准确度93％！人工智能识别钢铁显微组织，而人类只能分别一半的图像

在汽车、风力涡轮机和桥梁中使用了大量的钢材，市场上约有5000个钢种。但是，制造商如何保证特定的钢材质量始终如一？到目前为止，材料样品会在显微镜下进行分析，并由经验丰富的专业人员与样品图像进行比较。但是，这种材料分类很容易出错。使用“机器学习方法”，德国萨尔布吕肯（Saarbrucken）的计算机和材料科学家已经开发出一种比传统的质量控制更加准确和客观的方法。他们的论文已经在美国“自然”（Nature）杂志中发表。

当来自两个不同学科的研究人员一起研究时，首先他们必须使用同一种“语言”。“对于我们来说，花了一些时间才使计算机科学家们明白，为什么对于材料研究人员来说，材料的内部结构和它们的图形表示扮演着如此重要的角色，”萨尔州大学功能材料博士生Dominik Britz说。

萨尔州大学

这些内部结构实际上与材料的性质密切相关。“由于现代钢材的种类越来越多而且内部结构越来越复杂，它们之间的差别也越来越小。新材料研发工程师在不断提高的质量要求面前正面临着巨大的挑战。”Britz补充道。

他的研究同事，来自萨尔布吕肯马克斯普朗克计算机研究所的Seyed Majid Azimi说，这种“机器学习方法”又可以称为“深度学习”，因为这些精确的结果全部是来自专家之手的图像分析。为此，计算机科学家首先为他们的高性能计算机提供了这些由专家人工分类的图像数据。计算机模型将会通过这些数据进行训练，并且随后再次与专家分类的图像数据进行比较。但是，没有材料“知识”的计算机如何能提供如此出色的结果呢？

马克斯普朗克计算机研究所

理解钢铁的生产工艺会有帮助，因为它为该研究提供了可以模仿的数据库。“生产特种钢是极具挑战性的，并且取决于许多因素，从一开始轧制工艺中的化学成分一直到不同的热处理工艺。每个生产步骤都会影响钢的内部结构。”Britz解释道。

材料科学家们称这些在显微镜下观察到的结构为显微组织。其中，所谓的晶粒或微晶限定了具有特定晶体结构但与相邻晶粒取向不同的各个区域。不仅晶粒的取向，而且它们的个体形状和空间联系都可能具有高度的几何复杂性。“这种高度复杂的微观结构在材料开发和质量控制过程中可以由显微镜观察到。样品会被特殊制备，并在光学或电子显微镜下进行观测。”Britz解释道。

为了对材料进行分类，获得的显微图像将会被与具有典型几何结构的示例图像进行比较。公司质量部门经验丰富的工程师用了几年时间来精确地评估了总共有哪些钢结构存在。

“但即使是训练有素的专家也可能是错误的，因为肉眼有时几乎看不到图像偏差。对于人类来说，我们非常擅长分别微小的相对差异，但我们很难对绝对几何标准进行再识别。”Steinbeis材料技术研究中心（MECS）所长，也是这项研究的导师Frank Mucklich教授说。

Mucklich教授

材料研究人员正在寻找一种客观方法，可以不依赖于用户的专业知识来使用。“通过‘机器学习方法’计算机能够快速识别复杂图案，并和由显微镜获得的显微组织的几何形貌关联起来。不仅如此，他们还可以学习先前已经进行过分类的显微组织的特征，并将其与识别的图案进行匹配。”Mucklich教授解释说。

通过这种方式，研究人员能够精确确定低碳钢的显微组织，这在以前的细节精度中是不可能的。“我们的系统实现了93％左右的分类精确度，而传统的人工方法只能将大概50%的材料样品进行正确分类。”材料科学家说。

萨尔布吕肯科学家的这项成果在久负盛名的“自然”杂志上发表，这表明了其对Mucklich教授的认可，这是第一次将材料和计算机这两个不同的研究领域以这种极具前景的方式连接起来。

“这种全新的‘深度学习’方法将帮助我们更加客观和准确地评估钢材和其他材料的质量。我们相信，这项成果也可以应用于许多其他生产工艺和材料。”Mucklich教授解释说。

这篇题为“通过‘深度学习方法’对钢铁显微组织进行分类”的论文已发表在“自然”杂志上，需要的朋友可以通过钢铁精英微信公众号索取。

不仅在钢铁材料领域，现在先进的人工智能识别技术已经可以应用于医学，比如用来判断癌细胞组织。通过这项技术，人工智能只需要几秒中就可以完成专业人员几分钟甚至更久才能完成的评估分类工作，不仅工作效率大大提升，其准确性也让人惊叹！未来几十年，人工智能可能会取代人类大部分的工作。面对人工智能的“入侵”，你想说什么呢？