基於深度學習之鋼鐵脫碳層量測
文/ 財團法人金屬工業研究發展中心 陳鍾賢
鋼鐵工業自發展以來成為各國開發必不可缺之項目,鋼鐵在處理時需經由高溫淬火以製造材料元件,淬火時因高溫而產生的脫碳層(Decarburized layer) 可能會導致材料元件之使用壽命、硬度等大幅降低,目前脫碳層深度量測雖然有專業軟體能夠進行檢測,但因為依賴傳統計算方法進行檢測,且這種軟體仍然需要依靠人員進行手工調整,不同的操作人員會使脫碳層深度標準不一,導致耗費更多時間及人力成本,因此本文提出使用人工智慧(ArtificialIntelligence) 進行脫碳層深度量測,運用 YOLOv4-tiny 模型進行檢測,此模型具備精確度高且辨識速度較佳的顯著功能,由實驗結果證明,本文提出的模型準確率達到99% 且辨識速度也遠快於其他模型,與傳統方法相較此方法對於脫碳層深度量測效果較佳。
一、前言
脫碳層(Decarburized Layer) 是鋼鐵在經由高溫加熱時,鋼鐵材料表面含碳部分與氧化性氣體反應進而形成的區塊,脫碳層會使材料元件的強度及耐磨性大幅減弱,且使用壽命也會隨著脫碳層產生而大幅降低,對於某些特定的鋼鐵材料而言,脫碳層更會導致性能大受影響,因此脫碳層深度量測是控管材料元件品質中重要的一環,一般在處理鋼鐵材料時,會以ISO898 標準規範將脫碳層進行深度量測並將其進行切除,脫碳層深度目前依照國際標準ISO 898 的量測法分為三種:茲說明如下:
(1) 金相法:
金相法又稱為顯微測定法,是在光學顯微鏡下觀察鋼鐵材料含碳量的變化並對脫碳層最深均勻處進行隨機量測( 量測至少為5 次) 的一種方法,進而辨識脫碳層深度。
(2) 顯微硬度法:
顯微硬度法又稱為硬度量測法,利用鋼鐵材料經由熱處理後鋼鐵材料與脫碳部分硬度差異來進行脫碳層深度量測,由於淬火後鋼鐵材料的硬度會隨著含碳量增加而增高,導致脫碳層中碳元素產生不同程度的損失,因此不同位置之脫碳層硬度值也有所差異,顯微硬度法需要使用專業儀器硬度計進行量測,量測方法為在鋼鐵材料表面上使用硬度計進行量測,由鋼鐵材料邊緣往中心進行量測,當硬度值達到標準值後進行量測即可得到脫碳層深度。
(3) 碳含量測定法:
碳含量測定法是一種直接對鋼鐵材料進行量測的方法,碳含量測定法分為兩種:化學分析法及光譜分析法。兩者皆是通過量測鋼鐵材料不同層深處的含碳量以此辨識脫碳層深度。
而上述方法均須使用精密儀器及設備進行量測,雖有不錯的效果,但仍需專業人員及儀器輔助,造成人員及經費的損失,而傳統脫碳層量測近年來亦有不少成果,針對脫碳層中Kahrobaee 等人 [1] 對於脫碳層的磁性進行研究,發現脫碳表面及核心由於結構不同而導致保磁性、磁飽和度及波來鐵百分比等磁性能與脫碳層深度具有相關性,利用這些特性將電磁傳感器於脫碳層深度進行測量,最後於最佳頻率下找出脫碳層深度與響應之間的關聯性,發現使用歸一化阻抗與諧波模量獲得最佳結果。
Stupakov 等人 [2] 發現巴克豪森效應中的保磁性對於測量脫碳層深度有良好的穩定性及敏感性,因此使用巴克豪森噪聲技術對脫碳層深度進行測量。然而這些基於脫碳層中磁性含量使用儀器進行的先驗無法有效及大量處理脫碳層深度,這些方法大多需要依靠人工調整參數或耗費大量儀器成本以完成量測,然而在現實的情況下,可能會發生各種情況導致儀器或手工調整產生損壞及誤差等事件,這些可能會耗費大量人力成本及儀器成本,因此這些方法無法大量應用於現實的脫碳層深度量測。
對於脫碳層深度的處理,研究學者們引入影像處理的方法結合金相法,Huang 等人 [3]提出了通過比較脫碳層影像由邊緣至核心區域的灰階梯度變化的方法進行影像處理,藉由灰階梯度直方圖急遽下降的同一時間,將邊緣至該位置定義為脫碳層深度,同時若直方圖不斷縮減且於某一點停止縮減,則將邊緣至縮減的點定義為完全脫碳層深度,將此建立基於雲端的金相研究平台,通過這種方法,檢測人員可以藉由可攜性裝置直接脫碳層深度,然而此種方法是由雲端運算系統進行處理後傳至可攜式裝置上結果顯示,因此無法完成及時運算且這種方法需要為檢測人員配置可攜式裝置,造成耗費的器材成本過多。
由於上述方法的量測結果均有多種條件限制以及效果不佳的結果,因此目前脫碳層量測方法大多仍以專業人士憑目視為主要辨識方法,導致因人員不同而產生脫碳層深度量測有所差異。根據以上所述,本文提出以深度學習方法進行脫碳層深度量測,減少傳統方法以及人員的誤判發生,藉此達到準確率及辨識速度提升。
二、研究方法
隨著深度學習技術日漸成熟,卷積神經網路(Convolutional Neural Network,CNN)開始獲得許多產業重視,許多人開始關注並研究卷積神經網路,目前最常被應用的方法為You Only Look Once(YOLO) 系列網路架構,為了達成精準辨識脫碳層深度且辨識速度維持一定的標準,本文運用YOLOv4-tiny 的神經網路架構進行脫碳層深度量測,取代傳統方法需要使用精密儀器或人工的方法以達成方便、快速的量測脫碳層深度。
YOLO 系列的網路架構,具有較佳的精確度且具即時識別的特性。Redmon [4] 等人提出基於R-CNN 的YOLOv1,YOLOv1 與R-CNN 系列網路架構相較其大幅提升速度,而後YOLO 系列的作者提出YOLO9000 將諸多深度學習演算法進行統合應用至此,提升了一個層次,然而無論是YOLOv1 或YOLOv2對於小目標檢測效果並沒有顯著的成果,因此作者提出YOLOv3 [5] 通過多尺度進行預測並應用於大中小目標檢測中,作者將網路架溝分為骨架、頸(Neck)以及頭(Head),當中以骨架作為特徵擷取的部分、Neck 是通過特徵金字塔網路(Feature Pyramid Network,FPN) 等網路進行更有效的利用由骨架提取到的特徵,Head 則是藉由提取的特徵進行最終預測,YOLOv3 網路與其他方法比較下來準確度不僅維持且速度比其他方法更快了。
為了加強YOLOv3 網路以達到速度更快準確度更高的效果,2020 年YOLOv4 [6] 網路問世,骨架使用了CSPDarknet53 取代了YOLOv3 的Darknet53,Neck 的部分沿用YOLOv3 中的空間金字塔池化(Spatial Pyramid Pooling,SPP) 與路徑聚合網路(Path AggregationNetwork,PAN),Head 則是沿用YOLOv3,實驗結果證明與YOLOv3 相較之下運算量大幅減少,準確提高以外也提升特徵影像的強度。YOLOv4 提出至今,先後提出各種YOLO 系列網路改良版本, 例如YOLOv4-tiny、YOLOFastest[7]、YOLOv5 等網路架構,本文針對YOLOv4-tiny 進行簡單介紹,YOLOv4-tiny網路是YOLOv4 網路精簡版,是將YOLOv4輕量化以後的模型,YOLOv4-tiny 網路架構如圖一所示,將骨架中的CSPDarknet53 移除並以CSPDarknet53-tiny 進行替代方案,Neck的部分則是沿用特徵金字塔網路但只針對大目標與中目標進行檢測大幅提升了檢測速度。
YOLOv4-tiny 與YOLOv4 相較雖僅具有辨識中、大型目標的效果,但辨識速度可達即時的效果,因鋼鐵的脫碳層均是在顯微鏡下檢測(如圖二所示),導致脫碳層的檢測面積不需檢測到小目標,因此本文運用YOLOv4-tiny 網路架構進行脫碳層檢測,不但可精確地偵測到脫碳層深度,且可達到即時的效果。
為了使模型更加強健,本文制定一套流程將模型進行重新訓練以確保模型品質,脫碳層深度量測流程如圖三所示,我們結合多位專家專業知識針對脫碳層深度影像進行標籤(Label)後,將標籤後影像輸入至YOLOv4-tiny 模型進行訓練以獲得一個具備優秀辨識效果的模型,我們將獲得的模型中類別檔、權重檔與脫碳層影像通過脫碳層深度量測軟體由操作人員將脫碳層影像校正後進行再訓練(Re-training),經由多次訓練後可以使模型更加穩定,對於辨識脫碳層深度影像效果更佳。本文期望操作人員藉由此流程能夠確保模型對於脫碳層深度量測能夠更加準確,搭配脫碳層深度量測軟體並依照流程步驟進行能使模型變得更完整,日後操作人員即使沒有具備任何相關基礎知識下也能夠使用此軟體對脫碳層影像進行深度量測。
三、實驗成果
本文由金屬工業研究發展中心的實驗室蒐集脫碳層數據集,並對所蒐集影像數據集進行影像擴充,增加訓練樣本並確保模型完整度,通過實驗驗證且與其他模型方法進行比較,由實驗結果證明,YOLOv4-tiny 模型對於脫碳層檢測效果最佳,期望通過此模型使操作人員能夠更方便且快速辨識脫碳層深度並能對脫碳層進行切除,以確保使用產品的品質。
本文蒐集從金屬工業研究發展中心實驗室中專業操作人員所拍攝的脫碳層數據集,將數據集進行訓練,金屬工業研究發展中心使用的光學顯微鏡為Zeiss Axiovert 200,如圖四所示,我們基於此解析度針對脫碳層影像進行縮放,由於光學顯位鏡Zeiss Axiovert200 所拍攝之影像解析度過高(3456×2304pixels),輸入至模型訓練會耗費大量時間,與我們期望達成目的不一致,因此本文將影像縮放至800×544 pixels 並對影像進行訓練,金屬工業研究發展中心所拍攝脫碳層影像總計約2400 張,由於訓練時需要使用大量數據集以確保維持模型準確度,因此我們通過影像處理藉由將影像鏡像後,獲得約4800張金相影像。
由於目前並沒有其他通過深度學習的方法進行脫碳層深度量測能夠與本文進行實驗結果比較,為驗證本方法之效能,本文比較目前較具效能的四種深度學習方法,通過使用各種模型進行脫碳層深度量測,所有模型皆進行50000 次訓練以確保各個模型皆完整學習,經實驗後YOLOv4-tiny 模型獲得準確度高達98.1%,我們將提出的方法與其他方法進行比較,如表一所示,在準確度方面與YOLOv4模型效果相近且只大小只佔YOLOv4 模型的0.05 倍,雖然模型略大於YOLOv3-tiny 但是相比之下準確度高了許多;實驗結果證明,我們提出的模型效果對於脫碳層影像具有極佳的辨識效果( 如圖五所示)。
四、結論
現今脫碳層仍需要以人工方法進行測量並切除,可能因不同操作人員判別位置不一導致脫碳層深度有不一致的深度,在脫碳層深度量測的相關文獻中,傳統方法是通過使用專業儀器對脫碳層進行量測並找出脫碳層深度與磁性能之間存在的關係,二值化方法是藉由計算影像中的數值轉化成直方圖後觀察遞減的區域並將其定義為脫碳層深度,上述方法的量測結果均受限於多種條件以及檢測效果不佳的狀況。本文運用深度學習對脫碳層深度進行學習,從金屬工業研究發展中心蒐集脫碳層金相數據集,並將數據集放入模型進行訓練,進而取得完整模型。本文參考YOLO 系列網路架構並運用 YOLOv4-tiny 方法,我們期望通過此方法能夠針對單一目標進行快速檢測,與YOLOv3、YOLOv4、YOLOv3-tiny 模型比較結果得知,YOLOv4-tiny 的模型在脫碳層深度量測方面展現較佳的準確率,並維持一定標準的檢測速度。
|