李维刚 谌竟成 谢 璐 赵云涛

(武汉科技大学冶金自动化与检测技术教育部工程研究中心 武汉 430081)

1 引言

钢的微观组织决定其使用性能，对微观组织的定性和定量研究一直都是钢铁材料领域的重要工作[1-3]。将采用适当方法(如抛光、腐蚀)处理后的实验钢试样置于光学显微镜(Optical Microscope,OM)或电子显微镜(Electron Microscope, EM)下，可观察到钢的显微组织形貌图像，即金相图[4,5]。传统上，金相图的辨识由人工完成，对人的专业经验依赖性较大，即使是经验丰富的专家也会因为肉眼看不到的图像细节而分析失误。而现代钢材种类越来越多，其内部显微组织越来越复杂，人工辨识面临巨大挑战[6,7]。

随着计算机视觉的深入发展，国内外研究者已开始将深度学习用于金相图的自动辨识问题。Pauly等人[8]使用数据挖掘方法对金相图分类，但由于不同类别间提取到的特征差异性不够，在测试集上仅获得48%的精度。Chowdhury等人[9]组合不同的特征提取和特征选择方法作用于金相图，并选择不同分类器，比较了不同组合间模型性能的差异。Azimi等人[10]采用全卷积神经网络对金相图进行分类，在所收集的数据集上能够获取90%以上的精度。文献[11]融合多种图像增强方法，并改进AlexNet, VGGNet, ResNet, GoogleNet适用于金相图，在所收集的数据集上能够获取95%以上的精度。上述研究所使用的一般均是小规模数据集，且由于人工标注困难、效率低问题，用于模型训练的已标记图像数量较少，模型泛化能力弱、实际应用困难。

图[12-14]G=(V,E)能表达非欧空间复杂数据关系[15]，图卷积(Graph Convolutional Network,GCN)可用于超维关联数据的挖掘和分析[16-18]。……