基于自监督学习的钛合金金相组织智能识别

摘要

Ti-6Al-4V(TC4)合金因其优异的性能而成为各行业应用最广泛的钛合金之一．TC4合金的金相组织大致可分为4类：等轴组织、双相组织、魏氏组织、网篮组织，不同组织结构具有显著性能差异．由于锅炉、管道、压力容器等设备长期处于高温、高压等极端工况会导致合金材料的金相组织特征发生变化，进而显著影响TC4合金的强度、韧性、耐腐蚀性、硬度等关键性能指标．为了满足TC4合金金相组织自动高效识别的需求，开发了一种基于掩蔽重建的新型自监督分类模型(MSC-Net)，旨在克服常规深度学习模型依赖大型标注数据集的局限性．通过引入掩码重建技术，该模型能在无显式标注的情况下学习金相组织图像的复杂内在特征，并准确区分等轴组织、双相组织、魏氏组织和网篮组织等不同类型．实验结果表明，MSC-Net不仅在实验室数据集中实现了100.0%的识别准确率，且当主流模型(如ResNet和Inception v3)在手持光学显微镜图像数据集的泛化能力仅为60.4%和51.5%时，MSC-Net的准确率竟高达87.6%，展现了MSC-Net卓越的泛化性能．充分证明了本算法能有效迁移到使用便携金相显微镜采集的现场图片中进行无损检测，并能够实时、准确地识别出当前的金相组织类型．这一功能是实现服役过程中组织状态监控的基础，为设备性能评估和预测性健康维护等提供了可靠的技术支持．

关键词

无损检测 / 自监督学习 / 金相组织 / 钛合金 / 掩码自编码器 / 计算机视觉 / 模式识别