来源：期刊VIP网 时间：
作者：胡名琪;刘秋明;陈辉明;郭诚君;
单位：江西理工大学先进铜产业学院;江西理工大学材料冶金化学学部;江西理工大学软件工程学院;江西先进铜产业研究院;
摘要：针对铜合金领域特定金相的数据集通常非常小，无法满足传统卷积神经网络建模需要大量训练样本的问题，提出一种基于改进残差网络与迁移学习的铜合金金相图分类方法，即基于ImageNet数据集和金相图训练集预先训练ResNet50残差模型，训练时采用迁移学习（Transfer Learning）方法并重新建立全连接层对铜合金金相类别进行分类识别。本方法的准确率为97.2%，精确率为95.6%，召回率为97.3%,F1分数为96.4%，优于VGG19和基于迁移学习的MobileV2等方法。实验结果表明，采用迁移学习方法可以克服金相图像数据集小的问题，使用ResNet50进行特征提取可以很好地获得铜合金金相图的纹理信息。本研究建立了一种铜合金金相结构自动分类和识别的新方法，可较准确地分类和识别铜合金金相图。
关键词：迁移学习;;残差模型;;铜合金;;图像分类
基金资助：国家自然科学基金资助项目（52361008）;; 江西省省级引导市县科技发展专项资金资助项目（2021SYD001）;; 江西先进铜产业研究院自立研究课题
