基于注意力机制与ResNet的残余奥氏体评级研究

苏晨1; 2; 任志俊1; 2; 范彪1; 2; 董俊杰1; 2

稿件处理系统

期刊信息

中国标准连：ISSN1005-2895
续出版物号： CN 33-1180/TH
主管单位：轻工业杭州机电设计研究院有限公司
主办单位：轻工业杭州机电设计研究院有限公司、中国轻工机械协会、中国轻工业机械总公司
社　　长：刘安江
主　　编：黄丽珍
地　　址：杭州市余杭区高教路970号西溪联合科技广场4-711
电子邮件：qgjxzz@126.com

理事单位 MORE>>

苏晨1,2，任志俊1,2，范彪1,2，董俊杰1,2.基于注意力机制与ResNet的残余奥氏体评级研究[J].轻工机械,2023,41(2):78-84

基于注意力机制与ResNet的残余奥氏体评级研究

Research on Retained Austenite Rating Based on Attention Mechanism and ResNet

DOI：10.3969/j.issn.1005 2895.2023.02.012

中文关键词: 残余奥氏体评级模型注意力机制 ResNet 迁移学习

英文关键词:retained austenite rating model attention mechanism ResNet transfer learning

基金项目:

作者	单位
苏晨1,2，任志俊1,2，范彪1,2，董俊杰1,2	1.江南大学机械工程学院，江苏无锡214122； 2.江南大学江苏省食品先进制造装备技术重点实验室，江苏无锡214122

摘要点击次数: 251

全文下载次数: 595

中文摘要:

针对目前残余奥氏体评级受限于金相设备与研究者的工作经验，不确定因素较多的问题，课题组采用迁移学习与CBAM优化ResNet50模型对残余奥氏体等级进行识别，并构建残余奥氏体级别评级模型，最后使用测试数据集对于模型复杂度与准确度进行验证。实验结果表明：该模型对于残余奥氏体金相图谱识别性较强，等级识别准确率达到941%，并且对于其他金相组织也有较好的泛化能力，能够满足现场检测需求。

英文摘要:

To address the problem of the current residual austenite rating limited by the metallographic equipment and the working experience of the researcher resulting in many uncertainties, migration learning and CBAM was used to optimize the ResNet50 model for retained austenite grade recognition, a residual austenite grade rating model was constructed, and finally a test data set was used to verify the complexity and accuracy of the model. The experimental results show that the model has strong recognition ability for retained austenite metallographic image with an accuracy of 94.1%, and also has good generalization ability for other metallographic structures, which can meet the needs of field inspection.

查看全文查看/发表评论下载PDF阅读器

关闭

首页 - 本刊介绍 - 本刊动态 - 在线杂志 - 投稿指南 - 杂志订阅 - 留言板