1灰铸铁石墨形态类型
灰铸铁石墨形态差异可以反映其机械性能差异，由此可见对其自动分析识别不仅有助于机械性能的推断，在生产质量控制中也具有一定意义。由于铸铁化学成分和冷却条件的不同导致了石墨类型、大小与分布的不同。较为典型常见的为A， B， D和E型所示。
2石墨形态分析过程和方法
2. 1样本预处理
有关试样的切取和制备均按照GB 7216-87中的明确说明进行。石墨形态的观测在未浸蚀的样品上进行，放大倍数为100，分辨率为512×512象素。
由于各种主客观原因，不可避免地会存在一些图像质量的不如人意，如噪声、曝光量过头或不足、图片间的灰度不均匀，乃至一幅图内的灰度不均等等，同时为了方便及简化特征参数的提取，对样本图像进行一些预处理是必须的。
2. 2提取特征参数
考虑到一种特征参数往往难以达到区分各种石墨形态的目的，这里选用分形维、相关系数和二维自回归系数来共同表述石墨形态特征。
分形维是描述铸铁的一种有效方式。其计算通过盒维数法获得，即D F B = lim→0 lgN ( F)- lg( 1)N ( F)是用直径为的区域来覆盖处理窗口F的图像所需的最小的集合数， D F B为在图像窗口F所获得的盒维数。
通过图像的相关系数来求得对纹理粗细的描述。
2. 3分类
分类采用误差后向传播神经网络，即BP网络实现。用于进行分类的特征矢量由上述特征共同组成， F= {D， R， a 0， a 1，…， a 8 }.考虑到所得到的各个特征取值范围各有不同，这不仅会使网络训练速度下降，而且容易造成网络训练失败。因此，这里先对数据进行如下处理：M(i， j )= M max( j )- M( i， j )M max( j )- M min( j )( 5)其中， M(i， j )为训练样本矩阵元素， i表输入样本序号， j表特征矢量元序号。 M max( j)， M min( j )分别为训练样本集中第j个特征量的最大值和最小值。
这里使用3层BP网络，传递函数T ( x)选用T ansig型：T ( x) = 2 1 + exp( - 2x)- 1( 6)输入与输出层节点数分别由特征矢量维数和目标类别数决定。有关隐层节点数的确定始终是神经网络中的一个难点，至今还没有一个很好的方法。隐层节点数太少可能使网络达不到训练目标，太多又会大大增加计算成本。本文提出了一种简单实用的新方法，具体原理将在另篇文章中论述。
训练采用参数如下：学习速率： 0. 01;学习速率增加比率： 1. 05;学习速率减少比率： 0. 7;动量常数： 0. 9;误差平方和指标(即训练目标误差) ： 0. 1.
3实验结果和讨论
1)单项的特征参数难以完全表述类别差异。
2)在单项的特征中，维数越多，越容易趋近成功分类。这是由于维数少的特征矢量所含图像信息也相对较少的缘故。因此，同样由自回归系数演变得到的特征矢量F 1较F 4具有更高的分类准确性。
3)在样本训练中，维数较多的特征矢量需要更少的训练时间，更易达到训练目标。这也是维数较多的特征矢量更精确地反映了纹理特征信息之故。
4)二维自回归系数和分形参数都部分地表述了纹理特征。 F 1， F 2， F 4的网络延展性较好，分别得到了4/ 5， 3/ 5和2/ 5的正确率。但对于纹理粗细度，由于网络未能训练达到目标，且最后的训练误差太大，不足以对其作判断。
5)分类结果可观，据达到训练目标者成功率均达90%以上。但精度不是特别高，这是由于在提取部分特征参数时，为简化计算将图像缩小至32×32象素从而简并了图像的纹理信息。同时，实际样品并不总是由单一一种石墨形态构成，因此夹杂的少许其它形态也会对结果精度有一定影响，但只要夹杂的其它形态不是很多，在实际中往往也是被忽略的。故此，这种精度对于分类已经足够，这里并不需要花费昂贵的计算量来获得高精度。
4结束语
本文将人工神经网络引入了灰铸铁的自动分析，并实现了对灰铸铁石墨形态的初步分类识别。在分类过程中，多种参数的综合特征矢量较好的反映了石墨形态的纹理特征，并弥补了单项特征的不足。
人工神经网络为石墨形态分类的实现提供了一种很好的方法，并在实际应用中取得了良好效果。在网络的具体实现中，本文采用了一些的优化和处理技巧，如训练前数据的均衡化预处理提高了网络的精确性，加快了网络的训练;确定BP网络隐层节点数的简单方法的使用，简化了隐层节点数的确定，并取得了良好的效果，这种方法对其它领域神经网络的应用和研究也具有很好的参考价值。