一种金相组织自动识别及判定级别的方法

技术领域

本发明涉及金相组织分析技术领域，尤其涉及一种金相组织自动识别及判定级别的方法。

背景技术

金相即金相学，就是研究金属或合金内部结构的科学。不仅如此，它还研究当外界条件或内在因素改变时，对金属或合金内部结构的影响。所谓外部条件就是指温度、加工变形、浇注情况等。所谓内在因素主要指金属或合金的化学成分。金相组织是反映金属金相的具体形态，如马氏体，奥氏体，铁素体，珠光体等等。各种组织对金属的性能有不同的影响，而不同的标准对各种组织有不同的评级。传统的算法只能在计算机后台输入公式，也就是说只有那些含有计算公式的金相标准才可以定量分析。但是大部分金相标准都没有公式，也就是历史上的软件对于大部分金相组织都无法做到自动分析。

近年来，已经有不少人开始研究通过计算机识别图像的方法来对金相图像进行分析和评级，但是有一定局限性，原因是这些研究大多通过人工来设定单一的特征提取器从而对某种限定的金相图像进行评级，没有加入半监督学习方法，这样往往导致花费时间较长，且适用范围窄只是针对某种标准或某个标准，评级稳定性和准确性低。随着信息技术的发展，现代的数据量越来越多，单一的特征已经很难完全的代表数据的规律了。

发明内容

为了解决相关的问题，本发明提供一种金相组织自动识别及判定级别的方法。所述技术方案是：

一种金相组织自动识别及判定级别的方法，包括：

S100建立金相组织识别模型，所述金相组织识别模型用于获得对应金相图片的金相组织类别及含量；

S200将不同金相组织的各个级别的金相标准图片导入所述金相组织识别模型，获得对应类别金相组织的含量-级别关系，所述含量-级别关系为金相组织含量与金相级别的一一对应关系；

S300将待测金相图片导入所述金相组织识别模型，获得其金相组织类别及含量；

S400根据所述待测金相图片的金相组织类别及对应类别金相组织的含量-级别关系，获得所述待测金相图片的金相级别。

本发明的一个较佳实施例中，S100建立金相组织识别模型，包括：

S110建立包括不同类别的金相图片数据库；

S120将数据库的金相图片进行灰度、二值化、去噪和轮廓提取处理；

S130将处理后的金相图片输入卷积神经网络框架下的训练模型；

S140判断所述训练模型输出的金相组织类别及其含量是否正确，若正确，则形成所述金相组织识别模型；若不正确，则转入S150；

S150返回所述训练模型，重新训练，半监督学习后直至准确率到达需求，形成所述金相组织识别模型。

本发明的一个较佳实施例中，所述灰度处理为：

提取所述金相图片中红R、绿G、蓝B三基色分量的数值，并通过以下公式计算对应的灰度值：

Gray＝R×0.299+G×0.587+B×0.114，其中Gray表示灰度值。

本发明的一个较佳实施例中，所述二值化处理公式为：

前后景像素比例：

ω

ω

数量恒等式：

N

ω

平均灰度值关系：

μ＝ω

方差定义式：

g＝ω

将μ代入式g，得到等价公式：

g＝ω

其中，ω

本发明的一个较佳实施例中，所述轮廓提取为：

通过计算轮廓矩得到轮廓特征，且其公式为：

其中，p对应x维度上的矩，q对应y维度上的矩，阶数表示对应的部分的指数，n为轮廓边界上所有像素的数目。

本发明的一个较佳实施例中，所述金相图片类别包括奥氏体、铁素体、渗碳体、珠光体、上贝氏体、下贝氏体、粒状贝氏体、无碳化物贝氏体、马氏体、莱氏体、回火屈氏体、回火索氏体、魏氏组织。

本发明的一个较佳实施例中，所述金相图片数据库包括图片数量比为9∶1的训练集和测试集。

与现有技术相比，本发明的有益效果是：

本发明将卷积神经网络运用到金相图像的组织识别与评级之中，实现了各种金相图片组织的自动识别与评级，降低了人为判断的误差，大大提高了其准确度与效率；通过将半监督学习加入模型训练中，提高了模型建立效率。

附图说明

图1为本发明的流程示意图；

图2为本发明形成金相组织识别模型的流程示意图；

图3为本发明中金相图片各个处理阶段后示意图；

图4为本发明中卷积模块提取金相图片特征的网络结构图；

图5为本发明神经网络图片的数据处理图；

图6为本发明中贝氏体金相标准图片。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，一种金相组织自动识别及判定级别的方法，本方法将卷积神经网络运用到金相图像的组织识别与评级之中，实现了各种金相图片组织的自动识别与评级，降低了人为判断的误差，大大提高了其准确度与效率。

具体地，本方法包括：

S100建立金相组织识别模型，金相组织识别模型用于获得对应金相图片的金相组织类别及含量。

S200将不同金相组织的各个级别的金相标准图片导入金相组织识别模型，获得对应类别金相组织的含量-级别关系，含量-级别关系为金相组织含量与金相级别的一一对应关系。

S300将待测金相图片导入金相组织识别模型，获得其金相组织类别及含量。

S400根据待测金相图片的金相组织类别及对应类别金相组织的含量-级别关系，获得待测金相图片的金相级别。

本实施例中，以贝氏体为例，参考下表以及图6为贝氏体金相级别标准规定：

将图6中各个级别的贝氏体金相标准图片输入本方法中的金相组织识别模型，可获得含量-级别关系，即1级-含量占比1％、2级-含量占比3％、3级-含量占比6％、4级-含量占比9％、5级-含量占比12％。

金相级别标准可以根据需求选择，例如GB/T 13298-2015金属显微组织检验方法、GB/T 13299-1991钢的显微组织评定方法、DL/T 884-2019火电厂金相检验与评定技术导则、DL/T 773-2016火电厂用12Cr1MoV钢球化评级标准、DL/T674-1999火电厂用20号钢珠光体球化评级标准、DL/T 787-2001火电厂用15CrMo钢珠光体球化评级标准等等，将所需标准中的金相标准图片输入本方法中的金相组织识别模型，从而获得对应的含量-级别关系，进而实现判定级别。

如图2所示，S100建立金相组织识别模型，包括：

S110建立包括不同类别的金相图片数据库。

金相图片类别优选包括奥氏体、铁素体、渗碳体、珠光体、上贝氏体、下贝氏体、粒状贝氏体、无碳化物贝氏体、马氏体、莱氏体、回火屈氏体、回火索氏体、魏氏组织。

金相图片数据库优选包括图片数量比为9：1的训练集和测试集。

S120将数据库的金相图片进行灰度、二值化、去噪和轮廓提取处理。

S130将处理后的金相图片输入卷积神经网络框架下的训练模型。

其中，如图4和图5所示，本训练模型包括卷积层、池化层和全连接层。

卷积层用于执行卷积操作，提取底层到高层的特征，发掘出图片“局部特性”。池化层用于通过降采样的方式，在不影响图像质量的情况下，压缩图片，减少参数。全连接层用于池化完成后，将数据“拍平”，丢到Flatten层，然后把Flatten层的输出放到全连接层里，可采用softmax对其进行分类。

S140判断训练模型输出的金相组织类别及其含量是否正确，若正确，则形成金相组织识别模型；若不正确，则转入S150。

S150返回训练模型，重新训练，半监督学习后直至准确率到达需求，形成金相组织识别模型。

半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。本发明通过将半监督学习加入模型训练中，提高了模型建立效率。

如图3所示为本方法一实施例中金相图片由原图到灰度图再到二值化和轮廓提取后的示意图。

其中，灰度处理优选为：

提取金相图片中红R、绿G、蓝B三基色分量的数值，并通过以下公式计算对应的灰度值：

Gray＝R×0.299+G×0.587+B×0.114，其中Gray表示灰度值。

二值化优选采用以下处理公式：

前后景像素比例：

ω

ω

数量恒等式：

N

ω

平均灰度值关系：

μ＝ω

方差定义式：

g＝ω

将μ代入式g，得到等价公式：

g＝ω

其中，ω

轮廓提取优选为：

通过计算轮廓矩得到轮廓特征，且其公式为：

其中，p对应x维度上的矩，q对应y维度上的矩，阶数表示对应的部分的指数，n为轮廓边界上所有像素的数目。

矩就是通过对轮廓上所有点进行积分运算活求和运算而得到一个粗略的特征。

各阶矩的物理意义：

0阶矩(m00)表示目标区域的质量，m00实际上对应轮廓边界上点的数目。

1阶矩(m01，m10)表示目标区域质心

2阶矩(m02，m20，m11)表示旋转半径

3阶矩(m03，m30，m12，m21，)表示描述目标的方位和斜度，反应目标的扭曲程度。

综上所述，本发明将卷积神经网络运用到金相图像的组织识别与评级之中，实现了各种金相图片组织的自动识别与评级，降低了人为判断的误差，大大提高了其准确度与效率；通过将半监督学习加入模型训练中，提高了模型建立效率。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。