一种线材盘条组织图像的索氏体分割与识别方法与流程

本发明涉及线材盘条金相图像分析和处理，尤其涉及一种线材盘条组织图像的索氏体分割与识别方法。

背景技术：

1、索氏体是一种铁素体与渗碳体的混合物，不过比珠光体的片层间距要细的多，也称细珠光体。随着国内外不同牌号规格的中高碳钢盘条产品的开发，产品质量的检验除了常规的力学性能之外，索氏体化率是中高碳钢盘条的重要质量指标，对于中高碳钢盘条来说，索氏体是钢铁组织中强韧性兼备、综合力学性能最好的一种组织，较高的索氏体化率可以保证盘条的强度和塑性指标大大提高，尤其在拉拔过程中保持均匀变形，不易发生断裂。因此，在检验分析过程中必须确保索氏体化率的准确测定。

2、现阶段，基于材料图像的分析大致分为两类，一类是专家知识，主要是利用专业知识，人工的划分和识别图像中信息；第二类是基于计算机的方法，自动的分析图像，并获得材料图像中数据。

3、随着计算机科学的发展,在与材料的结合过程中，如何学习利用专家经验，并将专家经验量化与计算机技术进行结合已经成为亟待解决并能够广泛应用于市场的材料质检的关键。

技术实现思路

1、本发明提供了一种线材盘条组织图像的索氏体分割与识别方法，无需人工手工创建数据集，减少了人工成本，也保证了训练集的准确性，进一步提升了索氏体化率检测的准确率，对后续盘条产品出厂检验分析起到了决定性的作用。

2、为了达到上述目的，本发明采用以下技术方案实现：

3、一种线材盘条组织图像的索氏体分割与识别方法，包括如下步骤：

4、s1、使用灰度直方图对图像进行像素特征统计性描述，遍历图像所有像素特征，找到最佳像素特征阈值参数；

5、s2、按照像素阈值参数将图像分为，高于像素阈值参数阈值的图像与低于像素阈值参数阈值的图像，像素值高于像素阈值参数的阈值设为1，标记为索氏体，像素低于像素阈值参数的设为0，标记为珠光体；

6、s3、提取出珠光体的轮廓，利用轮廓中的信息，裁剪成(16～42)×(16～42)的图像块，索氏体在非珠光体区域随意取像素点进行裁剪，构建训练集；

7、s4、使用卷积神经网络cnn对需要索氏体化率检测的微观组织图像训练集数据进行训练，训练集数据为步骤s3训练集中的数据，形成卷积神经网络识别模型cnn-suo，保存训练好的网络模型及其参数。

8、s5、对需要识别的需要索氏体化率检测的微观组织图像进行像素级的采样，并将其该像素扩展至(16～42)×(16～42)的大小，放入训练好的卷积神经网络识别模型cnn-suo中，自动识别出该像素块对应的相。

9、进一步的，所述步骤s1具体包括：利用图像阈值化处理针对线材盘条组织图像形成阶梯函数，通过阶梯函数将珠光体与索氏体依托颜色分布、物体边缘梯度和其位置的概率分布，并计算处当前分析图像的像素特征统计量，并找到频次最高的像素特征，并输出作为最佳像素特征阈值参数，形成自适应直方频次法。

10、进一步的，所述步骤s3包括如下步骤：

11、s3.1、利用图像轮廓提取法获取图像中每个轮廓的区域，分别从每个区域里裁剪出(16～42)×(16～42)像素的像素块，作为第一类；

12、s3.2、从非轮廓内区域裁剪多个(16～42)×(16～42)像素的像素块；

13、s3.3、将第一类和第二类作为步骤s4模型的训练集和验证集。

14、进一步的，所述步骤s4中形成卷积神经网络识别模型cnn-suo具体包括如下步骤：

15、s4.1、所述卷积神经网络识别模型包含两层卷积层、两层激活层、两层池化层和三层全连接层；

16、s4.2、设置所述卷积神经网络识别模型cnn-suo的迭代次数，利用adam优化器和交叉熵函数对网络进行训练；

17、s4.3、随机打乱训练数据集中的图片，给所述卷积神经网络识别模型每次输入量级图片，并记录模型输出向量，结合标签与实际数据的差别，更新网络中的参数,所有图片均输入网络一次，则完成一次迭代；

18、s4.4、达到最大迭代次数后，即损失函数的最小值达到稳定后，将该模型作为最终模型。

19、s5、对需要识别的需要索氏体化率检测的微观组织图像进行像素级的采样，并将其该像素扩展至(16～42)×(16～42)的大小，放入训练好的卷积神经网络识别模型cnn-suo中，自动识别出该像素块对应的相。

20、与现有技术相比，本发明的有益效果是：

21、1)利用自适应直方频次法对阈值参数进行处理以找到分析图像中的最佳阈值，形成基于计算机视觉与专家经验的索氏体分割，依托自适应直方频次法形成新的阈值分割算法去除分割误差点，无需人工手工创建数据集，减少了人工成本，也保证了训练集的准确性；

22、2)利用深度学习的自学习能力，对微观组织进行识别，进一步提升了识别的准确率。

技术特征：

1.一种线材盘条组织图像的索氏体分割与识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种线材盘条组织图像的索氏体分割与识别方法，其特征在于，所述步骤s1具体包括：利用图像阈值化处理针对线材盘条组织图像形成阶梯函数，通过阶梯函数将珠光体与索氏体依托颜色分布、物体边缘梯度和其位置的概率分布，并计算出当前分析图像的像素特征统计量，并找到频次最高的像素特征，并输出作为最佳像素特征阈值参数，形成自适应直方频次法。

3.根据权利要求1所述的一种线材盘条组织图像的索氏体分割与识别方法，其特征在于，所述步骤s3包括如下步骤：

4.根据权利要求1所述的一种线材盘条组织图像的索氏体分割与识别方法，其特征在于，所述步骤s4中形成卷积神经网络识别模型cnn-suo具体包括如下步骤：

技术总结
本发明涉及一种线材盘条组织图像的索氏体分割与识别方法，包括使用灰度直方图，对图像进行像素特征统计性描述，遍历图像所有像素特征，找到最佳像素特征阈值参数，结合最佳像素特征阈值参数运用阈值法进行图像分割，对图像进行二值化操作，移除图像中的噪点，利用轮廓法获取训练集图像，裁剪训练集图像，利用深度学习模型对图像进行分类识别，保存训练好的模型及其网络参数；利用自适应直方频次法对阈值参数进行处理以找到分析图像中的最佳阈值，形成基于计算机视觉与专家经验的索氏体分割，去除分割误差点，无需人工手工创建数据集，减少人工成本，也保证了训练集的准确性，利用深度学习对微观组织进行识别，提升了识别的准确率。

技术研发人员：任姿颖,杨静,宋宝宇,黄磊
受保护的技术使用者：鞍钢集团北京研究院有限公司
技术研发日：
技术公布日：2024/7/23