一种中低碳钢晶粒度智能评级方法及系统与流程

1.本发明涉及金属平均晶粒度计算技术领域，具体是一种基于深度学习及数理统计的中低碳钢晶粒度智能测定方法及系统，适用于中低碳含量热轧、退火和正火态钢铁产品晶粒度的评级。


背景技术：

2.显微组织结构被称为金属材料的基因代码。金相分析是研究金属材料的微观组织并确定这种微观组织和宏观性能之间关系地一门科学。显微组织的特征、数量、形貌、大小、分布、取向、空间排布状态等微观组织结构特征与材料的宏观机械、物理性能之间存在着有对应函数关系。晶粒度是描述多晶体材料晶粒大小的参数，是材料显微结构中最重要的指标之一。晶粒大小对金属材料的性能有重要影响，一般晶粒越小,金属材料的强度、塑性和韧性越高,材料综合力学性能越好。因此,晶粒度是金属材料加工,特别是热加工工艺中需要严格控制的技术指标，也是各金属材料标准中金相分析的必检项目。
3.根据国家标准gb6394-2017《金属平均晶粒度评级方法》，金属材料平均晶粒度常用的评级方法有比较法、截点法和面积法。比较法是通过与标准系列评级图进行比较，给出最接近的级别；截点法是通过计算已知长度的实验线段与晶粒界面相交部分的截点数，用单位长度截点数来确定晶粒度级别；面积法则是通过统计给定面积的晶粒个数，进而计算出晶粒的平均面积进而测定晶粒度级别。
4.现有评级方法中，截点法和面积法的准确度较高。目前，这两种方法主要是通过人工测量、计算、定级。这种传统的评级方法耗时长、主观性强，存在测定精度差、统计结果不统一、效率低的问题，严重影响了生产生活中金属材料的研发与应用。
5.随着机器学习、图像处理等技术的发展，智能检测渐渐在各个领域崭露头角，利用图像处理技术分析金属的微观组织在工业上得到了大量的运用，其自动化程度高，能在短时间内得到精确的测定结果。但现阶段运用于平均晶粒度评级的算法还存在检测精度低、无法解决缺失晶界等问题，仍需要进一步进行研究，提高智能检测的精确度。


技术实现要素：

6.本发明的目的是为了解决现有技术中存在的晶粒度求解依赖人工进行操作，工作强度大、检测效率低、晶界识别和统计误差大、结果一致性低等问题，尤其是在在部分金相照片中，存在模糊晶界、缺失晶界干扰下的晶粒度计算。
7.为实现上述目的，本发明采取的技术方案如下：
8.一方面，本发明提出了一种基于深度学习及数理统计的中低碳钢晶粒度智能评级方法，其包括以下步骤：
9.步骤1：采集金相图片，对图片进行数据集标注，包括清晰晶界、模糊晶界和不连续(部分缺失)晶界，建立图像-标签-放大倍数-晶粒度级别的数据库；
10.步骤2：利用基于cnn的改进神经网络进行晶界提取，对输入图片利用等步长划分
为大小为256
×
256的子图片，通过训练得到晶界提取模型，再通过测试得到原始输入大小的完整晶界提取图；
11.步骤3：利用四圆截点法在图中进行初步截点统计；
12.步骤4：通过数理统计方法对缺失晶界进行数值推测，基于置信度对大碳块区域的截点数进行推测；
13.步骤5：使用公式
[0014][0015]
n＝n1 n2[0016]
进行每个圆对应的晶粒度求解；其中g为晶体级别数，m为放大倍数，l为圆形网格的周长，n为圆上节点数，n1为初步统计截点数，n2为数理统计推测隐藏截点数。
[0017]
步骤6：对四个圆所对应的晶粒度进行求平均，作为最终晶粒度。
[0018]
进一步的，所述步骤1中，数据集标注使用labelme完成，除可见晶界外，需人工标注模糊和缺失晶界。
[0019]
进一步的，所述步骤1的数据库中，图像为金相图片原始图片，标签为人工标记晶界(包括清晰晶界、模糊晶界和不连续的缺失晶界)后的图片，放大倍数为原始图片拍摄时的显微镜放大倍数。
[0020]
进一步的，所述步骤2中，在训练时，使用pytorch框架进行实现神经网络结构，使用gpu资源进行网络训练，得到晶界提取模型；在测试时，将划块的图片进行晶界提取，基于布尔加法对各分片晶界提取图进行融合，最终得到原始输入大小的完整晶界提取图；
[0021]
进一步的，所述步骤2中，基础网络以cnn为骨架，通过修改网络中间层数量，各层神经元数量进行优化cnn网络。
[0022]
进一步的，所述步骤s2中，晶界提取中对输入图片进行基于步长的等长宽切分，分别进行提取后进行结果合并。
[0023]
进一步的，四个同心圆中心位于输入图片正中心，利用截点统计模块对各圆可见截点数量进行初步统计。
[0024]
进一步的，使用的四个圆半径分别为84.85mm，60.6mm，40.37mm，20.12mm。
[0025]
另一方面，本发明提出了一种基于深度学习及数理统计的中低碳钢晶粒度智能测定系统，所述系统包括金相图像采集模块，晶界提取网络模块，以及基于数理统计的截点推测模块和自动化评级模块，所述系统通过采集大量金相图像数据进行标记及训练，逐步优化网络，同时结合数理统计优化缺失晶界的截点数统计，得出晶粒度。
[0026]
进一步的，所述金相图片采集模块，用于采集金相图片，对图片进行数据集标注，建立图像-标签-放大倍数-晶粒度级别的数据库；
[0027]
所述晶界提取网络模块，采用pytorch框架进行模型搭建及训练，保存训练完的模型文件，在模型训练完之后，进行测试最终得到完整的一张晶界提取图；
[0028]
所述截点推测模块包括可见截点数量统计模块和隐藏截点数量统计模块；其中，可见截点数量统计模块通过输入晶界提取网络输出的边缘晶界二值图，并基于四圆截点法进行截点初步统计，隐藏截点数量统计模块通过输入晶界提取网络输出的边缘晶界二值图，基于数理统计方法进行隐藏截点的推测；
[0029]
所述自动评级模块，对得到的可见截点数和隐藏截点数进行累加，得到最终截点数，再利用公式进行计算晶粒度。
[0030]
本发明的有益效果如下：
[0031]
本发明能有效解决中低碳钢晶粒度人工检测效率低、劳动强度大，现有图像分析算法无法解决模糊晶界和缺失晶界提取等问题，提高了检测效率，降低了检测误差，在实际运用中具有重要的开创性意义。
[0032]
本发明的模型训练与预测均采用端到端方式进行，晶界的提取利用分块思想大大降低模型的训练复杂度，提高模型的运行速度。同时，整个使用过程由软件自动进行，只需要输入需要评级的图片所在路径即可自动处理，最终得到评测报告。在经过优质数据集训练的情况下，模型能够稳定运行，大大降低了人工评级的误差，节约了人工成本及时间成本。
附图说明
[0033]
图1为本发明的模型架构图；
[0034]
图2为本发明中实施例用的晶粒度图；
[0035]
图3为本发明中实施例所得到的截点统计图；
具体实施方式
[0036]
下面结合附图和具体实施例对本发明进行详细说明。
[0037]
实施例一
[0038]
本实施例提供了一种基于深度学习及数理统计的中低碳钢晶粒度智能评级方法，包括以下步骤：
[0039]
步骤1：采集金相图片，对图片进行数据集标注，包括清晰晶界、模糊晶界和不连续(部分缺失)晶界，使用labelme进行晶界的标注，建立图像-标签-放大倍数-晶粒度级别的数据库，其中图像为金相图片原始图片，标签为人工标记晶界后的图片，放大倍数为原始图片拍摄时的显微镜放大倍数；
[0040]
步骤2：利用基于cnn的改进神经网络进行晶界提取，对输入图片利用等步长划分为大小为256
×
256的子图片，在训练时，使用pytorch框架进行实现神经网络结构，使用gpu资源进行网络训练，得到晶界提取模型；在测试时，将划块的图片进行晶界提取，基于布尔加法对各分片晶界提取图进行融合，最终得到原始输入大小的完整晶界提取图；
[0041]
步骤3：利用四圆截点法在图中进行初步截点统计，四个同心圆中心位于输入图片正中心，利用截点统计模块对各圆可见截点数量进行初步统计；
[0042]
步骤4：通过数理统计方法对缺失晶界进行数值推测，基于置信度对大碳块区域的截点数进行推测。
[0043]
步骤5：使用公式
[0044][0045]
n＝n1 n2[0046]
进行每个圆对应的晶粒度求解；其中g为晶体级别数，m为放大倍数，l为圆形网格
的周长，n为圆上节点数，n1为初步统计截点数，n2为数理统计推测隐藏截点数。
[0047]
步骤s6：对四个圆所对应的晶粒度进行求平均，作为最终晶粒度。
[0048]
上述步骤1中，数据集标注使用labelme完成，除可见晶界外，需人工标注缺失晶界。
[0049]
上述步骤2中，基础网络以cnn为骨架，通过修改网络中间层数量，各层神经元数量进行优化cnn网络。
[0050]
上述步骤2中，晶界提取中对输入图片进行基于步长的等长宽切分，分别进行提取后进行结果合并。
[0051]
上述步骤3中，使用的四个圆半径分别为84.85mm，60.6mm,40.37mm,20.12mm。
[0052]
上述步骤4中，是使用基于置信度的方法进行隐藏截点数的推测。
[0053]
实施例二
[0054]
本实施例提供了一种基于深度学习及数理统计的中低碳钢晶粒度智能测定系统，包括金相图像采集模块，晶界提取网络模块，基于数理统计的截点推测模块及自动化评级模块。本系统通过对大量数据的标记及训练，逐步优化网络，同时结合数理统计优化缺失晶界的截点数统计，全过程高度自动化，降低人工的参与度，提高了金相分析的效率。其中：
[0055]
金相图片采集模块，用于采集金相图片，对图片进行数据集标注，包括清晰晶界、模糊晶界和不连续(部分缺失)晶界，建立图像-标签-放大倍数-晶粒度级别的数据库；
[0056]
晶界提取网络模块中，对模型进行训练是最关键的一步操作，具体训练步骤如下：
[0057]
步骤1：使用labelme软件对原始数据进行标定，图片大小为2048
×
1536，标注出可见晶界并对可延长晶界进行填补。同时将图片以id_放大倍数_级别.png进行命名；
[0058]
步骤2：将标记完的图片以128为步长进行切分为256
×
256大小的图片，同时对标签进行同等方式的切分；
[0059]
步骤3：将数据集输入神经网络进行训练，采用pytorch框架进行模型搭建及训练，保存训练完的模型文件。
[0060]
在模型训练完之后，可以开始进行测试，输入2048
×
1536大小的金相图片，程序首先对图片进行切分，以128为步长切分为256
×
256的切片，运行晶界提取模型进行晶界提取，最终得到完整的一张晶界提取图。
[0061]
截点推测模块包括可见截点数量统计模块和隐藏截点数量统计模块；其中：
[0062]
可见截点数量统计模块，输入晶界提取网络输出的边缘晶界二值图，基于四圆截点法进行截点的初步统计，使用的四个圆半径分别为84.85mm，60.6mm，40.37mm，20.12mm。
[0063]
隐藏截点数量统计模块，输入晶界提取网络输出的边缘晶界二值图，基于数理统计方法进行隐藏截点的推测。
[0064]
自动评级模块，对得到的可见截点数和隐藏截点数进行累加，得到最终截点数，利用公式进行计算晶粒度。实施例用的晶粒度图进行评级，人工标准级别为12.41，采用本方法测试级别为12.329475，误差为0.080524。
[0065]
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解，上述实施例不以任何形式限制本发明的保护范围，凡采用等同替换等方式所获得的技术方案，均落于本发明的保护范围内。
[0066]
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。