超临界机组材料的锻造工艺及其方法

技术领域

本发明涉及智能化锻造技术领域，尤其涉及一种超临界机组材料的锻造工艺及其方法。

背景技术

为了追求更高的发电效率并减少污染物排放，美国、中国等多个国家先后启动了700℃等级先进超临界机组(A_USC)研究计划。蒸汽参数的大幅度提高，对材料性提出了更加苛刻的要求，常规的铁素体钢和奥氏体钢已经不能满足某些部件的要求，需要采用镍基合金。

Haynes282合金是美国某公司于2005年开发出的时效硬化型Ni-Cr-Co-Mo合金，与Waspaloy等高温合金相比，Haynes282合金通过优化成分以及控制合金中γ'的含量，具有良好的抗应变时效开裂能力、更高的高温蠕变强度、更好的热稳定性和焊接性能等优点，其使用温度在649～927℃之间。

Haynes 282镍基合金含有极高合金元素，冶炼凝固时高熔点的元素先析出，低熔点的金属元素后析出，局部成分不均匀即偏析。使得合金塑性差。合金元素多且高，使得该材料的变形抗力大，锻造温度区间窄；这些因素给该材料的热加工造成了巨大的难度。

发明内容

本发明实施例提供一种超临界机组材料的锻造工艺及其方法，其对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及，对所述热处理后钢锭进行热加工变形以得到超临界机组材料。这样，可以利用机器视觉技术来判断钢锭的热加工变形量是否控制在预定的合理范围内，以此来解决人工判断的误判问题，提高生产效率和产品质量。

本发明实施例还提供了一种超临界机组材料的锻造工艺，其包括：

热处理模块，用于对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及

热加工变形模块，用于对所述热处理后钢锭进行热加工变形以得到超临界机组材料。

本发明实施例中，所述热加工变形模块，包括：图像获取单元，用于获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像；图像增强单元，用于对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像；嵌入编码单元，用于将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量；转移矩阵计算单元，用于计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；空间注意力单元，用于将所述转移矩阵通过空间注意力模块以得到分类特征矩阵；以及，变形量结果生成单元，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。

本发明实施例中，所述图像增强单元，包括：采用双边滤波来增强所述第一加工图像和所述第二加工图像以得到所述增强第一加工图像和所述增强第二加工图像。

本发明实施例中，所述嵌入编码单元，包括：分块子单元，用于对所述增强第一加工图像和所述增强第二加工图像进行图像分块处理以得到第一图像块的序列和第二图像块的序列；嵌入化子单元，用于使用所述包含嵌入层的ViT模型的嵌入层对所述第一图像块的序列和所述第二图像块的序列中的各个图像块进行向量嵌入化以得到第一图像块嵌入向量的序列和第二图像块嵌入向量的序列；以及，转换编码子单元，用于将所述第一图像块嵌入向量的序列和所述第二图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述热处理变形前图像特征向量和所述热处理变形后图像特征向量。

本发明实施例中，所述转换编码子单元，包括：一维排列二级子单元，用于将所述第一图像块嵌入向量的序列进行一维排列以得到第一图像块全局特征向量；自注意力二级子单元，用于计算所述第一图像块全局特征向量与所述第一图像块嵌入向量的序列中各个第一图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化二级子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；激活二级子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，加权二级子单元，用于分别以所述多个概率值中各个概率值作为权重对所述第一图像块嵌入向量的序列中各个第一图像块嵌入向量进行加权以得到所述热处理变形前图像特征向量。

本发明实施例中，所述转移矩阵计算单元，用于：以如下转移公式计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；其中，所述转移公式为：

其中，V

本发明实施例中，所述空间注意力单元，包括：注意力编码子单元，用于将所述转移矩阵通过空间注意力模块以得到注意力矩阵；以及，融合子单元，用于对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵。

本发明实施例中，所述注意力编码子单元，包括：卷积编码二级子单元，用于使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行深度卷积编码以得到卷积特征图；注意力二级子单元，用于将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；空间激活二级子单元，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；特征图计算二级子单元，用于计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，均值池化二级子单元，用于将所述空间增强特征图沿通道维度进行全局均值池化以得到所述注意力矩阵。

本发明实施例中，所述融合子单元，用于：以如下融合公式对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵；其中，所述融合公式为：

其中，M

本发明实施例还提供了一种超临界机组材料的锻造方法，其包括：

对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及

对所述热处理后钢锭进行热加工变形以得到超临界机组材料。

本发明实施例中，超临界机组材料的锻造工艺及其方法，其对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及，对所述热处理后钢锭进行热加工变形以得到超临界机组材料。这样，可以利用机器视觉技术来判断钢锭的热加工变形量是否控制在预定的合理范围内，以此来解决人工判断的误判问题，提高生产效率和产品质量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的热处理工艺示意图。

图2为本发明实施例中提供的锻坯加热工艺示意图。

图3为本发明实施例中提供的锻件变形方法图。

图4为本发明实施例中提供的锻件金相图。

图5为本发明实施例中提供的一种超临界机组材料的锻造工艺的应用场景图。

图6为本发明实施例中提供的一种超临界机组材料的锻造工艺的框图。

图7为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述热加工变形模块的框图。

图8为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述嵌入编码单元的框图。

图9为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述转换编码子单元的框图。

图10为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述空间注意力单元的框图。

图11为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述注意力编码子单元的框图。

图12为本发明实施例中提供的一种超临界机组材料的锻造方法的流程图。

图13为本发明实施例中提供的一种超临界机组材料的锻造方法的系统架构的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

为了追求更高的发电效率并减少污染物排放，美国、中国等多个国家先后启动了700℃等级先进超临界机组(A_U SC)研究计划。蒸汽参数的大幅度提高，对材料性提出了更加苛刻的要求，常规的铁素体钢和奥氏体钢已经不能满足某些部件的要求，需要采用镍基合金。Haynes 282合金是美国某公司于2005年开发出的时效硬化型Ni-Cr-Co-Mo合金，与Waspaloy等高温合金相比，Haynes 282合金通过优化成分以及控制合金中γ'的含量，具有良好的抗应变时效开裂能力、更高的高温蠕变强度、更好的热稳定性和焊接性能等优点，其使用温度在649～927℃之间。

Haynes 282合金开发目标是航空发动机和燃气轮机，由于其具有良好的高温性能，成为700℃先进超超临界机组(A-USC)重要的候选材料之一。

Haynes 282高温合金成分如表1所示：

表1

Haynes 282镍基合金含有极高合金元素，冶炼凝固时高熔点的元素先析出，低熔点的金属元素后析出，局部成分不均匀即偏析。，使得合金塑性差。合金元素多且高，使得该材料的变形抗力大，锻造温度区间窄；这些因素给该材料的热加工造成了巨大的难度。

在本申请的一个实施例中，所解决的技术问题在于通过合理的热处理工艺提高了HAYNES 282镍基合金的热加工性能，通过优化的热加工变形工艺减少了HAYNES 282镍基合金热加工中开裂问题，提高了产品成材率。

其中，热处理见图1，如图1所示：

a：摆放：钢锭需摆放在厚度大于100mm垫铁上，与炉底板保持间隙，每个钢锭之间保持50mm的距离，保证钢锭的受热均匀；

b：加热：该合金导热性较不锈钢差，热膨胀系数大于不锈钢，升温不当的情况，热应力过大，易出现裂纹。所以控制升温速度及监控炉温均匀性是关键；

c：保温：在1190℃下保温，范围控制在±10℃；

步骤二：热加工变形制度

a.加热工艺见图2，如图2所示，

b.开锻及终锻温度控制：

b1：开锻温度钢锭表面1050～1080℃，钢锭出炉需采用保温措施，如利用石棉覆盖保温；

b2：终锻温度：960℃；

c.热加工变形方法，如图3；

C1：钢锭第一火次变形量控制25～30％，以后每火次变形量控制在30～45％；

C2:采用出炉倒角，大送进量单向拍扁的锻造工艺，有利消除钢锭内部的微缺陷，及减小翻变形的内应力；

d:变形速率与热加工温度

如图4所示，该材料的热加工安全区对应的温度范围为960～1170℃，应变速率为0.01～0.1s－1，在安全区进行变形时，材料发生了完全动态再结晶，晶粒均匀且细小，此区域为合适的热加工工艺范围。

本发明的积极进步效果在于：1.锻件超声波探伤后合格，成材率由原来的50％提升到90％；2.按照此方法锻造，坯料晶粒度均匀，晶粒度能达到5～8级，为后续的成品锻造提供了合格的坯料。

更具体地，实例1中，Haynes 282，锻造生产200*200*L：

步骤一：热处理

1.钢锭摆放：HAYNES 282镍基合金直径400mm钢锭垫在250*250*1000的铸铁上；

2.加热：20℃～600℃，缓慢升温，600℃保温一段时间；600℃～950℃，缓慢升温，950℃保温一段时间；

3.扩散退火：1190℃保温一段时间；

4.钢锭降温：出炉空冷；

步骤二：热加工变形方法

1.钢锭摆放：HAYNES 282镍基合金直径400mm钢锭垫在250*250*1000的铸铁上；

2.加热：20℃～600℃，缓慢升温，600℃保温一段时间；600℃～950℃，缓慢升温，950℃保温一段时间；

3.继续升温至1170℃，保温200min；

4.锻造变形方法如图表2所示：

表2

5.锻件超声波探伤后合格，切片取样晶粒度5～7级；

实例2Haynes 282锻造生产Φ180：

步骤一：热处理

1.钢锭摆放：HAYNES 282镍基合金直径360mm钢锭垫在250*250*1000的铸铁上；

2.加热：20℃～600℃，缓慢升温，600℃保温一段时间；600℃～950℃，缓慢升温，950℃保温一段时间；

3.扩散退火：1190℃保温一段时间；

4.钢锭降温：出炉空冷；

步骤二：热加工变形方法

1.钢锭摆放：HAYNES 282镍基合金直径360mm钢锭垫在250*250*1000的铸铁上；

2.加热：20℃～600℃，缓慢升温，600℃保温一段时间；600℃～950℃，缓慢升温，950℃保温一段时间；

3.继续升温至1170℃，保温180min；

4.锻造变形方法如表3所示：

表3

5.锻件超声波探伤后合格，切片取样晶粒度7～9级。

在本申请的另一个实施例中，本申请提供了一种超临界机组材料的锻造工艺，其特征在于，包括：S1、对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；S2、对所述热处理后钢锭进行热加工变形以得到超临界机组材料。

特别地，在S2步骤中，也就是在对所述热处理后钢锭进行热加工变形的过程中，需要将钢锭第一火次变形量控制25～30％，以后每火次变形量控制在30～45％。然而，基于人工进行变形量的判断和控制有较大的不稳定性，甚至受不同工作人员的经验和主观性影响而出现误判。因此，期待一种优化的方案。

对此，本申请的技术构思为：利用机器视觉技术来判断钢锭的热加工变形量是否控制在预定的合理范围内，以此来解决人工判断的误判问题，提高生产效率和产品质量。

具体地，在本申请的技术方案中，首先获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像，并对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像。

应当可以理解，在热加工过程中，钢锭会发生变形，通过获取热加工变形处理前后的钢锭图像，可以对钢锭的变形量进行比较和分析。但由于所述第一加工图像和所述第二加工图像可能会在加工过程中受空气粉尘和光线等因素的影响而存在噪声，通过图像增强可以使得图像更加清晰、明亮。更具体地，在本方案中，采用的是双边滤波，它是一种同时考虑空间域信息和灰度相似性的非线性滤波方法，其优点是对于边缘保存有很好的效果，且在高斯滤波的基础上，多了一个基于空间域分布的高斯滤波函数，进而有效地解决了距离较远的像素影响边缘像素的问题，达到保护边缘去除噪声的目的。

接着将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量。也就是，利用包含嵌入层的ViT模型对所述增强第一加工图像和所述增强第二加工图像进行特征提取。其中，ViT模型是一种将Transformer应用在图像处理的模型，它可以将输入图片分为多个图像块(patch)，再将每个patch投影为固定长度的向量送入Transformer进行全局上下文语义提取。ViT模型的优点是可以有效地捕捉图像中的全局信息和长距离依赖，而不需要使用卷积层或者池化层等具有归纳偏置的操作。

为了比较经热加工变形前后钢锭状态的差异，在本申请的技术方案中，计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵。在机器视觉领域中，转移矩阵可以用于描述两个特征向量之间的关系。通过计算转移矩阵，可以描述钢锭热加工变形前后的变形情况。

进而，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。这里，将转移矩阵通过空间注意力模块是为了进一步提取特征。空间注意力模块可以自动地对输入数据进行加权处理，从而更好地提取特征。在这个应用场景中，将转移矩阵作为输入数据，通过空间注意力模块对其进行加权处理，得到分类特征矩阵。这样更好地区分不同特征的重要程度。其中，分类器是一种常用的机器学习算法，可以根据输入的特征向量将其分类到不同的类别中。在这个应用场景中，将分类特征矩阵作为输入数据，通过分类器将其分类为“合理”或“不合理”两个类别中的一个，从而表示钢锭的热加工变形量是否控制在预定的合理范围内。这样来实现对钢锭热加工变形量的自动化检测和控制，提高生产效率和产品质量。

在本申请的技术方案中，在计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵时，由于所述转移矩阵的每个行向量与转移源特征向量的内积作为转移目的特征向量的相应位置的特征值，因此，所述转移矩阵的特征值具有相应的矩阵空间域转移特征属性。

而在将所述转移矩阵通过空间注意力模块以得到分类特征矩阵时，为了增强所述分类特征矩阵在权重注意力机制下对于注意力特征和原特征结合的表达效果，考虑将所述转移矩阵与其通过空间注意力模块得到的注意力矩阵进行融合来优化所述分类特征矩阵。并且，由于所述注意力矩阵是在所述转移矩阵的基础上进行空间局部分布的注意力加权得到的，因此为了提升所述转移矩阵和所述注意力矩阵的融合效果，需要考虑其各自的空间语义特征分布表示来进行融合。

基于此，本申请的申请人对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合，具体表示为：

M

这里，为了聚集在所述转移矩阵和所述注意力矩阵之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于所述转移矩阵和所述注意力矩阵各自表示的空间级别(spatial level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵级别的空间语义融合式表达，从而实现所述转移矩阵和所述注意力矩阵的空间共享上下文语义的同化(assimilation)融合，以提升所述分类特征矩阵对所述转移矩阵和所述注意力矩阵的融合效果，也就提升了所述分类特征矩阵对于所述转移矩阵的矩阵空间域转移特征属性在权重注意力机制下的表达效果，从而提升了所述分类特征矩阵通过分类器得到的分类结果的准确性。

图5为本发明实施例中提供的一种超临界机组材料的锻造工艺的应用场景图。如图5所示，在该应用场景中，首先，获取热加工变形处理之前的钢锭的第一加工图像(例如，如图5中所示意的C1)以及热加工变形处理之后的所述钢锭的第二加工图像(例如，如图5中所示意的C2)；然后，将获取的第一加工图像和第二加工图像输入至部署有超临界机组材料的锻造算法的服务器(例如，如图5中所示意的S)中，其中所述服务器能够基于超临界机组材料的锻造算法对所述第一加工图像和所述第二加工图像进行处理，以生成用于表示变形量是否控制在预定合理范围内的分类结果。

在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。

在本发明的一个实施例中，图6为本发明实施例中提供的一种超临界机组材料的锻造工艺的框图。如图6所示，根据本发明实施例的超临界机组材料的锻造工艺100，包括：热处理模块110，用于对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及，热加工变形模块120，用于对所述热处理后钢锭进行热加工变形以得到超临界机组材料。

图7为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述热加工变形模块的框图。如图7所示，所述热加工变形模块120，包括：像获取单元121，用于获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像；图像增强单元122，用于对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像；嵌入编码单元123，用于将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量；转移矩阵计算单元124，用于计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；空间注意力单元125，用于将所述转移矩阵通过空间注意力模块以得到分类特征矩阵；以及，变形量结果生成单元126，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。

具体地，在本发明实施例中，所述图像获取单元121，用于获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像。特别地，也就是在对所述热处理后钢锭进行热加工变形的过程中，需要将钢锭第一火次变形量控制25～30％，以后每火次变形量控制在30～45％。然而，基于人工进行变形量的判断和控制有较大的的不稳定性，甚至受不同工作人员的经验和主观性影响而出现误判。因此，期待一种优化的方案。

对此，本申请的技术构思为：利用机器视觉技术来判断钢锭的热加工变形量是否控制在预定的合理范围内，以此来解决人工判断的误判问题，提高生产效率和产品质量。

具体地，在本申请的技术方案中，首先获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像。

具体地，在本发明实施例中，所述图像增强单元122，用于对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像。对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像。

应当可以理解，在热加工过程中，钢锭会发生变形，通过获取热加工变形处理前后的钢锭图像，可以对钢锭的变形量进行比较和分析。但由于所述第一加工图像和所述第二加工图像可能会在加工过程中受空气粉尘和光线等因素的影响而存在噪声，通过图像增强可以使得图像更加清晰、明亮。更具体地，在本方案中，采用的是双边滤波，它是一种同时考虑空间域信息和灰度相似性的非线性滤波方法，其优点是对于边缘保存有很好的效果，且在高斯滤波的基础上，多了一个基于空间域分布的高斯滤波函数，进而有效地解决了距离较远的像素影响边缘像素的问题，达到保护边缘去除噪声的目的。

其中，所述图像增强单元122，用于：采用双边滤波来增强所述第一加工图像和所述第二加工图像以得到所述增强第一加工图像和所述增强第二加工图像。

具体地，在本发明实施例中，所述嵌入编码单元123，用于将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量。接着将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量。

也就是，利用包含嵌入层的ViT模型对所述增强第一加工图像和所述增强第二加工图像进行特征提取。其中，ViT模型是一种将Transformer应用在图像处理的模型，它可以将输入图片分为多个图像块(patch)，再将每个patch投影为固定长度的向量送入Transformer进行全局上下文语义提取。ViT模型的优点是可以有效地捕捉图像中的全局信息和长距离依赖，而不需要使用卷积层或者池化层等具有归纳偏置的操作。

图8为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述嵌入编码单元的框图，如图8所示，所述嵌入编码单元123，包括：分块子单元1231，用于对所述增强第一加工图像和所述增强第二加工图像进行图像分块处理以得到第一图像块的序列和第二图像块的序列；嵌入化子单元1232，用于使用所述包含嵌入层的ViT模型的嵌入层对所述第一图像块的序列和所述第二图像块的序列中的各个图像块进行向量嵌入化以得到第一图像块嵌入向量的序列和第二图像块嵌入向量的序列；以及，转换编码子单元1233，用于将所述第一图像块嵌入向量的序列和所述第二图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述热处理变形前图像特征向量和所述热处理变形后图像特征向量。

图9为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述转换编码子单元的框图，如图9所示，所述转换编码子单元1233，包括：一维排列二级子单元12331，用于将所述第一图像块嵌入向量的序列进行一维排列以得到第一图像块全局特征向量；自注意力二级子单元12332，用于计算所述第一图像块全局特征向量与所述第一图像块嵌入向量的序列中各个第一图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化二级子单元12333，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；激活二级子单元12334，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，加权二级子单元12335，用于分别以所述多个概率值中各个概率值作为权重对所述第一图像块嵌入向量的序列中各个第一图像块嵌入向量进行加权以得到所述热处理变形前图像特征向量。

进一步地，所述转换编码子单元，还包括：第二排列二级子单元，用于将所述第二图像块嵌入向量的序列进行一维排列以得到第二图像块全局特征向量；第二自注意力二级子单元，用于计算所述第二图像块全局特征向量与所述第二图像块嵌入向量的序列中各个第二图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第二标准化二级子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第二激活二级子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，第二加权二级子单元，用于分别以所述多个概率值中各个概率值作为权重对所述第二图像块嵌入向量的序列中各个第二图像块嵌入向量进行加权以得到所述热处理变形后图像特征向量。

应可以理解，自2017年Google提出的Transformer结构以来，迅速引发一波热潮，针对于NLP领域的，通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构，不仅实现了并行训练，提升了训练的效率，同时也在应用中取得很好的结果。在NLP中，输入transformer中的是一个序列，而在视觉领域，需要考虑如何将一个2d图片转化为一个1d的序列，最直观的想法就是将图片中的像素点输入到transformer中，但是复杂度太高的问题。

而ViT模型对输入的改进可以降低复杂度，先将图片切分成一个个图像块，然后每一个图像块投影为固定长度的向量送入Transformer中，后续编码器的操作和原始Transformer中完全相同。但是因为对图片分类，因此在输入序列中加入一个特殊的标记，该标记对应的输出即为最后的类别预测。ViT在很多视觉任务上都展现了相当优秀的性能，但是和CNN(Convolutional Neural Network，卷积神经网络)相比，缺少归纳偏置让ViT应用于小数据集时非常依赖模型正则化(model regularization)和数据增广(dataaugmentation)。

具体地，在本发明实施例中，所述转移矩阵计算单元124，用于计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵。为了比较经热加工变形前后钢锭状态的差异，在本申请的技术方案中，计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵。在机器视觉领域中，转移矩阵可以用于描述两个特征向量之间的关系。通过计算转移矩阵，可以描述钢锭热加工变形前后的变形情况。

其中，所述转移矩阵计算单元124，用于：以如下转移公式计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；其中，所述转移公式为：

其中，V

具体地，在本发明实施例中，所述空间注意力单元125，用于将所述转移矩阵通过空间注意力模块以得到分类特征矩阵。进而，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵，并将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。这里，将转移矩阵通过空间注意力模块是为了进一步提取特征。空间注意力模块可以自动地对输入数据进行加权处理，从而更好地提取特征。在这个应用场景中，将转移矩阵作为输入数据，通过空间注意力模块对其进行加权处理，得到分类特征矩阵。这样更好地区分不同特征的重要程度。

图10为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述空间注意力单元的框图，如图10所示，所述空间注意力单元125，包括：注意力编码子单元1251，用于将所述转移矩阵通过空间注意力模块以得到注意力矩阵；以及，融合子单元1252，用于对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵。

图11为本发明实施例中提供的一种超临界机组材料的锻造工艺中所述注意力编码子单元的框图，如图11所示，所述注意力编码子单元1251，包括：卷积编码二级子单元12511，用于使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行深度卷积编码以得到卷积特征图；注意力二级子单元12512，用于将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；空间激活二级子单元12513，用于将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；特征图计算二级子单元12514，用于计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，均值池化二级子单元12515，用于将所述空间增强特征图沿通道维度进行全局均值池化以得到所述注意力矩阵。

注意力是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中。一方面，注意力就是希望网络能够自动学出来图片或者文字序列中的需要注意的地方；另一方面，注意力通过神经网络的操作生成一个掩码mask,mask上的值的权重。一般来说，空间注意力机制对于同一像素点不同通道求均值,再经过一些卷积和上采样的运算得到空间特征,空间特征每层的像素点就被赋予不同的权重。

在本申请的技术方案中，在计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵时，由于所述转移矩阵的每个行向量与转移源特征向量的内积作为转移目的特征向量的相应位置的特征值，因此，所述转移矩阵的特征值具有相应的矩阵空间域转移特征属性。

而在将所述转移矩阵通过空间注意力模块以得到分类特征矩阵时，为了增强所述分类特征矩阵在权重注意力机制下对于注意力特征和原特征结合的表达效果，考虑将所述转移矩阵与其通过空间注意力模块得到的注意力矩阵进行融合来优化所述分类特征矩阵。并且，由于所述注意力矩阵是在所述转移矩阵的基础上进行空间局部分布的注意力加权得到的，因此为了提升所述转移矩阵和所述注意力矩阵的融合效果，需要考虑其各自的空间语义特征分布表示来进行融合。

基于此，本申请的申请人对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合，具体表示为：以如下融合公式对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵；其中，所述融合公式为：

其中，M

这里，为了聚集在所述转移矩阵和所述注意力矩阵之间关联分布的本地空间语义之间的上下文空间关联语义，所述全局上下文空间关联富化融合通过聚焦于所述转移矩阵和所述注意力矩阵各自表示的空间级别(spatial level)的显式上下文相关性，来富化(enriching)全局感知野下的特征矩阵级别的空间语义融合式表达，从而实现所述转移矩阵和所述注意力矩阵的空间共享上下文语义的同化(assimilation)融合，以提升所述分类特征矩阵对所述转移矩阵和所述注意力矩阵的融合效果，也就提升了所述分类特征矩阵对于所述转移矩阵的矩阵空间域转移特征属性在权重注意力机制下的表达效果，从而提升了所述分类特征矩阵通过分类器得到的分类结果的准确性。

具体地，在本发明实施例中，所述变形量结果生成单元126，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。其中，分类器是一种常用的机器学习算法，可以根据输入的特征向量将其分类到不同的类别中。在这个应用场景中，将分类特征矩阵作为输入数据，通过分类器将其分类为“合理”或“不合理”两个类别中的一个，从而表示钢锭的热加工变形量是否控制在预定的合理范围内。这样来实现对钢锭热加工变形量的自动化检测和控制，提高生产效率和产品质量。

其中，所述变形量结果生成单元126，包括：矩阵展开子单元，用于将所述分类特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

综上，基于本发明实施例的超临界机组材料的锻造工艺100被阐明，其对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及，对所述热处理后钢锭进行热加工变形以得到超临界机组材料。这样，可以利用机器视觉技术来判断钢锭的热加工变形量是否控制在预定的合理范围内，以此来解决人工判断的误判问题，提高生产效率和产品质量。

在本发明的一个实施例中，图12为本发明实施例中提供的一种超临界机组材料的锻造方法的流程图。如图12所示，根据本发明实施例的超临界机组材料的锻造方法200，其包括：210，对待加工钢锭进行热处理以得到热处理后钢锭，其中热处理包括摆放、加热和保温；以及，220，对所述热处理后钢锭进行热加工变形以得到超临界机组材料。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，对所述热处理后钢锭进行热加工变形以得到超临界机组材料，包括：获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像；对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像；将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量；计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；将所述转移矩阵通过空间注意力模块以得到分类特征矩阵；以及，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。

图13为本发明实施例中提供的一种超临界机组材料的锻造方法的系统架构的示意图。如图13所示，在所述超临界机组材料的锻造方法的系统架构中，首先，获取热加工变形处理之前的钢锭的第一加工图像以及热加工变形处理之后的所述钢锭的第二加工图像；然后，对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像；接着，将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量；然后，计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；接着，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵；以及，最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示变形量是否控制在预定合理范围内。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，对所述第一加工图像和所述第二加工图像进行图像增强以得到增强第一加工图像和增强第二加工图像，包括：采用双边滤波来增强所述第一加工图像和所述第二加工图像以得到所述增强第一加工图像和所述增强第二加工图像。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，将所述增强第一加工图像和所述增强第二加工图像分别通过包含嵌入层的ViT模型以得到热处理变形前图像特征向量和热处理变形后图像特征向量，包括：对所述增强第一加工图像和所述增强第二加工图像进行图像分块处理以得到第一图像块的序列和第二图像块的序列；使用所述包含嵌入层的ViT模型的嵌入层对所述第一图像块的序列和所述第二图像块的序列中的各个图像块进行向量嵌入化以得到第一图像块嵌入向量的序列和第二图像块嵌入向量的序列；以及，将所述第一图像块嵌入向量的序列和所述第二图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述热处理变形前图像特征向量和所述热处理变形后图像特征向量。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，将所述第一图像块嵌入向量的序列和所述第二图像块嵌入向量的序列输入所述ViT模型的转换器以得到所述热处理变形前图像特征向量和所述热处理变形后图像特征向量，包括：将所述第一图像块嵌入向量的序列进行一维排列以得到第一图像块全局特征向量；计算所述第一图像块全局特征向量与所述第一图像块嵌入向量的序列中各个第一图像块嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述第一图像块嵌入向量的序列中各个第一图像块嵌入向量进行加权以得到所述热处理变形前图像特征向量。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵，包括：以如下转移公式计算所述热处理变形前图像特征向量相对于所述热处理变形后图像特征向量之间的转移矩阵；其中，所述转移公式为：

其中，V

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，将所述转移矩阵通过空间注意力模块以得到分类特征矩阵，包括：将所述转移矩阵通过空间注意力模块以得到注意力矩阵；以及，对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，将所述转移矩阵通过空间注意力模块以得到注意力矩阵，包括：使用所述空间注意力模块的卷积编码部分对所述转移矩阵进行深度卷积编码以得到卷积特征图；将所述卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图；将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图；计算所述空间注意力特征图和所述卷积特征图的按位置点乘以得到空间增强特征图；以及，将所述空间增强特征图沿通道维度进行全局均值池化以得到所述注意力矩阵。

在本发明的一个具体示例中，在上述超临界机组材料的锻造方法中，对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵，包括：以如下融合公式对所述转移矩阵和所述注意力矩阵进行全局上下文空间关联富化融合以得到所述分类特征矩阵；其中，所述融合公式为：

其中，M

本领域技术人员可以理解，上述超临界机组材料的锻造方法中的各个步骤的具体操作已经在上面参考图1到图11的超临界机组材料的锻造工艺的描述中得到了详细介绍，并因此，将省略其重复描述。

本发明实施例还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法。

本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法的计算机程序。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。