一种基于深度学习网络的铁素体晶粒度评级方法与流程

1.本发明涉及一种基于深度学习网络的铁素体晶粒度评级方法，属于图像识别方法技术领域。


背景技术：

2.晶粒度是描述多晶体材料晶粒大小的参数，晶粒大小对金属材料的性能有重要影响。目前晶粒度评级主要采用光学显微镜观察记录+人工分析的方式。专业人员将通过磨抛机磨好的金相试样压实固定好后，置于光学显微镜的载物台上，手动调节载物台，参照国家标准《gb/t 6394-2017金属平均晶粒度测定方法》，对所选取的视场进行晶粒度评级。传统依靠人工评级的方法对专业性人才需求严格，评级人员必须有很高的专业水平和丰富的经验。同时，不同的检验人员，对同类样品的评测标准不统一，受主观意识影响大。最主要的是复杂的评级需要大量的图片比照和计算，评级计算量大且耗时长。


技术实现要素：

3.本发明目的是提供一种基于深度学习网络的铁素体晶粒度评级方法，利用深度学习算法，结合图像处理，可以在很大程度上取代部分的人工评级任务，减少工作量；实现晶粒度自动评级一键化，大大提高了晶粒度评级的效率，有效节约了人员成本和时间成本，有效地解决了背景技术中存在的上述问题。
4.本发明的技术方案是：一种基于深度学习网络的铁素体晶粒度评级方法，包含以下步骤：
5.s1、图像预处理：将铁素体原图像进行缩放至512
×
512像素大小；
6.s2、深度学习网络训练：利用标注工具沿铁素体晶界进行标，将标注的图像整理归纳为训练集，将训练集图像输入深度学习u-net网络中进行训练，将测试集图像输入网络，提取到晶界识别图像；
7.s3、晶界处理：将步骤s2输出的晶界识别图像通过zhang的快速并行算法进行细化，获得铁素体晶界的主体骨架图；
8.s4、截点计算：在提取到的铁素体晶界的主体骨架图上生成符合评级条件的截线，截线长度为l,通过阈值法计算截线与晶界的截点类型，截线穿过晶界记为1个截点，截线与晶界相切记为1.5个截点，截线与晶界相交记为0.5个截点，计算总截点数n，截点总数不少于50个。
9.s5、晶粒度级别评定：将截点数、截线长度和放大倍数代入标准公式中，计算晶粒度级别数，完成铁素体晶粒度自动评级。
10.所述步骤s1中，输入图像为1292
×
968像素大小，在图像上下增加相应灰度条，放大至1292
×
1292像素大小，再通过缩放将图像调整到统一大小512
×
512像素。
11.所述步骤s2中，基于tensorflow框架搭建u-net网络，u-net网络结构包括四组上采样和四组下采样，其中下采样方式采用最大池化，池化窗口滑动步长为2，卷积核为3*3，
激活函数为relu；上采样方式采用反卷积方法，卷积核为3*3；上采样和下采样通过连接层concatenate进行连接。
12.所述步骤s3中，利用zhang的快速并行算法进行晶界细化，形成单层像素的晶界二值图像，获得具有很好连通性的边界骨架图；将细化完成后的图像进行毛刺剔除操作，通过扫描所有的分支端点，跟踪所有目标像素，删除细化图像后的所有分支，保留铁素体晶界的主体骨架图。
13.所述步骤s4中，采用国标《gb/t 6394-2017金属平均晶粒度测定方法》中直线截点法进行晶粒度评级，利用截点识别分类算法，在图像中画任意长度直线，根据不同的截点类型分为穿过晶界为1，与晶界相切为1.5，与晶界相交为0.5，计算截点总数，截点不少于50个；把同一测量网格使用在5个视场上,测量获得的截点数分别为p1、p2、p3、p4和p5。
14.所述步骤s5中，将截点数代入标准公式中，计算晶粒度级别数，其公式如下：
15.a.平均截点计数：
[0016][0017]
b.截点计数的标准差：
[0018][0019]
c.95％置信区间：
[0020][0021]
式中的t值根据选取视场数来确定，视场数n为5时，t＝2.776；
[0022]
d.测量计数的相对误差(％ra)：
[0023][0024]
％ra不大于10％，测量结果视为有效。否则系统提示重新测量；
[0025]
e.相应的平均晶粒度级别数g：
[0026][0027]
式中，m为输入图像的放大倍数；
[0028]
f.平均晶粒度g的相应的95％置信区间95％cl计算：
[0029][0030]
g.结果表示为g
±
95％cl。
[0031]
本发明的有益效果是：利用深度学习算法，结合图像处理，可以在很大程度上取代部分的人工评级任务，减少工作量；实现晶粒度自动评级一键化，大大提高了晶粒度评级的效率，有效节约了人员成本和时间成本。
附图说明
[0032]
图1为本发明的流程图；
[0033]
图2为本发明深度学习u-net网络模型图；
[0034]
图3为本发明实施例的输入图像图；
[0035]
图4为本发明实施例的晶界提取图像图；
[0036]
图5为本发明实施例的截点识别图像图；
[0037]
图6为本发明实施例的电子报告导出图。
具体实施方式
[0038]
为了使发明实施案例的目的、技术方案和优点更加清楚，下面将结合实施案例中的附图，对本发明实施案例中的技术方案进行清晰的、完整的描述，显然，所表述的实施案例是本发明一小部分实施案例，而不是全部的实施案例，基于本发明中的实施案例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例，都属于本发明保护范围。
[0039]
一种基于深度学习网络的铁素体晶粒度评级方法，包含以下步骤：
[0040]
s1、图像预处理：将铁素体原图像进行缩放至512
×
512像素大小；
[0041]
s2、深度学习网络训练：利用标注工具沿铁素体晶界进行标，将标注的图像整理归纳为训练集，将训练集图像输入深度学习u-net网络中进行训练，将测试集图像输入网络，提取到晶界识别图像；
[0042]
s3、晶界处理：将步骤s2输出的晶界识别图像通过zhang的快速并行算法进行细化，获得铁素体晶界的主体骨架图；
[0043]
s4、截点计算：在提取到的铁素体晶界的主体骨架图上生成符合评级条件的截线，截线长度为l,通过阈值法计算截线与晶界的截点类型，截线穿过晶界记为1个截点，截线与晶界相切记为1.5个截点，截线与晶界相交记为0.5个截点，计算总截点数n，截点总数不少于50个。
[0044]
s5、晶粒度级别评定：将截点数、截线长度和放大倍数代入标准公式中，计算晶粒度级别数，完成铁素体晶粒度自动评级。
[0045]
所述步骤s1中，输入图像为1292
×
968像素大小，在图像上下增加相应灰度条，放大至1292
×
1292像素大小，再通过缩放将图像调整到统一大小512
×
512像素。
[0046]
所述步骤s2中，基于tensorflow框架搭建u-net网络，u-net网络结构包括四组上采样和四组下采样，其中下采样方式采用最大池化，池化窗口滑动步长为2，卷积核为3*3，激活函数为relu；上采样方式采用反卷积方法，卷积核为3*3；上采样和下采样通过连接层concatenate进行连接。
[0047]
所述步骤s3中，利用zhang的快速并行算法进行晶界细化，形成单层像素的晶界二值图像，获得具有很好连通性的边界骨架图；将细化完成后的图像进行毛刺剔除操作，通过扫描所有的分支端点，跟踪所有目标像素，删除细化图像后的所有分支，保留铁素体晶界的主体骨架图。
[0048]
所述步骤s4中，采用国标《gb/t 6394-2017金属平均晶粒度测定方法》中直线截点法进行晶粒度评级，利用截点识别分类算法，在图像中画任意长度直线，根据不同的截点类
型分为穿过晶界为1，与晶界相切为1.5，与晶界相交为0.5，计算截点总数，截点不少于50个；把同一测量网格使用在5个视场上,测量获得的截点数分别为p1、p2、p3、p4和p5。
[0049]
所述步骤s5中，将截点数代入标准公式中，计算晶粒度级别数，其公式如下：
[0050]
a.平均截点计数：
[0051][0052]
b.截点计数的标准差：
[0053][0054]
c.95％置信区间：
[0055][0056]
式中的t值根据选取视场数来确定，视场数n为5时，t＝2.776；
[0057]
d.测量计数的相对误差(％ra)：
[0058][0059]
％ra不大于10％，测量结果视为有效。否则系统提示重新测量；
[0060]
e.相应的平均晶粒度级别数g：
[0061][0062]
式中，m为输入图像的放大倍数；
[0063]
f.平均晶粒度g的相应的95％置信区间95％cl计算：
[0064][0065]
g.结果表示为g
±
95％cl。
[0066]
本发明提供的方法，可以实现铁素体晶粒度自动评级。对于实施例公开的方法而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0067]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。