合金显微组织识别方法、装置和计算机设备与流程

1.本技术涉及图像识别技术领域，特别是涉及一种合金显微组织识别方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.镍基单晶高温合金是目前制备航空发动机叶片的最高等级材料，中国及主要发达国家都对单晶高温合金的研发及单晶叶片的研制与安全服役非常重视，相较于铸造等轴晶和定向凝固高温合金，单晶高温合金的显微组织更加简单，其主要由γ和析出强化相γ’相组成，γ’相的含量与形貌对于单晶高温合金的各项性能影响最为显著，定量表征单晶高温合金叶片γ’相的含量与形貌对于检验叶片出厂性能、评估叶片服役安全可靠性、预测叶片服役剩余寿命等均十分重要。
3.目前，针对镍基单晶高温合金显微组织表征，仍然采用传统人工方法，利用photoshop、image、matlab等软件对合金显微组织照片进行统计，存在图像识别效率低的问题。


技术实现要素：

4.基于此，有必要针对传统合金显微组织定量统计方法存在图像识别效率低的技术问题，提供一种能够提高图像识别效率的合金显微组织识别模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品和一种能够提高图像识别效率的合金显微组织识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种合金显微组织识别模型构建方法。所述方法包括：
6.获取不同应力和热处理状态的合金显微组织图像；
7.根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；
8.将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
9.在其中一个实施例中，根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集包括：
10.根据合金显微组织图像，通过图像分割，获得初始γ’相显微组织图像集；
11.将初始γ’相显微组织图像集，通过预处理方法，获得γ’相显微组织图像集，预处理方法包括去噪算法和图像归一化。
12.在其中一个实施例中，将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型包括：
13.将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，在预置卷积神经网络模型的隐含层通过卷积和池化操作，获得γ’相显微组织图像集的特征数据；
相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
33.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
34.获取不同应力和热处理状态的合金显微组织图像；根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
35.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
36.获取不同应力和热处理状态的合金显微组织图像；根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
37.上述合金显微组织识别模型构建方法、装置、计算机设备、存储介质和计算机程序产品，通过将不同应力和热处理状态的合金显微组织图像通过图像分割后输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，能够提高合金显微组织识别效率，由于γ’相显微组织图像集的特征数据与合金显微组织图像的应力和热处理状态一一对应，训练过程中通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，能够获得γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
38.第六方面，本技术提供了一种合金显微组织识别方法。所述方法包括：
39.获得待测合金显微组织图像；
40.根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集；
41.将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
42.第七方面，本技术还提供了一种合金显微组织识别装置。所述装置包括：
43.待测图像数据获取模块，用于获得待测合金显微组织图像；
44.待测图像分割模块，用于根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集；
45.分类结果获取模块，用于将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
46.第八方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
47.获得待测合金显微组织图像；根据待测合金显微组织图像，通过图像分割，获得待
测γ’相显微组织图像集；将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
48.第九方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
49.获得待测合金显微组织图像；根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集；将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
50.第十方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
51.获得待测合金显微组织图像；根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集；将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
52.上述合金显微组织识别方法、装置、计算机设备、存储介质和计算机程序产品，通过将待测合金显微组织图像，通过图像分割后输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到，这种使用卷积神经网络模型对合金显微组织识别的方法，提高了合金显微组织识别效率。
附图说明
53.图1为一个实施例中合金显微组织识别方法的应用环境图；
54.图2为一个实施例中合金显微组织识别模型构建方法的流程示意图；
55.图3为一个实施例中合金显微组织识别模型构建步骤的流程示意图；
56.图4为一个实施例中s420的子流程示意图；
57.图5为一个实施例中s460的子流程示意图；
58.图6为一个实施例中合金显微组织识别模型构建装置的结构框图；
59.图7为一个实施例中合金显微组织识别方法的流程示意图；
60.图8为一个实施例中合金显微组织识别装置的结构框图；
61.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
62.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
63.本技术实施例提供的合金显微组织识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器
上。终端102获取不同应力和热处理状态的合金显微组织图像；根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果；获得待测合金显微组织图像；根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集；将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
64.在一个实施例中，如图2所示，提供了一种合金显微组织识别模型构建方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
65.s200，获取不同应力和热处理状态的合金显微组织图像。
66.其中，合金由于外因而变形时，在物体各部分之间产生相互作用的内力，以抵抗这种外因的作用，并试图使合金从变形后的位置恢复到变形前的位置，这种在所考察的截面某一点单位面积上的内力称为应力，热处理是指材料在固态下，通过加热、保温和冷却的手段，以获得预期组织和性能的一种金属热加工工艺，在不同的温度下进行的热处理即为热处理的状态，在不同的应力和热处理状态下，合金显微组织图像不同。
67.具体地，获取不同应力和热处理状态的合金显微组织图像。
68.s300，根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集。
69.其中，单晶高温合金的显微组织主要由γ相和γ’相组成，γ’相的含量与形貌对于单晶高温合金的各项性能影响最为显著，图像分割是在合金试验样本上选取不同的区域，每个不同区域采集一张照片，得到不同的图像集，图像集中每张图像中包括γ’相颗粒，获得的包含γ’相颗粒的图像集即为γ’相显微组织图像集。
70.具体地，根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集。
71.s400，将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
72.其中，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，卷积神经网络的结构包括输入层、隐含层和输出层，经典的卷积神经网络模型类型包括：lenet、alexnet、vgg、nin、goolenet、resnet以及densenet，本技术对卷积神经网络的类型不做具体限定。激活函数是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端，线性激活函数是最简单的激活函数，输出和输入成比例，它的导数是常数，梯度也是常数。未服役前的单晶高温合金叶片中γ’相保持近似立方状形貌，叶片服役过程中，在温度与应力的作用下，γ’相会发生溶解、粗化连接、筏排化等
各种含量与形貌变化，因此，从γ’相的含量和形貌可以反映出合金的应力和热处理状态。
73.具体地，将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
74.上述合金显微组织识别模型构建方法中，通过将不同应力和热处理状态的合金显微组织图像通过图像分割后输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，能够提高合金显微组织识别效率，由于γ’相显微组织图像集的特征数据与合金显微组织图像的应力和热处理状态一一对应，训练过程中通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，能够获得γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
75.在一个实施例中，根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集包括：根据合金显微组织图像，通过图像分割，获得初始γ’相显微组织图像集；将初始γ’相显微组织图像集，通过预处理方法，获得γ’相显微组织图像集，预处理方法包括去噪算法和图像归一化。
76.本实施例中，在合金试验样本上选取不同的区域，每个不同区域采集一张照片，得到不同的图像集，图像集中每张图像中包括γ’相颗粒，根据不同应力和热处理状态下的合金显微组织图像，通过图像分割，获得的包含γ’相颗粒的图像集为初始γ’相显微组织图像集。将初始γ’相显微组织图像集经过去噪算法，获得去噪后的图像集，其中，本技术使用的去噪算法包括但不限于色域转换、中值滤波、边缘检测、灰度化以及二值化，本技术对去噪算法的类型不做限定，将去噪后的图像集通过图像归一化操作，图像归一化操作可以将图像集转换为相同像素具有相同灰度范围的图像集，经过归一化后得到图像集的即为γ’相显微组织图像集。
77.上述实施例的方案，根据合金显微组织图像，通过图像分割，获得初始γ’相显微组织图像集，将初始γ’相显微组织图像集，通过去噪算法和图像归一化，获得γ’相显微组织图像集，经过图像分割和预处理后的合金显微组织图像能够为合金显微组织识别模型构建提供高精度的建模数据集。
78.在一个实施例中，如图3所示，将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型包括：
79.s420，将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，在预置卷积神经网络模型的隐含层通过卷积和池化操作，获得γ’相显微组织图像集的特征数据。
80.s440，根据特征数据，通过前向传播函数，获得特征数据对应的应力和热处理状态测试结果、并将测试结果发送至预置卷积神经网络模型的输出层。
81.s460，根据应力和热处理状态测试结果，在输出层通过反向传播，更新前向传播函数的参数，获得合金显微组织图像的卷积神经网络模型。
82.本实施例中，将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，在预置卷积神经网络模型的隐含层通过卷积和池化操作，获得γ’相显微组织图像集的特征数据，为更好地表示γ’相的特征，γ’相显微组织图像集的特征数据包括γ’相的大小、面积、形状以及其他可以表征γ’相特点的特征数据。γ’相显微组织图像集的特征数据与应
力和热处理状态是一一对应的，根据γ’相显微组织图像集的特征数据，通过前向传播函数，获得特征数据对应的应力和热处理状态测试结果，获得的测试结果发送至预置卷积神经网络模型的输出层，在输出层根据应力和热处理状态测试结果，通过反向传播，将测试结果反向传递回隐含层，在隐含层更新前向传播函数的参数，经过多轮训练，获得最终的前向传播函数参数，根据最终的前向传播函数参数，获得合金显微组织图像的卷积神经网络模型。
83.上述实施例的方案，通过将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，在预置卷积神经网络模型的隐含层通过卷积和池化操作，获得γ’相显微组织图像集的特征数据，通过前向传播函数，获得特征数据对应的应力和热处理状态测试结果、并将测试结果发送至预置卷积神经网络模型的输出层，通过反向传播，更新前向传播函数的参数，经过多轮训练，获得最终的前向传播函数参数，构建合金显微组织图像的卷积神经网络模型，通过将γ’相显微组织图像集输入至预置卷积神经网络模型，构建合金显微组织图像的卷积神经网络模型能够提高合金显微组织识别效率。
84.在一个实施例中，如图4所示，将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，在预置卷积神经网络模型的隐含层通过卷积和池化操作，获得γ’相显微组织图像集的特征数据包括：
85.s421，将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，通过激活函数，获得激活后的图像集、并将激活后的图像集传递给预置卷积神经网络模型的隐含层。
86.s422，根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量。
87.s423，根据特征向量，通过激活函数和池化操作，获得池化后的特征向量、并将池化操作计数值累加。
88.s424，将池化后的特征向量经过激活函数激活后，更新激活后的图像集，返回根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量的步骤。
89.s425，若池化操作计数值累计大于预设计数值，根据池化后的特征向量，获得γ’相显微组织图像集的特征数据。
90.本实施例中，隐含层包括卷积层、池化层以及全连接层，将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，通过激活函数，获得激活后的图像集，激活后的图像集经由神经网络之间的连接权重传递给预置卷积神经网络模型的卷积层，激活后的图像集在卷积层经过卷积核的卷积操作以及激活函数激活后，得到特征向量，特征向量加上预设加权值之后，再通过激活函数激活，传递给池化层，在池化层进行池化操作，获得池化后的特征向量，每次池化操作后将池化操作计数值累加，其中池化操作包括但不限于最大池化或者平均池化。池化后的特征向量再经激活函数激活后传递给下一层神经元，进行多层卷积和池化操作，具体地，池化后的特征向量再经激活函数激活后，更新激活后的图像集，返回根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量的步骤。若池化操作计数值大于预设计数值，经过多层卷积核池化操作后的获得池化后的特征向量，获得γ’相显微组织图像集的特征数据。
91.上述实施例的方案，通过将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，经过多层卷积和池化操作，获得γ’相显微组织图像集的特征数据，γ’相显微组织图像集的特征数据与合金显微组织应力和热处理状态一一对应，能够支持获得合金显微
组织图像对应的应力和热处理状态线性分类结果。
92.在一个实施例中，如图5所示，根据应力和热处理状态测试结果，在输出层通过反向传播，更新前向传播函数的参数，获得合金显微组织图像的卷积神经网络模型包括：
93.s462，根据γ’相显微组织图像集，获得γ’相显微组织图像集对应的初始应力和热处理状态数据。
94.s464，根据应力和热处理状态测试结果和初始应力和热处理状态数据，获得损失函数。
95.s466，若损失函数大于预设阈值，则输出层通过反向传播和计算梯度，更新前向传播函数的参数。
96.s468，若损失函数小于或者等于预设阈值，则在输出层通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出合金显微组织图像对应的应力和热处理状态线性分类结果、并构建合金显微组织图像的卷积神经网络模型。
97.本实施例中，根据获得的不同应力和热处理状态的γ’相显微组织图像集，对照标准应力和热处理状态下合金显微组织的状态数据，获得γ’相显微组织图像集对应的初始应力和热处理状态数据，将应力和热处理状态测试结果和初始应力和热处理状态数据进行求差，获得损失函数，若损失函数大于预设阈值，则输出层通过反向传播，将测试结果反向传递回隐含层，启动新一轮的训练，每轮训练中，通过计算梯度，更新前向传播函数的参数，经过多轮训练后，若损失函数小于或者等于预设阈值，则停止训练，获得最终的前向传播函数的参数，在输出层通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出合金显微组织图像对应的应力和热处理状态线性分类结果，根据最终的前向传播函数的参数，构建合金显微组织图像的卷积神经网络模型。
98.上述实施例的方案，根据应力和热处理状态测试结果，获得损失函数，通过判断损失函数，在输出层通过反向传播，启动多轮训练，更新前向传播函数的参数，获得合金显微组织图像的卷积神经网络模型，能够支持获得合金显微组织的线性分类结果，在输出层通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出合金显微组织图像对应的应力和热处理状态线性分类结果，由于γ’相显微组织图像集的特征数据与合金显微组织应力和热处理状态一一对应，线性激活函数的引入，能够输出合金显微组织应力和热处理状态的线性分类结果，相对于传统的逻辑回归进行分类的方式，通过线性激活函数进行分类，能够通过任意多的γ’相显微组织图像集的特征数据类型，得到任意多的合金显微组织应力和热处理状态的线性分类结果，有利于提高分类精度，进一步提高了合金显微组织识别结果的准确性。
99.为详细说明本方案中合金显微组织识别模型构建方法及效果，下面以一个最详细实施例进行说明，其中，合金为镍基单晶高温合金：
100.选取镍基单晶高温合金的横截面十字枝晶正中部的位置作为观察区域，在不同应力和温度下分别进行500小时实验，获取不同应力和热处理状态的合金显微组织图像，选取的12组温度和应力如表一所示，其中一组数据包括一个温度数据和一个应力数据：
101.表一为选取的12组温度和应力数据
102.温度/℃应力/mpa温度/℃应力/mpa温度/℃应力/mpa1020150980180880220
102012098014088016010201009801108801301020709807088070
103.在每种应力和热处理状态下的合金的试验样本上各随机选取10个不同的区域，这些区域在2万倍放大倍数下可以清晰分辨合金显微组织的γ基体和γ’析出相，针对所有的应力和热处理状态下的合金显微组织图像，使用sem(scanning electron microscope，扫描电子显微镜)在10个区域中各采集sem照片一张，且单张照片上γ’相的颗粒数量不少于50个，获得初始γ’相显微组织图像集，将初始γ’相显微组织图像集，通过中值滤波进行去噪，再经过图像归一化，获得γ’相显微组织图像集；将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，通过激活函数，获得激活后的图像集、并将激活后的图像集传递给预置卷积神经网络模型的隐含层，根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量，根据特征向量，通过激活函数和池化操作，获得池化后的特征向量、并将池化操作计数值累加，将池化后的特征向量经过激活函数激活后，更新激活后的图像集，返回根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量的步骤，若池化操作计数值累计大于预设计数值，根据池化后的特征向量，获得γ’相显微组织图像集的特征数据，根据特征数据，通过前向传播函数，获得特征数据对应的应力和热处理状态测试结果、并将测试结果发送至预置卷积神经网络模型的输出层，其中，前向传播函数为：y＝σ(w
t
x b)，w、b为随机初始化参数；σ＝max(0,z)为激活函数。根据γ’相显微组织图像集，获得γ’相显微组织图像集对应的初始应力和热处理状态数据，根据应力和热处理状态测试结果和初始应力和热处理状态数据，获得损失函数，损失函数的表达式为：其中a为初始应力和热处理状态数据，y为经过前向传播函数得出的测试结果若损失函数大于预设阈值，则输出层通过反向传播和计算梯度，更新前向传播函数的参数，若损失函数小于或者等于预设阈值，则在输出层通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出合金显微组织图像对应的应力和热处理状态线性分类结果、并构建合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
104.上述合金显微组织识别模型构建方法中，通过将不同应力和热处理状态的合金显微组织图像通过图像分割后输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，能够提高合金显微组织识别效率，由于γ’相显微组织图像集的特征数据与合金显微组织图像的应力和热处理状态一一对应，训练过程中通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，能够获得γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
105.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这
些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
106.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的合金显微组织识别模型构建方法的合金显微组织识别模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个合金显微组织识别模型构建装置实施例中的具体限定可以参见上文中对于合金显微组织识别模型构建方法的限定，在此不再赘述。
107.在一个实施例中，如图6所示，提供了一种合金显微组织识别模型构建装置100，包括：图像数据获取模块120、图像分割模块140和模型训练模块160，其中：
108.图像数据获取模块120，用于获取不同应力和热处理状态的合金显微组织图像.
109.图像分割模块140，用于根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集。
110.模型训练模块160，用于将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
111.上述合金显微组织识别模型构建装置中，通过将不同应力和热处理状态的合金显微组织图像通过图像分割后输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，能够提高合金显微组织识别效率，由于γ’相显微组织图像集的特征数据与合金显微组织图像的应力和热处理状态一一对应，训练过程中通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，能够获得γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
112.在一个实施例中，图像分割模块140还用于根据合金显微组织图像，通过图像分割，获得初始γ’相显微组织图像集；将初始γ’相显微组织图像集，通过预处理方法，获得γ’相显微组织图像集，预处理方法包括去噪算法和图像归一化。
113.在一个实施例中，模型训练模块160还用于将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，在预置卷积神经网络模型的隐含层通过卷积和池化操作，获得γ’相显微组织图像集的特征数据；根据特征数据，通过前向传播函数，获得特征数据对应的应力和热处理状态测试结果、并将测试结果发送至预置卷积神经网络模型的输出层；根据应力和热处理状态测试结果，在输出层通过反向传播，更新前向传播函数的参数，获得合金显微组织图像的卷积神经网络模型。
114.在一个实施例中，模型训练模块160还用于将γ’相显微组织图像集输入至预置卷积神经网络模型的输入层，通过激活函数，获得激活后的图像集、并将激活后的图像集传递给预置卷积神经网络模型的隐含层；根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量；根据特征向量，通过激活函数和池化操作，获得池化后的特征向量、并将池化操作计数值累加；将池化后的特征向量经过激活函数激活后，更新激活后的图像集，返回根据激活后的图像集，在隐含层通过卷积核和激活函数，获得特征向量的步骤；若池化操作计数值累计大于预设计数值，根据池化后的特征向量，获得γ’相显微组织图像集的特征数据。
115.在一个实施例中，模型训练模块160还用于根据γ’相显微组织图像集，获得γ’相显微组织图像集对应的初始应力和热处理状态数据；根据应力和热处理状态测试结果和初始应力和热处理状态数据，获得损失函数；若损失函数大于预设阈值，则输出层通过反向传播和计算梯度，更新前向传播函数的参数；若损失函数小于或者等于预设阈值，则在输出层通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出合金显微组织图像对应的应力和热处理状态线性分类结果、并构建合金显微组织图像的卷积神经网络模型。
116.上述合金显微组织识别模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
117.在一个实施例中，如图7所示，提供了一种合金显微组织识别方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
118.s500，获得待测合金显微组织图像。
119.其中，待测合金显微组织图像与构建合金显微组织识别模型所采用的不同应力和热处理状态下的合金显微组织图像相对应，为实际试验测试中，选取的待测合金的显微组织图像，该待测合金显微组织图像对应其中一种应力和热处理状态。
120.具体地，获得待测合金显微组织图像。
121.s600，根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集。
122.其中，将待测合金显微组织图像，通过合金显微组织识别模型构建方法中同样的图像分割方法，获得待测γ’相显微组织图像集。
123.具体地，根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集，获得的待测γ’相显微组织图像集作为训练好的卷积神经网络模型的输入，用于获得合金显微组织识别结果。
124.s700，将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
125.其中，将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
126.具体地，将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，这种使用卷积神经网络模型对合金显微组织识别的方法，提高了合金显微组织识别效率。
127.上述合金显微组织识别方法中，通过将待测合金显微组织图像，通过图像分割后输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到，这种使用卷积神经网络模型对合金显微组织识别的方法，提高了合金显微组织识别效率。
128.为详细说明本方案中合金显微组织识别方法及效果，下面以一个最详细实施例进
行说明，其中，待测合金为镍基单晶高温合金，应力为100mpa，热处理状态对应的温度为1020℃：
129.选取镍基单晶高温合金的横截面十字枝晶正中部的位置作为观察区域，获取100mpa、1020℃下的待测合金显微组织图像，在合金的试验样本上随机选取10个不同的区域，这些区域在2万倍放大倍数下可以清晰分辨合金显微组织的γ基体和γ’析出相，10个区域中各采集sem照片一张，且单张照片上γ’相的颗粒数量不少于50个，获得初始待测γ’相显微组织图像集，将初始待测γ’相显微组织图像集，通过中值滤波进行去噪，再经过图像归一化，获得待测γ’相显微组织图像集；将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，分类结果显示待测合金显微组织图像对应的应力和热处理状态分别为100mpa和1020℃，与待测合金对应的应力和热处理状态一致，其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
130.上述合金显微组织识别方法、装置、计算机设备和存储介质，通过将待测合金显微组织图像，通过图像分割后输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到，这种使用卷积神经网络模型对合金显微组织识别的方法，提高了合金显微组织识别效率。
131.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
132.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的合金显微组织识别方法的合金显微组织识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个合金显微组织识别装置实施例中的具体限定可以参见上文中对于合金显微组织识别方法的限定，在此不再赘述。
133.在一个实施例中，如图8所示，提供了一种合金显微组织识别装置800，包括：待测图像数据获取模块820、待测图像分割模块840和分类结果获取模块860，其中：
134.待测图像数据获取模块820，用于获得待测合金显微组织图像。
135.待测图像分割模块840，用于根据待测合金显微组织图像，通过图像分割，获得待测γ’相显微组织图像集。
136.分类结果获取模块860，用于将待测γ’相显微组织图像集输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果；其中，合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到。
137.上述合金显微组织识别装置中，通过图像分割后输入至合金显微组织图像的卷积神经网络模型，获得待测合金显微组织图像对应的应力和热处理状态线性分类结果，其中，
合金显微组织图像的卷积神经网络模型采用合金显微组织识别模型构建方法训练得到，这种使用卷积神经网络模型对合金显微组织识别的方法，提高了合金显微组织识别效率。
138.上述合金显微组织识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
139.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储合金显微组织图像的卷积神经网络模型以及合金显微组织图像对应的应力和热处理状态线性分类结果。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种合金显微组织识别方法。
140.本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
141.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
142.获取不同应力和热处理状态的合金显微组织图像；
143.根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；
144.将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
145.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
146.获取不同应力和热处理状态的合金显微组织图像；
147.根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；
148.将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
149.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
150.获取不同应力和热处理状态的合金显微组织图像；
151.根据合金显微组织图像，通过图像分割，获得γ’相显微组织图像集；
152.将γ’相显微组织图像集输入至预置卷积神经网络模型进行训练，获得合金显微组织图像的卷积神经网络模型，其中，训练过程包括提取γ’相显微组织图像集的特征数
据，通过线性激活函数，对γ’相显微组织图像集的特征数据进行分类，输出γ’相显微组织图像集对应的应力和热处理状态线性分类结果。
153.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
154.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
155.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
156.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。