基于深度學習的軸承鋼中碳化物帶狀智能評級前景與展望

錢 玲，朱曉林，黃官熙，錢林寧，許 凡，封保冬，許學斌

（江蘇省產品質量監督檢驗研究院，江蘇 南京 210007）

1 引言

高碳鉻軸承鋼屬于合金鋼中生產難度大、質量要求嚴、檢驗項目多的鋼種之一，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，生產中對軸承鋼的潔凈度、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格，是鋼鐵生產品控最嚴格的鋼種之一。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、數量、大小、比例和分布對其性能的影響增大。

軸承鋼中帶狀碳化物是由于鋼在冶煉和結晶時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，從而導致成分和組織不均勻，在開坯軋制后，這些高碳富鉻的區域沿著軋制方向形成條帶狀分布。帶狀碳化物對零件的熱處理質量、力學性能和接觸疲勞壽命等方面均有影響，且帶狀碳化物一旦生成在后續一般的淬火和回火中難以消除。軸承零件碳化物帶狀嚴重會導致組織和力學性能不均勻，影響零件的疲勞性能，降低使用壽命。因此準確可靠的碳化物帶狀檢測評級對軸承鋼的質量控制和工藝優化十分重要。

通常采用帶狀碳化物的評級檢測反映其嚴重程度，國內外現行的軸承鋼碳化物帶狀評級標準主要為GB/T 18254-2016，SEP 1520-1998 和ISO 5949-1983，GB/T 18254-2016 是根據碳化物的聚集程度、大小和形狀綜合評定，SEP 1520-1998 和ISO 5949-1983 是根據帶狀碳化物的寬度評定，但是這些檢測標準均未提供具體的量化指標，僅提供標準圖譜進行人工對比評級，導致試驗過程中人為主觀因素過多，評級時容易出現爭議，且軸承鋼檢測數量大導致人員勞動強度大，檢測效率較低。

隨著電子信息技術和人工智能技術的飛速發展，計算機視覺（Computer Vision， CV），一門研究如何讓計算機可以像人類那樣“看”的學科，被廣泛地應用于各個行業領域，如精確導航、醫療診斷、三維物體形狀分析和識別等。在材料組織分析領域，基于計算機視覺的自動金相分析也成為國內外科研人員的探索方向，使得金相分析朝著智能化、高效化方向發展。在金相自動分析領域，主要有兩類方法，一類是基于傳統的圖像處理技術，目前，現有金相自動分析軟件均是基于傳統的圖像處理技術，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，每個算法都針對某種具體情況，因此對復雜多變的材料微觀結構圖像的泛化能力較差；另一類是基于新興的機器學習和深度學習方法，利用人工智能技術高效智能地開展微觀分析，逐漸代替了傳統圖像處理算法在金相分析中的地位，國內外部分機構和學者已經開始開展使定量化和智慧化的微觀分析理論和應用研究。

2 深度學習在金相分析領域的研究現狀

2012 年，在Alex Krizhevsky 等提出深度卷積神經網絡（convolutional neural network，CNN）AlexNet，并在ILSVRC 競賽中獲勝后，深度學習作為機器學習領域中一個新的研究方向，應用于各種分類任務，并應用到金屬材料的自動金相分析中，此后，國內外有很多學者將深度學習應用于金相分析，均取得了較好的研究成果。Decost 等提出構建大型微觀組織結構數據庫，通過比較視覺特征的直方圖，支持向量機（SVM），即使使用相對較小的訓練數據集，也可以自動且高精度地將微觀結構分類為組，特征直方圖可以為可視化搜索引擎提供基礎，該引擎可以在微結構數據庫中為查詢圖像找到最佳匹配，最終，這種自動和客觀的計算機視覺系統為存檔、分析和利用微觀結構數據提供了一種新的方法，并在后期研究中成功構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據集，并開發了一套用于與顯微組織照片數據集和元數據集進行交互和探索的可視化工具。Aritra Chowdhury 等以預訓練卷積神經網絡提取枝晶的顯微結構特征，使用支持向量機、投票、最近鄰和隨機森林模型算法進行分類，對枝晶組織和非枝晶組織以及不同截面枝晶組織的識別上，均得到很高的分類精度，成功將深度學習算法應用于顯微組織圖像識別工作中。Azimi 等提出了一種基于卷積神經網絡（FCNN）的像素分割法和投票法用于低碳鋼顯微組織的分類，該方法可對低碳鋼中馬氏體、貝氏體和珠光體進行組織分類識別，可達到93.94%的分類精度。Webel 等針對珠光體、板條馬氏體和下貝氏體的分類任務，首先利用GLCM 提取SEM 圖片的紋理最后使用SVM 實現三者的精確分類。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構的形態特征作為特征向量，建立了微觀結構SVM 分類器，分類準確率到達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）四種算法對三者實現準確分類。

在國內也有越來越多的研究人員將深度學習應用到金相自動分析領域。李維剛等利用Alex Net、Vggnet 和 Goolenet 等卷積神經網絡的改進模型對掃描電鏡拍攝的鋼材微觀結構進行分類和識別，分類準確率高于93%，與基于傳統圖像處理技術的金相分析或人工識別相比，具有較高的適應性和準確度。張永志等采用不同模型對火電機組耐熱鋼顯微組織進行識別，分類準確率均在90%以上。為了高效、準確且自動地識別不同金屬材料顯微組織，消除人工識別的不確定性，基于深度學習的金屬材料顯微組織智能分類和識別研究顯得尤為重要，目前國內有多位學者在該方向上有顯著的研究成果。

除了對微觀組織進行正確分類、識別，研究人員也已經開始探索深度學習在定量金相智能化上的理論和應用研究。江蘇大學的朱建棟提出參數自適應Mean Shift 晶粒分割算法和基于結構化隨機森林的晶界提取算法，獲得較好的晶界提取效果，實現晶粒度自動評級。包金葉提出了一種基于多尺度特征融合的全卷積神經網絡晶界提取方法，然后利用VGG16 對鋼材晶界提取分割結果進行分類，準確率達到95%，并將分割網絡與分類網絡融合，實現從晶界提取分割到晶粒度智能評級一體化。羅新中等建立供神經網絡學習的高碳盤條索氏體組織素材庫，利用深度神經網絡學習技術識別模型，并采用未標記的索氏體組織圖片對模型進行測試、互動優化，成功實現索氏體定量分析的智能化。Zhu 等基于深度神經網絡算法，以人工標定的非金屬夾雜物圖片為訓練樣本，進行非金屬夾雜物的智能邊界提取、分類和評級，針對DeepLabv3+語義分割模型結合使用Dice Loss 與Focal Loss作為模型的類別預測損失和邊界預測損失，測量計算夾雜物的尺寸，實現夾雜物自動評級功能，非金屬夾雜物的分割和分類的準確率均可達90%以上。

3 技術可行性分析

深度學習在金相顯微組織識別與分類、晶粒度智能評級、非金屬夾雜物識別與評級等金相檢測項目的智能化上均得到很好的實踐，可借鑒算法模型，現有成熟的深度學習平臺和工具箱也能夠為軸承鋼碳化物帶狀識別技術的深度學習模型的建立提供支持。此外，來自蘭州理工大學的陳園園提出了基于注意力機制的改進U-Net 網絡模型，構建基于CGAN 的卷積神經網絡模型來分割GCr15 軸承鋼金相組織中未溶碳化物，分割準確率達到90%以上，再對軸承鋼中未溶碳化物顆粒的含量進行量化并計算面積占比，因此碳化物帶狀智能評級在技術上是可行的。

筆者所在的江蘇省產品質量監督檢驗研究院長期從事軸承鋼產品的相關檢測工作，承擔了數千批次的軸承鋼碳化物不均勻性的樣品制備、腐蝕、圖像采集和組織評定工作，對產品和標準理解深刻，積累了大量帶狀碳化物圖像可作為深度學習模型的訓練樣本。筆者所在單位也與軸承鋼生產企業就帶狀組織的自動識別和智能評定進行了技術交流，企業也可保證樣本采集/標定方面的工作順利實施，還可通過各種線上平臺收集大量的碳化物帶狀組織金相圖像，不斷擴充樣本數據庫。

綜上所述，基于深度學習的軸承鋼中碳化物帶狀智能評級研究在算法模型建立、數據集建立和標定等方面均具備了完善的條件，開展本項識別技術的研究切實可行。

4 前景和展望

當今，人工智能在金屬材料自動金相分析中的應用取得較好成果。計算機視覺和深度學習等信息技術的發展，為金屬材料金相分析智能化和自動化帶來了新的機遇，基于深度學習的軸承鋼中碳化物帶狀智能評級可很大程度上提升高碳鉻軸承鋼檢測效率和檢測準確性，降低勞動強度，有利于軸承鋼產品質量的提升，具有重要的實用意義。該方法的實現也可增加金屬材料自動金相分析的新方法，對于金相分析自動化和智能化的研究與應用具有重要的學術意義與應用價值，也可促進檢測水平發展，推動檢測裝備進步。