片的紋理最后使用SVM 實(shí)現(xiàn)三者的精確分類。Gola 等以由鐵素體基體和珠光體、馬氏體或貝氏體第二相組成的兩相組織微觀結(jié)構(gòu)的形態(tài)特征作為特征向量，建立了微觀結(jié)構(gòu)SVM 分類器，分類準(zhǔn)確率到達(dá)88.33%。Naik 等利用灰度共生矩陣（GLCM）提取鐵素體、珠光體和馬氏體的組織特征，并通過貝葉斯（NB）、K-近鄰（KNN）、線性判別分析（LDA）和決策樹（DT）四種算法對(duì)三者實(shí)現(xiàn)準(zhǔn)確分類。

在國內(nèi)也有越來越多的研究人員將深度學(xué)習(xí)應(yīng)用到金相自動(dòng)分析領(lǐng)域。李維剛等利用Alex Net、Vggnet 和 Goolenet 等卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)模型對(duì)掃描電鏡拍攝的鋼材微觀結(jié)構(gòu)進(jìn)行分類和識(shí)別，分類準(zhǔn)確率高于93%，與基于傳統(tǒng)圖像處理技術(shù)的金相分析或人工識(shí)別相比，具有較高的適應(yīng)性和準(zhǔn)確度。張永志等采用不同模型對(duì)火電機(jī)組耐熱鋼顯微組織進(jìn)行識(shí)別，分類準(zhǔn)確率均在90%以上。為了高效、準(zhǔn)確且自動(dòng)地識(shí)別不同金屬材料顯微組織，消除人工識(shí)別的不確定性，基于深度學(xué)習(xí)的金屬材料顯微組織智能分類和識(shí)別研究顯得尤為重要，目前國內(nèi)有多位學(xué)者在該方向上有顯著的研究成果。

除了對(duì)微觀組織進(jìn)行正確分類、識(shí)別，研究人員也已經(jīng)開始探索深度學(xué)習(xí)在定量金相智能化上的理論和應(yīng)用研究。江蘇大學(xué)的朱建棟提出參數(shù)自適應(yīng)Mean Shift 晶粒分割算法和基于結(jié)構(gòu)化隨機(jī)森林的晶界提取算法，獲得較好的晶界提取效果，實(shí)現(xiàn)晶粒度自動(dòng)評(píng)級(jí)。包金葉提出了一種基于多尺度特征融合的全卷積神經(jīng)網(wǎng)絡(luò)晶界提取方法，然后利用VGG16 對(duì)鋼材晶界提取分割結(jié)果進(jìn)行分類，準(zhǔn)確率達(dá)到95%，并將分割網(wǎng)絡(luò)與分類網(wǎng)絡(luò)融合，實(shí)現(xiàn)從晶界提取分割到晶粒度智能評(píng)級(jí)一體化。羅新中等建立供神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的高碳盤條索氏體組織素材庫，利用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)識(shí)別模型，并采用未標(biāo)記的索氏體組織圖片對(duì)模型進(jìn)行測試、互動(dòng)優(yōu)化，成功實(shí)現(xiàn)索氏體定量分析的智能化。Zhu 等基于深度神經(jīng)網(wǎng)絡(luò)算法，以人工標(biāo)定的非金屬夾雜物圖片為訓(xùn)練樣本，進(jìn)行非金屬夾雜物的智能邊界提取、分類和評(píng)級(jí)，針對(duì)DeepLabv3+語義分割模型結(jié)合使用Dice Loss 與Focal Loss作為模型的類別預(yù)測損失和邊界預(yù)測損失，測量計(jì)算夾雜物的尺寸，實(shí)現(xiàn)夾雜物自動(dòng)評(píng)級(jí)功能，非金屬夾雜物的分割和分類的準(zhǔn)確率均可達(dá)90%以上。

3 技術(shù)可行性分析

深度學(xué)習(xí)在金相顯微組織識(shí)別與分類、晶粒度智能評(píng)級(jí)、非金屬夾雜物識(shí)別與評(píng)級(jí)等金相檢測項(xiàng)目的智能化上均得到很好的實(shí)踐，可借鑒算法模型，現(xiàn)有成熟的深度學(xué)習(xí)平臺(tái)和工具箱也能夠?yàn)檩S承鋼碳化物帶狀識(shí)別技術(shù)的深度學(xué)習(xí)模型的建立提供支持。此外，來自蘭州理工大學(xué)的陳園園提出了基于注意力機(jī)制的改進(jìn)U-Net 網(wǎng)絡(luò)模型，構(gòu)建基于CGAN 的卷積神經(jīng)網(wǎng)絡(luò)模型來分割GCr15 軸承鋼金相組織中未溶碳化物，分割準(zhǔn)確率達(dá)到90%以上，再對(duì)軸承鋼中未溶碳化物顆粒的含量進(jìn)行量化并計(jì)算面積占比，因此碳化物帶狀智能評(píng)級(jí)在技術(shù)上是可行的。

筆者所在的江蘇省產(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)研究院長期從事軸承鋼產(chǎn)品的相關(guān)檢測工作，承擔(dān)了數(shù)千批次的軸承鋼碳化物不均勻性的樣品制備、腐蝕、圖像采集和組織評(píng)定工作，對(duì)產(chǎn)品和標(biāo)準(zhǔn)理解深刻，積累了大量帶狀碳化物圖像可作為深度學(xué)習(xí)模型的訓(xùn)練樣本。筆者所在單位也與軸承鋼生產(chǎn)企業(yè)就帶狀組織的自動(dòng)識(shí)別和智能評(píng)定進(jìn)行了技術(shù)交流，企業(yè)也可保證樣本采集/標(biāo)定方面的工作順利實(shí)施，還可通過各種線上平臺(tái)收集大量的碳化物帶狀組織金相圖像，不斷擴(kuò)充樣本數(shù)據(jù)庫。

綜上所述，基于深度學(xué)習(xí)的軸承鋼中碳化物帶狀智能評(píng)級(jí)研究在算法模型建立、數(shù)據(jù)集建立和標(biāo)定等方面均具備了完善的條件，開展本項(xiàng)識(shí)別技術(shù)的研究切實(shí)可行。

4 前景和展望

當(dāng)今，人工智能在金屬材料自動(dòng)金相分析中的應(yīng)用取得較好成果。計(jì)算機(jī)視覺和深度學(xué)習(xí)等信息技術(shù)的發(fā)展，為金屬材料金相分析智能化和自動(dòng)化帶來了新的機(jī)遇，基于深度學(xué)習(xí)的軸承鋼中碳化物帶狀智能評(píng)級(jí)可很大程度上提升高碳鉻軸承鋼檢測效率和檢測準(zhǔn)確性，降低勞動(dòng)強(qiáng)度，有利于軸承鋼產(chǎn)品質(zhì)量的提升，具有重要的實(shí)用意義。該方法的實(shí)現(xiàn)也可增加金屬材料自動(dòng)金相分析的新方法，對(duì)于金相分析自動(dòng)化和智能化的研究與應(yīng)用具有重要的學(xué)術(shù)意義與應(yīng)用價(jià)值，也可促進(jìn)檢測水平發(fā)展，推動(dòng)檢測裝備進(jìn)步。