何維娜，張麗麗

（西安工業(yè)大學(xué) 計(jì)算機(jī)與工程學(xué)院，陜西 西安 710021）

人工神經(jīng)網(wǎng)絡(luò)在人工智能與模式識(shí)別領(lǐng)域應(yīng)用非常廣泛。由于其具有的高并行度，相當(dāng)?shù)胤诸?lèi)速度和利用樣本學(xué)習(xí)的能力，使其在涉及形狀識(shí)別領(lǐng)域的應(yīng)用更加廣泛[1]。人工神經(jīng)網(wǎng)絡(luò)的最小單元是人工神經(jīng)元，人工神經(jīng)元是對(duì)實(shí)際神經(jīng)系統(tǒng)中自然神經(jīng)元的數(shù)學(xué)表征。材料科學(xué)是人工神經(jīng)網(wǎng)絡(luò)應(yīng)用較為廣泛地幾個(gè)領(lǐng)域之一。例如，人工神經(jīng)網(wǎng)絡(luò)在焊接質(zhì)量控制中的應(yīng)用，在管道焊接中用于建立焊接參數(shù)，在鋼材料中用于建立微結(jié)構(gòu)與機(jī)械性能的復(fù)合模型，用于建立鈦合金熱成型應(yīng)變模型，預(yù)測(cè)奧貝球墨鑄鐵性能，預(yù)測(cè)碳鋼中碳含量和晶粒大小，用于獲得陶瓷矩陣的組成單元，預(yù)測(cè)合金元素模型中的應(yīng)力和顯微組織演變，對(duì)金屬顯微圖像中微結(jié)構(gòu)進(jìn)行分割和定量分析，鋼在蠕變條件下工作時(shí)內(nèi)部損壞地分類(lèi)和實(shí)現(xiàn)球墨鑄鐵形態(tài)分析中的最佳圖像二值化等[2-4]。人工神經(jīng)網(wǎng)絡(luò)也已非常適用于執(zhí)行圖像分割的任務(wù)。其實(shí)，許多必須基于人工神經(jīng)網(wǎng)絡(luò)的計(jì)算型視覺(jué)系統(tǒng)的開(kāi)發(fā)主要是因?yàn)槠渚哂械闹饕攸c(diǎn)，如魯棒性，執(zhí)行速度和可行性地并行實(shí)施。

文中考察了模式識(shí)別領(lǐng)域常用地兩種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：基于BP算法（監(jiān)督算法）的MLP結(jié)構(gòu)和基于K算法（非監(jiān)督算法）的SOM結(jié)構(gòu)。這兩種方法被用來(lái)對(duì)金相圖像中的顯微結(jié)構(gòu)進(jìn)行分割和對(duì)比。為了實(shí)際評(píng)價(jià)分割地效果，文中考察了球墨鑄鐵、可鍛鑄鐵和灰鑄鐵的顯微結(jié)構(gòu)。選擇這些材料的原因是由于其在工業(yè)領(lǐng)域的廣泛應(yīng)用，例如，機(jī)座結(jié)構(gòu)，分層氣瓶，閥門(mén)和泵的主體結(jié)構(gòu)，齒輪元素等。

1 多層感知器神經(jīng)網(wǎng)絡(luò)

人類(lèi)的大腦是由約10億個(gè)神經(jīng)元組成，腦組織的結(jié)構(gòu)和功能復(fù)雜性高。所以，這些單元密集的內(nèi)在聯(lián)系形成了一個(gè)非常復(fù)雜的邏輯架構(gòu)，至今仍是任何人工智能系統(tǒng)無(wú)法達(dá)到的。人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)是期望能夠模擬人類(lèi)大腦的潛能，特別是其學(xué)習(xí)能力[5]。第一個(gè)神經(jīng)元數(shù)學(xué)模型是由McCulloch和Pitts[6]提出的。它有一個(gè)二進(jìn)制輸出端和幾個(gè)輸入端，每一個(gè)都帶有不同的興奮或抑制增益。這些增益被稱(chēng)為突觸權(quán)重（或權(quán)重）。輸入信號(hào)值和相關(guān)權(quán)重確定神經(jīng)元的輸出[5]。

因此，感知器或人工神經(jīng)元是一個(gè)神經(jīng)元細(xì)胞的數(shù)學(xué)模型，并且這些基本單元最終組成了人工神經(jīng)網(wǎng)絡(luò)。感知器架構(gòu)包含一系列的輸入（xi）n，每一個(gè)都包含相關(guān)的權(quán)向量（wi）和激活函數(shù)（fi）?？筛兄M織形成一個(gè)感知層，其中所有的感知器都鏈接相同的輸入，但輸出是不同的。這種網(wǎng)絡(luò)被定義為感知器網(wǎng)絡(luò)。只有被用來(lái)識(shí)別的圖案是線性可分離的，單層感知網(wǎng)絡(luò)才可以實(shí)現(xiàn)其良好的性能[5]，因此，單層感知網(wǎng)絡(luò)不能被用來(lái)解決復(fù)雜的分類(lèi)問(wèn)題，涉及非線性可分模式，通常用多層感知器網(wǎng)絡(luò)來(lái)代替。

1.1 MLP架構(gòu)

MLP是由一個(gè)輸入層（Xi），一個(gè)或多個(gè)中間層或隱藏層和一個(gè)輸出層（Y）構(gòu)成。每一層都可以被定義成一個(gè)權(quán)向量矩陣（W）。這種人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)可以解決涉及非線性可分模式的分類(lèi)問(wèn)題并可以作為一個(gè)通用函數(shù)發(fā)生器[5]。

多層感知器網(wǎng)絡(luò)包括訓(xùn)練和執(zhí)行兩個(gè)不同的階段。在訓(xùn)練階段，不能直接使用普通的三角規(guī)則[5]，因?yàn)槿且?guī)則不允許重復(fù)計(jì)算隱藏層的權(quán)重。因此，MLP訓(xùn)練算法的最廣泛算法是BP算法及其變種。這種學(xué)習(xí)方法比單層感知器網(wǎng)絡(luò)更復(fù)雜[6]。

1.2 BP算法

標(biāo)準(zhǔn)的BP算法是訓(xùn)練神經(jīng)網(wǎng)絡(luò)最常用的算法[5]。該算法通過(guò)隨機(jī)地初始化權(quán)值和將神經(jīng)網(wǎng)絡(luò)樣本作為輸入信號(hào)來(lái)實(shí)現(xiàn)的，這個(gè)信號(hào)通過(guò)隱藏層的傳播處理實(shí)現(xiàn)輸出層的輸出。而權(quán)值則是通過(guò)下面方程來(lái)進(jìn)行修正和調(diào)整：

式中，i是當(dāng)前神經(jīng)元的輸入，j為神經(jīng)元，l是當(dāng)前層，s是神經(jīng)元的輸出，d為期望輸出。最后，重復(fù)此過(guò)程直到誤差小于之前設(shè)定的閾值。

該算法存在一些缺點(diǎn)，例如：1）易形成局部極?。▽儇澙匪惴?，局部最優(yōu)）而得不到全局最優(yōu)；2）訓(xùn)練次數(shù)多使得學(xué)習(xí)效率低下，收斂速度慢（需做大量運(yùn)算）等。

1.3 MLP的拓?fù)浣Y(jié)構(gòu)

文中使用了兩層結(jié)構(gòu)的MLP。由于文中主要目的是從金相圖中分割出材料的微結(jié)構(gòu)，并將金相圖像的像素分類(lèi)為石墨結(jié)構(gòu)，珍珠巖結(jié)構(gòu)或鐵氧體結(jié)構(gòu)這些材料顯微結(jié)構(gòu)。因此，選擇3/2/3（三路輸入，兩個(gè)隱層感知器和3個(gè)輸出層感知器）的拓?fù)浣Y(jié)構(gòu)。對(duì)于每一個(gè)輸入分配一個(gè)顏色組件（R，G和B），這些顏色組件對(duì)應(yīng)被分割圖像的一種像素類(lèi)型。每個(gè)輸出被分配給3種可能的像素分類(lèi)：石墨結(jié)構(gòu)，珍珠巖結(jié)構(gòu)或鐵氧體結(jié)構(gòu)。隱藏層感知器數(shù)量的建立使用由YIN[7]等人提出的方法。最后進(jìn)行顯微定量，每一種分割后的顯微結(jié)構(gòu)所相關(guān)的像素被計(jì)數(shù)并且計(jì)算其在整體圖像中所占的百分比。正如已經(jīng)提到的，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)使用的是BP算法，而實(shí)驗(yàn)考察的是具有代表性輸入圖像的幾類(lèi)微觀像素。應(yīng)指出的是，一旦各種金屬材料被分割出來(lái)之后，訓(xùn)練階段就宣告完成。

2 SOM網(wǎng)絡(luò)

自組織映射（Self-Organizing Maps，SOM）神經(jīng)網(wǎng)絡(luò)是由Kohonen[8]提出地包含在前反饋神經(jīng)網(wǎng)絡(luò)中使用非監(jiān)督訓(xùn)練的一種拓?fù)浣Y(jié)構(gòu)。Kohonen的SOM神經(jīng)網(wǎng)絡(luò)在對(duì)外部信息輸入形成拓?fù)溆成浣Y(jié)構(gòu)的過(guò)程中，具有和人腦信息映射相類(lèi)似的兩個(gè)特點(diǎn)[9]：1）拓?fù)溆成浣Y(jié)構(gòu)不是通過(guò)神經(jīng)元的移動(dòng)重新組織實(shí)現(xiàn)的，而是由各個(gè)神經(jīng)元在不同興奮狀態(tài)下構(gòu)成一個(gè)整體所形成的拓?fù)浣Y(jié)構(gòu)；2）這種拓?fù)溆成浣Y(jié)構(gòu)的形成具有自織特點(diǎn)。因此，和反向傳播網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）等一類(lèi)有監(jiān)督學(xué)習(xí)的方法相比較，SOM神經(jīng)網(wǎng)絡(luò)算法更接近于人腦的認(rèn)知過(guò)程。

SOM神經(jīng)網(wǎng)絡(luò)是一種前饋式無(wú)監(jiān)督的學(xué)習(xí)網(wǎng)絡(luò)，它由兩層即輸入層和輸出層組成。其結(jié)構(gòu)如圖1所示。

圖1 SOM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.1 Models of self-organizing Map Networks

圖1中I1、I2為輸入層神經(jīng)元。輸入層又稱(chēng)為匹配層，計(jì)算輸入模式向量與權(quán)向量之間的距離，即匹配程度。輸入層神經(jīng)元的個(gè)數(shù)即為輸入數(shù)據(jù)的維數(shù)。K為輸出層神經(jīng)元。輸出層又稱(chēng)為競(jìng)爭(zhēng)層，各神經(jīng)元以匹配程度為依據(jù)進(jìn)行競(jìng)爭(zhēng)，確定匹配程度大（距離?。┑纳窠?jīng)元獲勝。獲勝的神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權(quán)向量朝與模式向量更靠近的方向更新，其它神經(jīng)元的權(quán)值向量保持不變。經(jīng)過(guò)多次反復(fù)的這種競(jìng)爭(zhēng)與更新，最終神經(jīng)元就會(huì)學(xué)會(huì)模式向量，并以權(quán)向量的形式保存下來(lái)，這一過(guò)程就是自組織學(xué)習(xí)（映射）?？梢?jiàn)SOM神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)映射包括兩部分：最佳匹配神經(jīng)元的選擇和權(quán)向量的更新。

SOM神經(jīng)網(wǎng)絡(luò)中每一個(gè)神經(jīng)元都代表一個(gè)輸出。這個(gè)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)的另一個(gè)特點(diǎn)是，其中的神經(jīng)元是完全連接（突觸連接）的。因此，如果有10個(gè)輸入端，那么每個(gè)神經(jīng)元也相應(yīng)的有10個(gè)輸入端，每一個(gè)神經(jīng)元都與輸入層有一個(gè)連接點(diǎn)。每個(gè)突觸連接都對(duì)應(yīng)一個(gè)權(quán)向量，如果網(wǎng)絡(luò)中存在10個(gè)輸入點(diǎn)，3個(gè)神經(jīng)元，那么就應(yīng)該有30連接（每一個(gè)神經(jīng)元有10個(gè)）相應(yīng)的就有30個(gè)突觸權(quán)向量（每一個(gè)神經(jīng)元有10個(gè)）。

2.1 近 鄰

自組織映射網(wǎng)絡(luò)中的神經(jīng)元及其周?chē)纳窠?jīng)元可以通過(guò)一定的拓?fù)潢P(guān)系而組織起來(lái)，從而使得它們能夠?qū)o定的刺激具有最佳的反饋。這種特性與人腦中神經(jīng)元的活動(dòng)是相似的，即以獲勝神經(jīng)元為圓心，對(duì)近鄰的神經(jīng)元表現(xiàn)出興奮性側(cè)反饋，而對(duì)遠(yuǎn)鄰的神經(jīng)元表現(xiàn)出抑制性側(cè)反饋，近鄰者相互激勵(lì)，遠(yuǎn)鄰者相互抑制。

2.2 神經(jīng)元自適應(yīng)

神經(jīng)元自適應(yīng)包括權(quán)向量調(diào)整，搜索對(duì)確定刺激的反應(yīng)改善。實(shí)現(xiàn)權(quán)向量調(diào)整的第一步就是確定獲勝神經(jīng)元。而獲勝神經(jīng)元就是輸入模式向量與權(quán)向量之間歐氏距離dt（n）最短的神經(jīng)元，計(jì)算公式如下：

式中，xt（i）是時(shí)刻 t的第 i個(gè)輸入向量，wn，t（i） 是神經(jīng)元 n在時(shí)刻t的第i個(gè)權(quán)向量，i是I個(gè)輸入端網(wǎng)絡(luò)的輸入向量和權(quán)向量的系數(shù)，dt（n）是神經(jīng)元n在時(shí)刻t的歐氏距離。

事實(shí)上，最小歐式距離的神經(jīng)元就是權(quán)向量值與輸入向量值最接近的那個(gè)。如此以來(lái)，在每一次迭代中，獲勝的神經(jīng)元及其鄰域內(nèi)的神經(jīng)元權(quán)向量朝與模式向量更靠近的方向更新，其他神經(jīng)元的權(quán)值向量保持不變。權(quán)向量的調(diào)整在接下來(lái)的t+1時(shí)刻也是同樣的適應(yīng)過(guò)程。而臨近神經(jīng)元權(quán)向量的調(diào)整也是遵循同樣的準(zhǔn)則，如下所示：

式中，0＜as（t）＜1 為學(xué)習(xí)速率，是一個(gè)增益函數(shù)，隨時(shí)間而減小。

2.3 迭 代

迭代或世代的次數(shù)與被提取的輸入模式的次數(shù)有關(guān)。每一個(gè)世代中，都必須提取所有的輸入數(shù)據(jù)。而每一個(gè)輸入模式都有一個(gè)獲勝神經(jīng)元被確定下來(lái)。接著，獲勝神經(jīng)元及其鄰近神經(jīng)元的權(quán)向量開(kāi)始自我調(diào)整。當(dāng)上一個(gè)輸入模式被提取之后，一個(gè)新的世代就會(huì)開(kāi)始并且所有的輸入數(shù)據(jù)被再次提取。

2.4 SOM網(wǎng)絡(luò)的訓(xùn)練算法

1）確定迭代的次數(shù)；

2）使用隨機(jī)值對(duì)網(wǎng)絡(luò)權(quán)向量進(jìn)行初始化；

3）確定每個(gè)神經(jīng)元的初始鄰里半徑（這是最初的鄰里半徑建議使用整個(gè)網(wǎng)絡(luò)的初始半徑）；

4）給網(wǎng)絡(luò)提供一個(gè)輸入；

5）根據(jù)歐氏距離計(jì)算每個(gè)神經(jīng)元的輸出；

6）選擇獲勝神經(jīng)元；

7）更新或者調(diào)整獲勝神經(jīng)元及其鄰域內(nèi)神經(jīng)元權(quán)向量；

8）如果依舊存在近鄰，就減小鄰近半徑；

9）如果仍然存在輸入數(shù)據(jù)，返回步驟4；

10）增加世代數(shù)量，如果允許的最大世代數(shù)量仍未實(shí)現(xiàn)，返回步驟4并且再次提取所有輸入數(shù)據(jù)；

非常重要的是，初始的權(quán)向量值必須是與每一個(gè)輸入數(shù)據(jù)不同并且小于輸入數(shù)據(jù)的；否則，就不會(huì)出現(xiàn)自組織的映射和競(jìng)爭(zhēng)。

2.5 獲勝神經(jīng)元

訓(xùn)練結(jié)束之后，就可以根據(jù)輸入模式的分類(lèi)對(duì)每一個(gè)神經(jīng)元進(jìn)行標(biāo)記。事實(shí)上有多個(gè)神經(jīng)元會(huì)因?yàn)猷徑窠?jīng)元的原因而被歸為同一對(duì)象。如果發(fā)生了這種現(xiàn)象，就需要對(duì)計(jì)算結(jié)果進(jìn)行必要的后處理。

2.6 SOM網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

文中所用到的SOM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是1維的，并且其主要的任務(wù)是實(shí)現(xiàn)對(duì)金相圖像材料顯微結(jié)構(gòu)的分割。SOM網(wǎng)絡(luò)是被用來(lái)識(shí)別金相圖像的像素顆粒屬于石墨結(jié)構(gòu)，珍珠巖結(jié)構(gòu)或鐵氧體結(jié)構(gòu)中的某一種，因此，需要有3個(gè)神經(jīng)元節(jié)點(diǎn)，并且每個(gè)神經(jīng)元有3個(gè)輸入的網(wǎng)絡(luò)。而由于圖像中每個(gè)像素的值包含R、G、B 3個(gè)分量，所以每一個(gè)輸入點(diǎn)對(duì)應(yīng)R、G、B中的一個(gè)分量，即輸入數(shù)據(jù)的維數(shù)為3。而每一個(gè)神經(jīng)元對(duì)應(yīng)石墨結(jié)構(gòu)，珍珠巖結(jié)構(gòu)或鐵氧體結(jié)構(gòu)中的一類(lèi)。為了實(shí)現(xiàn)定量分析，要對(duì)分割出來(lái)的各個(gè)像素進(jìn)行計(jì)數(shù)和所占相對(duì)百分比的計(jì)算。用來(lái)訓(xùn)練網(wǎng)絡(luò)的Kohonen訓(xùn)練算法。

3 結(jié)果和討論

文中的目的是分割金相圖像中的材料微觀結(jié)構(gòu)，因此，文中使用了兩種人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)識(shí)別石墨結(jié)構(gòu)，珍珠巖結(jié)構(gòu)或鐵氧體結(jié)構(gòu)這3種微觀結(jié)構(gòu)。并且通過(guò)使用MLP和SOM對(duì)球墨鑄鐵、可鍛鑄鐵和灰鑄鐵的分割應(yīng)用獲得了實(shí)驗(yàn)結(jié)果。

前面的章節(jié)介紹了MLP和SOM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，但是兩種網(wǎng)絡(luò)結(jié)構(gòu)都只能用來(lái)把材料微觀結(jié)構(gòu)分成兩類(lèi)，一類(lèi)代表石墨結(jié)構(gòu)（輸入圖像中的黑色部分），另一類(lèi)代表珍珠巖或鐵氧體結(jié)構(gòu)（輸入圖像中的灰色部分）。珍珠巖/鐵氧體結(jié)構(gòu)被歸為一個(gè)類(lèi)別是因?yàn)檫@兩種結(jié)構(gòu)在視覺(jué)上不能被有效地區(qū)分。

文中所用到的輸入圖像的像素是640×480；MLP所用的是BP算法，學(xué)習(xí)率是0.1，最大迭代次數(shù)為2 500，絕對(duì)誤差＜0.01；SOM在訓(xùn)練時(shí)所用的是Kohonen算法，學(xué)習(xí)率為0.1，最大迭代次數(shù)為2 500。

表1是使用MLP和SOM對(duì)球墨鑄鐵處理的結(jié)果。從表1中可以發(fā)現(xiàn)，兩者處理的結(jié)果最大相差了5.7%（如樣本7），最小相差了0.99%（如樣本10）；進(jìn)一步計(jì)算可以發(fā)現(xiàn)MLP分割后，圖像中石墨結(jié)構(gòu)的平均含量是12.62%，珍珠巖/鐵氧體結(jié)構(gòu)的平均含量是87.28%；而SOM分割后的圖像中這一含量分別為15.67%和84.23%；兩種方法處理后的差異率平均值為3.05%。

圖2是處理前后的球墨鑄鐵金相圖，圖2（a）是原始的球墨鑄鐵金相圖，圖 2（b）和（c）分別是 MLP和 SOM分割后得到的球墨鑄鐵金相圖；綜合圖和表中的結(jié)果可以發(fā)現(xiàn)，MLP分割處理的結(jié)果比SOM分割處理的結(jié)果更加精確，因?yàn)镾OM把部分珍珠巖/鐵氧體結(jié)構(gòu)錯(cuò)誤地歸類(lèi)為石墨結(jié)構(gòu)。

表2是使用MLP和SOM對(duì)灰鑄鐵處理的結(jié)果，從表2中可以發(fā)現(xiàn)，兩者處理的結(jié)果最大相差了14.73%（如樣本9），最小相差了1.83%（如樣本7）；進(jìn)一步計(jì)算可以發(fā)現(xiàn)MLP分割后，圖像中石墨結(jié)構(gòu)的平均含量是12.71%，珍珠巖/鐵氧體結(jié)構(gòu)的平均含量是87.29%；而SOM分割后的圖像中這一含量分別為21.79%和78.21%；兩種方法處理后的差異率平均值為9.08%。

表1 MLP和SOM對(duì)球墨鑄鐵金相圖分割的結(jié)果Tab.1 Results obtained using MLP and som based neural networks on samples of a nodular cast iron

圖3是處理前后的灰鑄鐵金相圖，圖3（a）是原始的灰鑄鐵金相圖，圖 3（b）和（c）分別是 MLP和 SOM分割后得到的灰鑄鐵金相圖。

綜合圖3和表2中的結(jié)果可以發(fā)現(xiàn)，MLP分割處理的結(jié)果比SOM分割處理的結(jié)果更加精確，這與對(duì)球墨鑄鐵分析的結(jié)果非常相近，同樣是因?yàn)镾OM把部分珍珠巖/鐵氧體結(jié)構(gòu)錯(cuò)誤地歸類(lèi)為石墨結(jié)構(gòu)。

表3是使用MLP和SOM對(duì)可鍛鑄鐵處理的結(jié)果，從表3可以發(fā)現(xiàn)，兩者處理的結(jié)果最大相差了5.69%（如樣本6），最小相差了1.66%（如樣本1）；進(jìn)一步計(jì)算可以發(fā)現(xiàn)MLP分割后，圖像中石墨結(jié)構(gòu)的平均含量是14.44%，珍珠巖/鐵氧體結(jié)構(gòu)的平均含量是85.56%；而SOM分割后的圖像中這一含量分別為18.45%和81.55%；兩種方法處理后的差異率平均值為2.89%。

圖2 處理前后的球墨鑄鐵金相圖Fig.2 Qriginal image of a nodular cast iron

表2 MLP和SOM對(duì)灰鑄鐵金相圖分割的結(jié)果Tab.2 Results obtained using MLP and SOM based neural networks on samples of a gray cast iron

圖4是處理前后的可鍛鑄鐵金相圖，圖（a）是原始的可鍛鑄鐵金相圖，圖（b）和（c）分別是 MLP和SOM分割后得到的可鍛鑄鐵金相圖。

從上面的結(jié)果可以發(fā)現(xiàn)，利用MLP和SOM對(duì)樣品1處理的結(jié)果非常相近，而對(duì)樣品6處理的結(jié)果相差很大，從圖4（c）可以發(fā)現(xiàn)，是因?yàn)镾OM把大部分珍珠巖/鐵氧體結(jié)構(gòu)錯(cuò)誤地歸類(lèi)為石墨結(jié)構(gòu)，而MLP可以正確地將石墨結(jié)構(gòu)分割出來(lái)造成的。

從MLP和SOM神經(jīng)網(wǎng)絡(luò)對(duì)球墨鑄鐵、灰鑄鐵和可鍛鑄鐵金相圖分割的結(jié)果來(lái)分析，可以發(fā)現(xiàn)當(dāng)輸入圖像的背景不夠均勻時(shí)會(huì)對(duì)成功分割石墨結(jié)構(gòu)造成一定的困難；但是，MLP網(wǎng)絡(luò)可以有效地將其分割提取出來(lái)。即使輸入圖像的質(zhì)量較差，MLP網(wǎng)絡(luò)仍然能自適應(yīng)地和順利地對(duì)金相圖像顯微結(jié)構(gòu)實(shí)現(xiàn)有效地自動(dòng)化分割。另外，相比SOM網(wǎng)絡(luò)，MLP網(wǎng)絡(luò)實(shí)現(xiàn)顯微結(jié)構(gòu)的分割所需的時(shí)間更短。

4 結(jié) 論

圖3 處理前后的灰鑄鐵金相圖Fig.3 Original image of a gray cast iron

表3 MLP和SOM對(duì)可鍛鑄鐵金相圖分割的結(jié)果Tab.3 Results obtained using MLP and SOM based neural networks on samples of a malleahe cast iron

圖4 處理前后的可鍛鑄鐵金相圖Fig.4 Original image of a malleable cast iron

文中利用MLP網(wǎng)絡(luò)和SOM網(wǎng)絡(luò)對(duì)金相圖像中的微觀結(jié)構(gòu)進(jìn)行了分割。其中MLP網(wǎng)絡(luò)是基于BP算法的，而SOM網(wǎng)絡(luò)則是基于Kohonen算法。在圖像采集過(guò)程中，這兩種方法相比傳統(tǒng)的分割方法，例如閾值法，對(duì)噪聲和無(wú)規(guī)律照明有更強(qiáng)的魯棒性。對(duì)比分析使用MLP網(wǎng)絡(luò)和SOM網(wǎng)絡(luò)對(duì)球墨鑄鐵、灰鑄鐵和可鍛鑄鐵金相圖的分割結(jié)果可以發(fā)現(xiàn)使用MLP網(wǎng)絡(luò)的分割效果更佳。據(jù)此，可以推斷MLP網(wǎng)絡(luò)能夠成功地應(yīng)用于材料科學(xué)領(lǐng)域，特別是用于對(duì)金相圖像中微觀結(jié)構(gòu)的分割和處理。另外，相比SOM網(wǎng)絡(luò)，MLP網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是分割所用的時(shí)間更少和圖像分割質(zhì)量更佳。

[1]Samarasinghe S.Neural Networks for Applied Sciences and Engineering:From Fundamentals to Complex Pattern Recognition[M].Philadelphia， PA:Auerbach Publications，2006.

[2]Biernacki R，Koz ＂owski J，Myszka D，et al.Prediction of properties of austempered ductile iron assisted by artificial neural network[J].Materials Science，2006，12（1）:11-5.

[3]Kim I，Jeong Y，Lee C，et al.Prediction of welding parameters for pipeline welding using an intelligent system[J].The International Journal of Advanced Manufacturing Technology，2003，22（9-10）:713-719.

[4]Kusiak J，Kusiak R.Modelling ofmicrostructure and mechanical properties of steel using the artificial neural network[J].Journal of Materials Processing Technology，2002，127（1）:115-121.

[5]Haykin S.Neural networks and learning machines[M].USA:Prentice Hall，2009.

[6]Mc Cullogh WS，Pitts W.A logical calculus of the ideas immanent in nervous activity[J].Neurocomputing，1988:15-27.

[7]Yin XC，Liu CP，Han Z.Feature combination using boosting[J].Pattern Recognition Letters，2005，26（16）:2195-2205.

[8]Kohonen T.Self-organized formation of topologically correct feature maps[J].Biological Cybernetics，1982，43（1）:59-69.

[9]李春艷.自組織映射（SOM）型神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)[J].電腦知識(shí)與應(yīng)用：學(xué)術(shù)交流，2007，11（4）:821-823，839.

LI Chun-yan.Reflect to shoot a realization of nerve networks from the orgamization[J].Computer Knowledge and Technology：Academic Exchange，2007，11（4）:821-823，839.