基于DCGAN的金相圖片生成方法及其應用研究

楊維姝，伊軍英，孟雪，邱佳祺，馮慶軍

（1.江蘇科技大學冶金與材料工程學院，江蘇 張家港 215600；2.江蘇科技大學蘇州理工學院電氣與信息工程學院，江蘇 張家港 215600）

0 引言

金相圖片能夠反映出金屬材料的微觀組織和形貌特征，對研究金屬材料的性能具有重大作用。晶粒尺寸不同的金屬材料其力學性能有較大差異，晶界越多，晶粒越細，根據霍爾-佩奇公式，晶粒的平均直徑越小，材料的屈服強度就越高，材料的力學性能越好。

金相分析是研究金屬材料的重要手段之一，在日常的實驗研究中，金相分析流程主要依靠實驗人員的眼睛觀察，并結合個人經驗對所需金相顯微組織進行判斷、分析與分類，這存在著明顯不足：鑒定結果受人的主觀因素影響較大，在一定程度上缺乏客觀性與通用性，而且這樣的分析方法效率低，不能實現金相圖片的快速分析和復現。為了解決這一問題，目前，已有很多學者開始研究金相圖片與計算機網絡相結合的方法，以實現金相圖片的自動化處理[1][2]，然而此類技術的實現依賴于大量的金相圖片數據。在日常的實驗中，人力物力的限制會導致在某一具體的實驗研究中，圖片數據匱乏，限制了金相圖片分析技術的進一步發展。

為了解決實驗過程中金相圖片有限的問題，本文研究生成式對抗網絡[3]（GAN），探究此網絡在金相圖像領域的應用效果。2014年Lan Goodfellow提出基于零和博弈思想的生成式對抗網絡，此網絡一經提出便成為人工智能領域的研究熱點。其中，深度卷積對抗網絡（DCGAN）具有模型穩定、分析數據強的優點，可用此網絡擴充數據樣本[4][5]，從而進行金相圖片特征的普遍性研究。

1 圖像預處理

金相圖片往往包含很多影響觀察的劃痕、污漬等，為了便于觀察研究金相特征，需對圖像進行降噪處理，去掉金相顯微組織圖像中的干擾噪聲，保留有用的細節信息，從而得到高質量的金相圖片。常用的降噪方法有線性濾波法、中值濾波法、基于離散余弦變換的圖像去噪。研究發現，基于小波變換的圖像降噪方法[6]在去除金相圖片噪聲時有著較好的效果，通過低波濾波器對小波分段后的圖像進行篩選，保留圖像低頻部分的主要信息，達到降噪目的。

本文采用一種基于雙曲線閾值函數的小波閾值降噪方法，通過改進軟閾值函數得到最佳的金相去噪圖像。改進前的降噪結果為

至此，便可導入待處理的金相圖片，去除圖片的劃痕等噪聲。如此降噪后得到的恢復圖像達到了較好的處理效果，在去噪的同時保留了清晰的金相細節特征，如圖1所示：

2 生成模型

2.1 樸素GAN原理

GAN起源于零和博弈的思想，并將其結合應用到神經網絡中，構建生成網絡G（Generator）和判別網絡D（Discriminator）兩個網絡模型。其中，生成模型使新樣本圖片盡可能近似為真實樣本。而判別模型則是一個分類器，其目標是使判斷結果準確。兩大模型動態博弈，通過交替訓練以實現生成模型和對抗模型達到納什平衡，當D模型不能正確分辨出圖片來源時，可認為生成器能夠生成“真實”圖片，此圖片對后續的研究具有同真實圖片一樣的參考價值。

利用隨意梯度下降法對兩模型進行優化，建立目標函數對此模型進行監督和判斷。當給定G模型時，D模型的優化方式與常規二值分類器的訓練一樣，用交叉熵表示其目標函數，即

其中G表示生成器，D表示判斷器，x為真實數據樣本，z為隨機噪聲矢量，G(z)為噪聲矢量z在G空間上映射而成的生成數。式中第一項表示D對真實數據x標注為1，第二項表示D對由G生成的數據標注為0。

判別器D的目標是能正確區分真實數據和生成數據，當輸入為真實樣本x時應使輸出盡可能為1，而當輸入為生成數據G(z)時應使輸出盡可能為0，所以目標函數式（5）轉化為如下表達式：

生成器G與判斷器D時刻進行零和博弈，故生成器G的目標函數為

為使兩者達到某種納什平衡，故GAN結合D和G的博弈情況，其優化目標函數可表示為

當GAN搭建完成，便可以利用此網絡進行圖片生成、圖像超分辨率、圖像修復等。

2.2 利用DCGAN擴充數據集

GAN避免了反復應用馬爾可夫鏈學習機制，無需變分下限或近似推斷，極大的提高了應用效率，但難以保證G網絡模型和D網絡模型在對抗過程中保持平衡。而深度卷積生成對抗網絡[7]（DCGAN）將GAN與CNN相結合，提高了原始GAN訓練的穩定性和生成圖片的質量。

DCGAN是GAN中一個代表性模型，在樸素GAN的基礎上，引入卷積神經網絡，替換原先的生成器和判別器結構，從而有效的提高網絡的穩定性[8]。DCGAN的生成器和判別器均舍棄了CNN的池化層，其中，判別器使用卷積結構，生成器使用反卷積結構。DCGAN在生成器和判別器后的每一層加了BN層（Batch Normalization），加快訓練速度，提高穩定性。移除完全連接的隱藏層，以實現更深層次的體系結構。此外，在生成器中，除輸入層使用Tanh激活函數，其余層全部使用ReLU激活函數；在判別器中，所有層都使用LeakyReLU激活函數[7]。

將DCGAN應用到金相圖片中，可有效擴充金相圖片數據集，在大量樣本的基礎上，分析結果將更具說服力。

3 金相圖片特征分析

利用上述模型，將其應用到鋁合金固溶、軋制加工工藝[9]中，DCGAN生成的大量Al-Zn-Mg-Cu合金的金相圖片，可對其組織形貌進行特征分析。由DCGAN生成的金相圖像，圖像數據的增多，使得金相圖片的分析更具說服力。

將Al-Zn-Mg-Cu合金在470℃下固溶6h處理，研究軋制變形量對鋁合金組織和性能的影響，如圖2為具有代表性的未軋制和軋制變形量分別為8%、12%、16%的固溶鋁合金金屬試樣在蔡司顯微鏡下拍攝得到的金相圖片利用上述模型而生成的金相圖片。

圖2 固溶鋁合金金相組織處理后圖片

軋制變形量的增加，對固溶鋁合金晶粒尺寸產生一定影響,且隨著變形量的增加，合金中的孿晶數量越來越多，孿晶的方向也從單一變為交錯分布。軋制溫度的提高可以促進更多的滑移系開動，使得孿晶變得細長。

由表1可知，軋制變形量對固溶合金的加工硬化效果影響較為顯著，當變形量增加至8%時，合金硬度可達到88.16HV，比未軋制的合金硬度提高了23.27%。一定溫度范圍內，隨著軋制變形量的升高，硬度值呈升高趨勢。對于固溶處理后的鋁合金，以一定的變形量軋制后，試樣的晶粒隨著軋制變形量的增加得到細化，且孿晶數量增多、趨于交錯分布，若再將其進行經過時效處理[10]，可利用孿晶分布的特點從而更進一步提高其硬度值。

表1 固溶鋁合金的維氏硬度值（單位：HV）

4 結語

（1）GAN是深度學習領域中一個重要的模塊，此網絡具有強大的生成能力，在圖像分析領域具有重要的作用，將此網絡與相應的圖像分析方法相結合，能有效的處理樣本少、圖像質量差的問題，為大數據分析的圖像處理方法提供了保障。（2）DCGAN與GAN相比，其生成的圖片質量更高且模型穩定，在圖像生成領域將具有更廣泛的應用，結合金相圖像特征復雜的特點，DCGAN更適合用來擴充金相圖像樣本集。在研究過程中發現，DCGAN穩定性強，具有強大的圖像生成能力。（3）軋制變形量的增加使固溶鋁合金晶粒尺寸得到細化，合金中的孿晶數量增多，孿晶的方向也從單一變為交錯分布，當變形量增加至8%時，合金硬度可達到88.16HV，比未軋制的合金硬度提高了23.27%，且隨著軋制變形量的升高，硬度值呈升高趨勢。