Classification and identification of tempered flexural organization of spring steel based on improved GLCM-Resnet18
Notice bibliographique
Résumé
Metallographic structure is generally judged by professionals based on existing knowledge and work experience, and the judgment results are somewhat subjective.In recent years, convolutional neural network (CNN) in deep learning methods can learn complex features in original images, widely used in the field of image classification and recognition.However, CNN require a large number of sample training to achieve good prediction results.In order to make up for the shortcomings of the subjectivity of manual judgment, and the problem that the data sets for specific problems in the field of materials engineering are often small, this study uses the grey level co-occurrence matrix (GLCM) to count the texture features of the original image, and then uses the standard Resnet18, Resnet50 and improved Resnet18 frameworks for migration training to classify and identify the grey level co-occurrence matrix of the troostite structure, in order to solve the problem of small metallographic image data sets and realize deep learning modeling of small samples.Using 490 microstructure images of spring steel tempered troostite collected by professional technicians, and each level have 98 images.The grey level co-occurrence matrix is used to count its texture information, thereby obtaining the training data set.The experimental results on this dataset show that the classification accuracy of the improved GLCM-Resnet18 can reach up to 96.52%, the highest accuracy of GLCM-Resnet18 is 95.65%, and the highest accuracy of GLCM-Resnet50 is 90.72%.It can be considered that the improved GLCM-Resnet18 method has more precise training accuracy and can basically meet the requirements of industrial applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».