新潟県工業技術総合研究所は、工業系の技術支援機関です。

Topページ　>　機械・金属関係　技術トピックス 　>　焼入れ焼戻した炭素鋼のディープラーニングによる金属組織の認識

焼入れ焼戻した炭素鋼のディープラーニングによる金属組織の認識

１．はじめに

　焼入れした鋼の金属組織は焼入れ温度が高いほど粗くなります¹⁾。ふつう、鋼は焼入れ後に焼戻しを行いますが、焼戻し後の金属組織も焼入れ温度が高いほど粗くなります。金属組織が粗いとじん性（耐衝撃性）が低下するため、適正な温度での焼入れが大切です。
　さて、前回¹⁾では、4種類の温度で焼入れ後の炭素鋼の試料について、金属組織（4種類）をディープラーニングで認識を試み、正解率約90％で認識させることができました。今回は、上記の試料を600℃で焼戻しを行った後の金属組織（4種類）をディープラーニングで認識を試みました。この実験は令和2年8月に行ったものです。

２．実験

　前回¹⁾用いた850、950、1050および1150℃でそれぞれ焼入れした機械構造用炭素鋼S50Cの試料について、600℃で1時間保持後に水冷の熱処理を行ったものを試料としました。これらの試料について、端面を鏡面研磨および腐食（硝酸エタノール溶液：HNO₃ 5ml、エチルアルコール100ml）後、100枚ずつ金属組織を撮影しました。撮影した100枚の組織画像を224×224にトリミングおよびリサイズ後、学習用80枚、検証用20枚に分けて実験に用いました。
　ディープラーニングによる学習と検証は表2の条件で行いました。表において、VGG16モデルは学習済みのパラメータを用いて、転移学習（出力層のみ学習）とファインチューニング（最後の畳込み層以降を学習）の二通りの学習を行いました。画像の水増しは、画像の回転および水平・垂直方向反転を行いました。

表2　計算の条件

入力画像サイズ	224×224
モデル	VGG16
プーリング	Maxpooling
活性化関数	Relu, Softmax
最適化アルゴリズム	Adam
誤差関数	多クラス交差エントロピ
学習率	10-4（転移学習） 10-5（ファインチューニング）
ドロップアウト率	0.5
バッチサイズ	32
学習回数	100

３．実験結果

　各試料の金属組織を図1～4に示します。焼入れ温度が高くなるにしたがい、焼戻し後の金属組織も粗くなる傾向が見られます。ただし、図3と図4はこの観察倍率では区別がつきにくくなっています。


図1　焼入れ850℃焼戻し600℃



図2　焼入れ950℃焼戻し600℃



図3　焼入れ1050℃焼戻し600℃



図4　焼入れ1150℃焼戻し600℃

　学習・検証それぞれのデータを使って4種類の金属組織を認識させたときの学習回数と正解率の関係を図5と6に示します。図5が転移学習の結果で、図6がファインチューニングの結果です。転移学習では約80％程度の正解率であったものが、ファインチューニングにより約90％の正解率に上昇していることが分かります。


図5　画像認識の正解率（転移学習）



図6　画像認識の正解率（ファインチューニング）

参考文献

問い合わせ：新潟県工業技術総合研究所 　　　　 　　 中越技術支援センター 　　斎藤　雄治 　 　　　　 　TEL：0258-46-3700 　　FAX：0258-46-6900