一种基于双尺度目标检测的连铸板坯异质点来源判断方法与流程

本发明涉及冶金工业智能制造技术，更具体地说，涉及一种基于双尺度目标检测的连铸板坯异质点来源判断方法。

背景技术：

1、钢铁连铸板坯中异质点(如氧化物、mns、tin等夹杂物缺陷)会显著降低材料强度，影响后续压延生产或冲压成型性能和安全性。要控制钢中异质点，首先要获得异质点的成分、形貌、尺寸、分布等特征信息，从而异质点进行分类，从分类中对异质点/相的来源进行判断，从而制定出减少板坯中异质点密度的连铸工艺优化方案。工艺人员往往用扫描电镜中的eds/wds对板坯/材中进行面扫，形成各个异质点/相的成分，根据一定规则，对异质点/相进行分类(判断其是外来的非金属氧化物、保护渣或凝固过程中形成的mns/tin)，从而才能分析出异质点/相形成的来源，从而才可以制定合适的工艺方案。然而，进行成分检测的扫描电镜的面扫描存在如下几个问题：

2、(1)判断基于工艺人员的人为规则进行判断，不同的人有不同的判断准则，归因不同；

3、(2)由于成分检测精准度原因，有些成分无法扫描出来，造成判断有误；

4、(3)耗时，一个的成分面扫需要1个小时以上。

5、近年来，大数据时代的到来使得以数据为支撑的机器学习算法得到了蓬勃发展，得益于其强大的学习能力，机器学习在钢铁工业中应用越来越广泛。随着卷积神经网络迅速发展，机器学习算法在目标检测、图像识别与分割、序列分析等方向表现出巨大的优势，使得在目标物检测分析领域有着很好的应用潜力。针对此，各钢厂甚至主机厂构建离线或在线的异质/相视觉检测分析系统。

6、在现有专利申请中，如专利申请号202210613572.1提出了一种利用深度学习技术实现钢中非金属夹杂物智能识别和评级的方法。该方法主要针对传统金相分析中人工评级工作强度大、精度低，以及传统灰度阈值分割和特征提取方式局限性大的问题。通过深度学习中语义分割算法，实现非金属夹杂物边界自动提取以及评级，主要是识别夹杂物，提取夹杂物的尺寸，不涉及夹杂物的分类。又如专利申请号202410656971.5提出了一种基于深度学习的钢中非金属夹杂物的智能评级方法，通过语义分割算法(sam)实现对非金属夹杂物的自动分割,并进一步利用resnet50分类神经网络对分割出的夹杂物进行了分类和评级，该专利可以对四个类别的非金属夹杂物进行自动分类与评级。

7、上述2件专利技术的问题在于：

8、1)从连铸板坯异质点识别与分类上，只到了为非金属夹杂物进行识别与分类，然而在连铸板坯中，除了非金属夹杂物、还有金属夹杂物、还有在固相中的析出相，这些都对连铸板坯后工序生产有影响，需要进行识别与分类；

9、(2)未进行异质点来源的判断，如同样tin相，可能是凝固过程中形成的tin金属夹杂物，也可能是全固相析出相。来源不一样，同一物性作用不一样，采取的控制措施也不一样。因此，进行来源判断非常重要，不可缺失；

10、(3)从方法上，多采用语义切割的深度学习算法，将异质点(如夹杂物)首先切割出来，再进行分类。当需要进行来源判断时，这种基于语义切割进行判断的方法是不可行的。

技术实现思路

1、针对现有技术中存在的缺陷，本发明的目的是提供一种基于双尺度目标检测的连铸板坯异质点来源判断方法，基于视觉识别，进行连铸板坯异质点来源判断的方法。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于双尺度目标检测的连铸板坯异质点来源判断方法；

4、基于双尺度检测网络对金相图片中的异质点目标进行定位与分类识别；

5、基于异质点的类型分类，同时再结合异质点的来源进行分类；

6、自动进行异质点的来源判断，从而为快速分析异质点的缺陷原因，进行工艺改进提供辅助工具。

7、较佳的，所述连铸板坯异质点来源判断方法具体包括以下步骤：

8、s1，获取标准化的试样与图像；

9、s2，数据采集，进行剪裁、滤波与降噪预处理，构成训练数据集d；

10、s3，数据标注，根据异质点的类别与外形进行标注，生成标注数据集d1；

11、s4，在框架上搭建与训练双尺度检测网络y；

12、s5，构建异质点专家知识库；

13、s6，结果输出。

14、较佳的，所述步骤s1具体包括：

15、制备连铸板坯试样进行显微图像采样，获取显微镜下的试样图像集x。

16、较佳的，所述图像采样的范围为0.5mm*0.5mm～1mm*1mm；

17、所述图像采样的倍数为100～500倍。

18、较佳的，所述步骤s3具体包括：

19、采用easydata标注平台进行所述异质点的目标检测标注，分类标注根据所述异质点的类型与来源两个维度进行所述异质点的分类。

20、较佳的，所述异质点的类型包括非金属夹杂物、金属夹杂物、金属析出相；

21、所述异质点的来源包括冶炼渣、保护渣、连铸高温凝固夹杂物、连铸低温析出物。

22、较佳的，所述非金属夹杂物包括al2o3、sio2、cao氧化物，以及钙铝酸盐；

23、所述金属夹杂物包括tin、mns；

24、所述金属析出相包括tin、aln。

25、较佳的，所述步骤s4中，所述双尺度检测网络y包括浅层检测头和深层检测头；

26、所述浅层检测头包括检测尺寸1～5mm目标的小尺度检测，异质点尺寸＝检测尺寸/放大倍数；

27、所述深层检测头包括检测尺寸5～20mm目标的大尺度检测，异质点尺寸＝检测尺寸/放大倍数。

28、较佳的，所述步骤s5中，所述异质点专家知识库包括所述异质点的来源与工艺原因以及工艺改进建议信息。

29、较佳的，所述步骤s6具体包括：

30、根据所述双尺度检测网络y对夹杂物进行来源判断，输出每个所述异质点的位置、分类、来源列表或可视化图片，再融合所述异质点专家知识库以输出工艺因素与改进建议。

31、本发明所提供的一种基于双尺度目标检测的连铸板坯异质点来源判断方法，该方法在钢铁行业的质量检测中具有重要意义，能够快速、准确地识别和评级钢中的非金属夹杂物，有助于提高钢铁产品的质量控制水平，降低检测成本。同时，本发明也为其他材料的缺陷检测提供了新的思路和方法。

32、异质点分类与来源判断：不同于已有专利，本发明不仅仅进行非金属夹杂物的识别，同时包括金属夹杂物以及析出相的识别。同时包括来源的判断。

33、自动化与智能化：本发明通过深度学习算法实现了异质点的自动识别和来源判断，减少了人工干预，提高了检测效率和精度。

1.一种基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于：

2.一种基于权利要求1所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于，所述连铸板坯异质点来源判断方法具体包括以下步骤：

3.一种基于权利要求2所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于，所述步骤s1具体包括：

4.一种基于权利要求3所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于：所述图像采样的范围为0.5mm*0.5mm～1mm*1mm；

5.一种基于权利要求2所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于，所述步骤s3具体包括：

6.一种基于权利要求5所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于：所述异质点的类型包括非金属夹杂物、金属夹杂物、金属析出相；

7.一种基于权利要求6所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于：所述非金属夹杂物包括al2o3、sio2、cao氧化物，以及钙铝酸盐；

8.一种基于权利要求2所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于，所述步骤s4中，所述双尺度检测网络y包括浅层检测头和深层检测头；

9.一种基于权利要求2所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于：所述步骤s5中，所述异质点专家知识库包括所述异质点的来源与工艺原因以及工艺改进建议信息。

10.一种基于权利要求2所述的基于双尺度目标检测的连铸板坯异质点来源判断方法，其特征在于，所述步骤s6具体包括：