涂层SEM形貌图像特征及数据处理

环氧有机耐磨涂层的SEM微观形貌如图2所示。可以看出，干湿循环/磨损条件服役后涂层表面形貌大致存在3种缺陷，分别为树脂脱落坑、硬脂相脱落坑和杂质相。3类缺陷的形貌差异显著，树脂脱落坑的主要特征为缺陷边缘泛白，这主要与有机物的SEM成像机理有关。通常该类型的缺陷裂纹面积较大，且多呈长条状；硬脂相脱落坑的主要特征为缺陷边缘较黑，且裂纹面积较小；杂质相的主要特征为杂质呈现为一团亮白色的固体物质。使用Labelme软件对图像数据集进行标注后，采用CNN网络进行识别。网络结构由输入层、卷积层、池化层、全连接层和输出层组成，如图3所示。本文采用一种八层CNN进行训练，该网络包含3个卷积层，每个卷积层使用3 × 3的卷积核。每个卷积层后均连接一个池化层，池化操作采用最大池化方法，使用2 × 2的滑动滤波器，以提高数据处理效率。网络基于Pytorch深度学习框架实现，用于提取图像的特征信息。在训练过程中，设置网络迭代次数为100次，批量大小为20，学习率为0.001。此外，引入Dropout正则化方法，其系数设置为0.5，以增强网络的抗干扰能力并减少过拟合现象。为进一步扩充数据量，除原始拍摄图像外，还将每张图像均匀切割为12张小图像，并结合图像翻转等数据增强技术，使实际训练数据量达到上万张。