一种材料老化损伤的分级方法、装置及设备与流程

1.本技术涉及图像识别领域，具体涉及一种材料老化损伤的分级方法、装置及设备。


背景技术：

2.卷积神经网络(cnn)已经普遍应用在计算机视觉领域，取得了不错的效果。近几年来，为了追求在imagenet竞赛的分类准确率，各类层出不穷的cnn模型深度越来越深，模型复杂度也越来越高。然而，在某些真实的应用场景如嵌入式边缘设备，如此大而复杂的模型是难以被应用的。由于模型过于庞大，检验设备并不具备gpu的强大计算能力。同时，检验人员需要及时获得检验结果，根据检验结果迅速找到存在问题的区域，无法迅速反馈结果会大量浪费检验人员的时间。由此导致检验设备响应速度慢，使得整个检验过程的效率较低的问题。
3.因此，如何提高检验设备响应速度，从而提高整个检验过程的检验效率，是本领域技术人员急需解决的技术问题。


技术实现要素：

4.基于上述问题，本技术提供了材料老化损伤的分级方法、装置及设备，提高检验设备响应速度，从而提高整个检验过程的检验效率。本技术实施例公开了如下技术方案：
5.一种材料老化损伤的分级方法，所述方法包括：
6.通过同一移动网络下的显微镜数据传输接口，获取所述显微镜扫描的实时材料组织图片；
7.将所述实时材料组织图片由三通道灰度图转化为单通道灰度图；
8.获取经过对比度饱和与锐度饱和处理后的单通道灰度图作为第一待分类图片；
9.获取经过预设裁剪的所述第一待分类图片作为第二待分类图片；
10.从所述第二待分类图片中裁剪出预设数量图片，并送入到完成训练的卷积神经网络模型中进行分类得到预设数量的分类结果；
11.根据所述分类结果确定材料的老化与损伤级别。
12.在一种可能的实现方式中，所述每个分类结果为大于0或小于1的数字，各个分类结果之和为1，所述根据所述分类结果确定材料的老化与损伤级别，包括：
13.取分类结果中符合预设结果的分类结果作为最终分类结果；
14.判断所述最终分类结果的老化与损伤级别，将该老化与损伤级别作为材料的老化与损伤级别。
15.在一种可能的实现方式中，所述将所述实时材料组织图片由三通道灰度图转化为单通道灰度图，包括：
16.对所述实时材料组织图片进行解码得到实时材料组织图片数据流的三通道的灰度图；
17.将所述实时材料组织图片的三通道灰度图转化为所述实时材料组织图片的单通
道灰度图。
18.在一种可能的实现方式中，所述卷积神经网络模型的训练过程，包括：
19.获取显微镜采集的预设分辨率下材料的微观组织图片；
20.获取各个所述微观组织图片的老化损伤级别；
21.对各个微观组织图片进行预处理后与其老化损伤级别进行绑定作为目标数据集；
22.将所述目标数据集的一部分作为训练数据集，另一部分作为验证数据集；
23.利用所述训练数据集和所述验证数据集基于深度学习框架pytorch构建mobilenetv3-mc模型，所述mobilenetv3-mc模型为具有马氏体分级的移动设备神经网络。
24.在一种可能的实现方式中，所述根据所述分类结果确定材料的老化与损伤级别之后，还包括：
25.识别所述实时材料组织图片的老化损伤区域；
26.实时记录所述实时材料组织图片的老化损伤区域。
27.在一种可能的实现方式中，所述实时记录所述材料老化损伤区域之后，还包括：
28.在终端设备上展示所述分类结果与所述材料老化损伤区域。
29.一种材料老化损伤的分级装置，所述装置包括：
30.第一获取单元，用于通过同一移动网络下的显微镜数据传输接口，获取所述显微镜扫描的实时材料组织图片；
31.转换单元，用于将所述获取单元获取的所述实时材料组织图片由三通道灰度图转化为单通道灰度图；
32.第二获取单元，用于获取经过对比度饱和与锐度饱和处理后的单通道灰度图作为第一待分类图片；
33.第一裁剪单元，用于对所述第一待分类图片进行预设裁剪；
34.第三获取单元，用于获取经过预设裁剪的所述第一待分类图片作为第二待分类图片；
35.第二裁剪单元，用于从所述第二待分类图片中裁剪出预设数量图片，并送入到完成训练的卷积神经网络模型中进行分类得到预设数量的分类结果；
36.确定单元，用于根据所述分类结果确定材料的老化与损伤级别。
37.在一种可能的实现方式中，所诉装置还包括：
38.第四获取单元，用于获取分类结果中符合预设结果的分类结果作为最终分类结果；
39.判断单元，用于判断所述最终分类结果的老化与损伤级别，将该老化与损伤级别作为材料的老化与损伤级别。
40.一种电子设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的材料老化损伤的分级方法。
41.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如上述的材料老化损伤的分级方法。
42.相较于现有技术，本技术具有以下有益效果：
43.本技术提供了一种材料老化损伤的分级方法、装置及设备。具体地，在执行本技术
实施例提供的材料老化损伤的分级方法时，本技术通过同一移动网络下的显微镜数据传输接口来获取实时材料组织的图片，在对实时材料组织图片经过三通道灰度图转化为单通道灰度图、对比度饱和与锐度饱和、预设裁剪出预设数量图片处理后送入到完成训练的卷积神经网络模型中进行分类以得到分类结果。并根据上述分类结果确定材料的老化与损伤级别。基于深度学习与完成训练的卷积神经网络模型对微观组织老化与损伤进行分级，可以提高检验设备响应速度，同时增强模型对不同老化及损伤程度的认知。
附图说明
44.为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本技术实施例提供的一种材料老化损伤的分级方法的方法流程图；
46.图2为本技术实施例公开的卷积神经网络的结构示意图；
47.图3为本技术实施例提供的一种材料老化损伤的分级装置的结构示意图。
具体实施方式
48.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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例，都属于本技术保护的范围。
49.为便于理解本技术实施例提供的技术方案，下面将先对本技术实施例涉及的背景技术进行说明。
50.钢铁材料微观组织特征是决定材料性能的重要因素之一。由于受到环境、温度、压力等因素影响，钢铁材料在使用过程中微观组织往往会产生不同程度老化和损伤，对安全生产带来极大隐患。因此，如何科学高效地检测钢铁材料的老化及损伤程度，成为理论与实践亟待解决的问题之一。近年来，在火力发电领域，以p91钢和p92钢为代表的高铬马氏体耐热钢在超(超)临界机组的主蒸汽管道、再热热段管道等关键承压部件被广泛应用，其材料组织的老化及损伤问题受到越来越多的关注。目前，针对这一问题的研究，主要以现场覆膜拍照或通过割管取样后在实验室金相显微镜下观察分析为主。但这类方法往往高度依赖于研究人员的专业技术水平和实践经验，具有较强的主观性。同时，由于人工观察判别成本高、复用性低，导致实验结果往往误差相对较大。
51.伴随着人工智能时代的到来，以深度学习为代表的机器学习算法在图像分析识别领域取得长足进步。越来越多的学者们开始关注深度学习在材料研究领域的应用，为探索科学高效的材料微观组织自动辨识方法提供了可能性。其中，一些学者探索了机器学习方法在材料微观结构的应用，如，azimi等利用深度学习方法，将通过图片对材料进行缺陷检测的问题转化为图片的语义分割问题，利用语义分割算法对金属材料进行缺陷检测。目前，卷积神经网络(cnn)已经普遍应用在计算机视觉领域，取得了不错的效果。近几年来，为了追求在imagenet竞赛的分类准确率，各类层出不穷的cnn模型深度越来越深，模型复杂度也
越来越高。然而，在某些真实的应用场景如嵌入式边缘设备，如此大而复杂的模型是难以被应用的。由于模型过于庞大，检验设备并不具备gpu的强大计算能力。同时，检验人员需要及时获得检验结果，根据检验结果迅速找到存在问题的区域，无法迅速反馈结果会大量浪费检验人员的时间。由此导致检验设备响应速度慢，使得整个检验过程的效率较低的问题。
52.为了解决这一问题，在本技术实施例提供了一种材料老化损伤的分级方法、装置及设备，先通过同一移动网络下的显微镜数据传输接口获取显微镜扫描的实时材料组织图片。接着，将实时材料组织图片由三通道灰度图转化为单通道灰度图。然后，获取经过对比度饱和与锐度饱和处理后的单通道灰度图作为第一待分类图片。再获取经过预设裁剪的第一待分类图片作为第二待分类图片，并从第二待分类图片中裁剪出预设数量图片送入到完成训练的卷积神经网络模型中进行分类得到预设数量的分类结果。最后，根据上述分类结果确定材料的老化与损伤级别。
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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例，都属于本技术保护的范围。
54.参见图1，该图为本技术实施例提供的一种材料老化损伤的分级方法的方法流程图，如图1所示，该材料老化损伤的分级方法可以包括步骤s101-s106：
55.s101：通过同一移动网络下的显微镜数据传输接口，获取所述显微镜扫描的实时材料组织图片。
56.为了实现本技术的材料老化损伤的分级方法，材料老化损伤的分级系统首先需要通过移动网络来搜索同一移动网络下的显微镜数据传输接口，并通过该接口获取显微镜扫描的实时材料组织图片。
57.在一种可能的实现方式中，移动网络可以是但不限于wifi网络。
58.在一些可能的实现方式中，显微镜可以是但不限于金相显微镜。金相显微镜是20世纪50年代依托金相显微技术发展起来的一种重要的无损检测显微镜。它以光学系统为基础，将光波聚焦在待观察物上，通过目镜和物镜的配合使用，对被观察物体进行放大或缩小后成像于接收屏上。
59.在一些可能的实现方式中，微观组织图片可以是但不限于高铬马氏体耐热钢组织的微观组织图像。高铬耐热钢因其优异的高温蠕变性和热稳定性而常被用来作为火力发电厂和核电站等锅炉涡轮叶片材料。高铬耐热钢通常含碳量为0.1wt％，此时耐热钢微观组织为马氏体相，根据材料成分的不同，马氏体呈现片状或板条状。
60.s102：将所述实时材料组织图片由三通道灰度图转化为单通道灰度图。
61.在得到实时的材料组织图片之后，材料老化损伤的分级系统需要将实时的材料组织图片由三通道灰度图转化为单通道灰度图。
62.在一些可能的实现方式中，所述将所述实时材料组织图片由三通道灰度图转化为单通道灰度图，包括a1-a2：
63.a1：对所述实时材料组织图片进行解码得到实时材料组织图片的三通道的灰度图。
64.为将实时材料组织图片由三通道灰度图转化为单通道灰度图，首先要对实时的材
料组织图片进行解码得到实时材料组织图片的三通道的灰度图。解码是指将实时材料组织图片的原有格式转换为三通道灰度图的标准格式。
65.在一些可能的实现方式中，三通道分别指rgb(红，绿，蓝)通道。将通道红绿蓝三通道比作三个手电筒，那么rgb的值就是三个手电筒的灯光亮度。三通道的灰度模式图就是指r，g，b三个通道值相同时的图片。
66.a2：将所述实时材料组织图片的三通道灰度图转化为所述实时材料组织图片的单通道灰度图。
67.在经过解码得到实时材料组织图片的三通道灰度图之后，需要将该三通道灰度图转换为单通道的灰度图。
68.在一些可能的实现方式中，单通道灰度图就是指维度数为2，或者第三维为1的图，也称灰度图，可以理解为黑白图。单通道灰度图的每个像素点只能有一个值表示颜色，像素值范围是[0～255]，其中0是黑色，255是白色。
[0069]
s103：获取经过对比度饱和与锐度饱和处理后的单通道灰度图作为第一待分类图片。
[0070]
在得到事实材料组织的三通道灰度图之后，材料老化损伤的分级系统还需要获取经过对比度饱和与锐度饱和处理后的实时材料组织的单通道灰度图作为第一待分类图片。
[0071]
其中，对比度指一幅图像中明暗区域最亮的白和最暗的黑之间不同亮度层级的测量，对比度是对画面明暗程度的定义。色彩差异范围越大代表对比度越大，差异范围越小代表对比度越小，好的对比率120:1就可容易地显示生动丰富的色彩，当对比率高达300:1时，便可支持各阶的颜色。对比度饱和是指将实时材料组织的单通道灰度图的对比度调到符合经验规定的图片分类标准即可。
[0072]
锐度是图片是否清晰的体现，因此锐度有时也叫“清晰度”，它是反映图像平面清晰度和图像边缘锐利程度的一个指标。如果将锐度调高，图像平面上的细节对比度也更高，看起来更清楚。比如，在高锐度的情况下，不但画面上人脸的皱纹、斑点更清楚，而且脸部肌肉的鼓起或凹下也可表现得栩栩如生。在另一种情况下，即垂直方向的深色或黑色线条，或黑白图像突变的地方，在较高锐度的情况下，线条或黑白图像突变的交接处，其边缘更加锐利，整体画面显得更加清楚。因此，提高锐度，实际上也就是提高了清晰度，这是人们需要的、好的一面。锐度饱和是指将实时材料组织的单通道灰度图的锐度调到符合经验规定的图片分类标准即可。
[0073]
s104：获取经过预设裁剪的所述第一待分类图片作为第二待分类图片。
[0074]
在得到实时材料组织图片的单通道灰度图即第一待分类图片之后，材料老化损伤的分级系统还需要获取经过预设裁剪的第一待分类图片，将其作为第二待分类图片。
[0075]
在一些可能的实现方式中，预设裁剪可以是将第一待分类图片按照步长m将第二组织图裁剪为不同的n
×n×
1图像，其中m和n的取值可以包括：100《m《400，100《n《800，得到第二待分类图片。
[0076]
s105：从所述第二待分类图片中裁剪出预设数量图片，并送入到完成训练的卷积神经网络模型中进行分类得到预设数量的分类结果。
[0077]
在得到经预设裁剪的第一待分类图片即第二待分类图片之后，材料老化损伤的分级系统还需要将第二待分类图片进行裁剪，裁剪出预设数量的图片以代表第二待分类图片
送入到完成训练的卷积神经网络模型中进行分类，从而得到预设数量的分类结果。
[0078]
在一些可能的实现方式中，预设数量图片可以是但不限于五张图片来代表第二待分类图片进行分类。
[0079]
在一些可能的实现方式中，裁剪可以是将第二待分类图片按照步长m将第二组织图裁剪为预设数量张n
×n×
1图像，其中m和n的取值可以包括：100《m《400，100《n《800。
[0080]
s106：根据所述分类结果确定材料的老化与损伤级别。
[0081]
在完成训练的卷积神经网络模型输出预设数量的分类结果之后，材料老化损伤的分级系统还需要根据上述分类结果来确定材料的老化级别与损伤级别。
[0082]
在一些可能的实现方式中，所述每个分类结果为大于0或小于1的数字，各个分类结果之和为1，所述根据所述分类结果确定材料的老化与损伤级别，包括b1-b2：
[0083]
b1：取分类结果中符合预设结果的分类结果作为最终分类结果。
[0084]
当每个分类结果为大于0或小于1的数字，各个分类结果之和为1时，根据分类结果确定材料的老化与损伤级别的过程中，首先需要获取分类结果中符合预设结果的分类结果，并以此作为最终分类结果。
[0085]
在一些可能的实现方式中，符合预设结果是指材料老化损伤的分级系统获取到的所有分类结果中数值最大的分类结果为符合预设结果
[0086]
b2：判断所述最终分类结果的老化与损伤级别，将该老化与损伤级别作为材料的老化与损伤级别。
[0087]
在得到最终的分类结果后，需要判断该最终分类结果对应的老化级别与损伤级别，并将该老化级别与损伤级别作为材料的老化级别与损伤级别。
[0088]
在一些可能的实现方式中，所述卷积神经网络模型的训练过程，包括c1-c5：
[0089]
c1：获取显微镜采集的预设分辨率下材料的微观组织图片。
[0090]
为了构建材料老化损伤分级模型，材料老化损伤分级模型的构建系统首先可以获取在预设分辨率下材料的微观组织图片。
[0091]
在一些可能的实现方式中，显微镜可以是但不限于金相显微镜。金相显微镜是20世纪50年代依托金相显微技术发展起来的一种重要的无损检测显微镜。它以光学系统为基础，将光波聚焦在待观察物上，通过目镜和物镜的配合使用，对被观察物体进行放大或缩小后成像于接收屏上。
[0092]
在一些可能的实现方式中，微观组织图片可以是但不限于高铬马氏体耐热钢组织的微观组织图像。高铬耐热钢因其优异的高温蠕变性和热稳定性而常被用来作为火力发电厂和核电站等锅炉涡轮叶片材料。高铬耐热钢通常含碳量为0.1wt％，此时耐热钢微观组织为马氏体相，根据材料成分的不同，马氏体呈现片状或板条状。
[0093]
在一些可能的实现方式中，预设分辨率即为要识别的钢材微观组织放大倍数a，其中，a的可选取值为：50《a《1000。当然，在实际中，a还可以为其他取值，本实施例不对a的具体取值作限定。
[0094]
c2：获取各个所述微观组织图片的老化损伤级别。
[0095]
在获取显微镜采集的预设分辨率下材料的微观组织图片之后，材料老化损伤分级模型的构建系统可以获取各个微观组织图片的老化级别和损伤级别。
[0096]
在一些可能的实现方式中，各个微观组织图片的老化级别和损伤级别是由本领域
的专家进行人为评定的。
[0097]
c3：对各个微观组织图片进行预处理后与其老化损伤级别进行绑定作为目标数据集。
[0098]
在获取各个所述微观组织图片的老化损伤级别之后，材料老化损伤分级模型的构建系统可以对各个微观组织图片进行预处理，并将进行与处理后的各个微观组织图与其对应的老化损伤级别进行绑定作为目标数据集。
[0099]
c4：将所述目标数据集的一部分作为训练数据集，另一部分作为验证数据集。
[0100]
在对各个微观组织图片进行预处理后与其老化损伤级别进行绑定作为目标数据集之后，材料老化损伤分级模型的构建系统需要将目标数据集的一部分作为模型训练的训练数据集，另一部分作为模型验证的验证数据集。
[0101]
c5：利用所述训练数据集和所述验证数据集基于深度学习框架pytorch构建mobilenetv3-mc模型，所述mobilenetv3-mc模型为具有马氏体分级的移动设备神经网络。
[0102]
在将所述目标数据集的一部分作为训练数据集，另一部分作为验证数据集之后，材料老化损伤分级模型的构建系统需要利用以上得到的训练数据集以及验证数据集基于深度学习框架pytorch构建一个mobilenetv3-mc模型，mobilenetv3-mc模型为具有马氏体分级的移动设备神经网络。
[0103]
在一些可能的实现方式中，所述利用所述训练数据集和所述验证数据集对预先构建的卷积神经网络模型进行训练得到mobilenetv3-mc模型，包括d1-d3：
[0104]
d1：利用所述训练数据集对预先构建的卷积神经网络模型进行迭代训练，得到每次训练得到的卷积神经网络模型的参数。
[0105]
在对预先构建的卷积神经网络模型进行训练得到mobilenetv3-mc模型时，首先要利用训练数据集对预先构建的卷积神经网络模型进行迭代训练，以得到每次训练得到的卷积神经网络模型的参数。因为训练的过程中得到的模型并非全部为理想模型，因此在迭代训练过程中需要记录卷积神经网络模型的参数，以用于在对预先构建的卷积神经网络模型进行迭代训练之后，可以根据卷积神经网络模型的参数来选取最理想的模型作为预训练mobilenetv3-mc模型
[0106]
在一些可能的实现方式中，预先构建的卷积神经网络模型架构如图2所示，网络包括：输入卷积层、残差模块、平均池化层和输出层。
[0107]
图2所示的18层网络仅包含卷积层和全连接层，池化层，批量归一化层以及激活层在示意图中不显式画出。
[0108]
其中，输入卷积层采用7
×
7卷积核，其他卷积层conv均采用3
×
3卷积核。第1～5个卷积层(包含输入层卷积)均含有64个卷积核，第6～10个卷积层(含一个下采样卷积层，图中不标示)有128个卷积核，第11～15个卷积层(含一个下采样卷积层，图中不标示)含有256个卷积核，第16～20个卷积层(含一个下采样卷积层，图中不标示)。且每次卷积操作后，接批量归一化，再接relu激活函数(图中不标示)。每两个卷积层，与后接的批量归一化层，激活层，形成一个残差模块(网络后部的部分残差模块还包含一个下采样卷积层)，残差模块的输出与输入相加，成为残差连接，在图中以从输入直接连接到输出的弧线表示残差连接。
[0109]
全连接层，输入神经元个数为512，输出神经元的数量为预设等级总数量，例如，事先设定分为5个等级，则输出神经元的数量为5。
[0110]
在一些可能的实现方式中，因为训练的过程中得到的模型并非全部为理想模型，因此需要训练时间或次数过长不利于得到理想的模型，所以需要设置最大迭代次数，最大迭代次数的取值可以为500。
[0111]
其中，每次训练过程中，由于输入卷积神经网络模型中的图像都被全部计算一遍，如果一次训练过程中，输入卷积神经网络模型的图像数量太大，计算机的计算量就太大。因此，在本实施例中，对于每次训练，将微观组织图像顺序打乱后的训练数据集中的一批图像，作为卷积神经网络模型的输入图像。其中，一批图像的数量可以为16、32或64，其中，每张微观组织图像的大小可以为448
×
448
×
1。
[0112]
具体的，对于每次训练过程，都可以采用随机梯度下降法对卷积神经网络模型进行训练。其中，一次训练过程可以包括：输入卷积神经网络模型的一批图像，经过卷积神经网络模型的计算，输出向量。其中，输出向量包括一批图像中每张微观组织图像分别对应的分级结果。依据预处理后的训练数据集中当前输入批次的微观组织图像的等级标注结果，构建期望向量。以交叉熵为损失函数(交叉熵可以不添加正则项)，计算输出向量与期望向量间的损失函数值，并通过反向传播算法，更新卷积神经网络模型的参数，得到本次训练得到的卷积神经网络模型的参数，并对本次训练得到的卷积神经网络模型的参数进行保存。
[0113]
在训练迭代次数未达到预设的最大迭代次数的情况，继续对卷积神经网络模型进行训练，直至训练的迭代次数达到最大次数，训练过程结束。
[0114]
d2：依据每次训练得到的卷积神经网络模型的参数，确定迭代训练过程中经过目标次训练得到的模型作为预训练mobilenetv3-mc模型；所述经过目标次训练得到的模型包括，在所述验证数据集上的等级确定准确率最高的卷积神经网络模型。
[0115]
当迭代训练的次数达到最大迭代次数即目标次训练时，根据每次训练得到的卷积神经网络模型的参数确定来选取最理想的模型作为预训练mobilenetv3-mc模型。
[0116]
d3：获取使用较小学习率调整的预训练mobilenetv3-mc模型作为mobilenetv3-mc模型。
[0117]
在得到预训练mobilenetv3-mc模型侯，需要使用较小学习率方法来调整预训练mobilenetv3-mc模型以得到mobilenetv3-mc模型。
[0118]
在一些可能的实现方式中，较小学习率方法是指通过较小的幅度去更新mobilenetv3-mc模型。举例来说，mobilenetv3-mc模型输出的某一微观组织图片的老化级别为3级，但实际的老化级别为4级，此时mobilenetv3-mc模型会依据经验以万分之一到百万分之一的改进幅度去使输出结果贴近实际的老化级别。当mobilenetv3-mc模型的输出准确率达到90％-95％时输出mobilenetv3-mc模型；或训练时间长度达到两个小时时输出mobilenetv3-mc模型。
[0119]
在一些可能的实现方式中，所述根据所述分类结果确定材料的老化与损伤级别之后，还包括e1-e2：
[0120]
e1：识别所述实时材料组织图片的老化损伤区域。
[0121]
在确定材料的老化与损伤级别之后，材料老化损伤的分级系统还可以识别实时材料组织图片的老化区域以及损伤区域。
[0122]
e2：实时记录所述实时材料组织图片的老化损伤区域
[0123]
在识别到实时材料组织图片的老化区域以及损伤区域之后，需要将其进行记录。
[0124]
在一些可能的实现方式中，所述实时记录所述材料老化损伤区域之后，还包括：在终端设备上展示所述分类结果与所述材料老化损伤区域。终端设备可以是但不限于mr(mixed reality，混合现实技术)设备。
[0125]
基于s101-s106的内容可知，通过同一移动网络下的显微镜数据传输接口来获取实时材料组织的图片，在对实时材料组织图片经过三通道灰度图转化为单通道灰度图、对比度饱和与锐度饱和、预设裁剪出预设数量图片处理后送入到完成训练的卷积神经网络模型中进行分类以得到分类结果。并根据上述分类结果确定材料的老化与损伤级别。基于深度学习与完成训练的卷积神经网络模型对微观组织老化与损伤进行分级，可以提高检验设备响应速度，同时增强模型对不同老化及损伤程度的认知。
[0126]
参见图3，图3为本技术实施例提供的一种材料老化损伤的分级装置的结构示意图。如图3所示，该材料老化损伤的分级装置包括：
[0127]
第一获取单元301，用于通过同一移动网络下的显微镜数据传输接口，获取所述显微镜扫描的实时材料组织图片。
[0128]
转换单元302，用于将所述获取单元获取的所述实时材料组织图片由三通道灰度图转化为单通道灰度图。
[0129]
第二获取单元303，用于获取经过对比度饱和与锐度饱和处理后的单通道灰度图作为第一待分类图片。
[0130]
第一裁剪单元304，用于对所述第一待分类图片进行预设裁剪。
[0131]
第三获取单元305，用于获取经过预设裁剪的所述第一待分类图片作为第二待分类图片。
[0132]
第二裁剪单元306，用于从所述第二待分类图片中裁剪出预设数量图片，并送入到完成训练的卷积神经网络模型中进行分类得到预设数量的分类结果。
[0133]
确定单元307，用于根据所述分类结果确定材料的老化与损伤级别。
[0134]
在一种可能的实现方式中，所述装置还包括：
[0135]
第四获取单元，用于获取分类结果中符合预设结果的分类结果作为最终分类结果。
[0136]
判断单元，用于判断所述最终分类结果的老化与损伤级别，将该老化与损伤级别作为材料的老化与损伤级别。
[0137]
在一种可能的实现方式中，所述装置还包括：
[0138]
解码模块，用于对所述实时材料组织图片进行解码得到实时材料组织图片数据流的三通道的灰度图。
[0139]
转换模块，用于将所述实时材料组织图片的三通道灰度图转化为所述实时材料组织图片的单通道灰度图。
[0140]
在一种可能的实现方式中，所述装置还包括：
[0141]
第五获取单元，用于获取显微镜采集的预设分辨率下材料的微观组织图片；
[0142]
第六获取单元，用于获取各个所述微观组织图片的老化损伤级别。
[0143]
预处理单元，用于对各个微观组织图片进行预处理后与其老化损伤级别进行绑定作为目标数据集。
[0144]
第七获取单元，用于获取将所述目标数据集的一部分作为训练数据集。
[0145]
第八获取单元，用于获取将所述目标数据集的另一部分作为验证数据集。
[0146]
构建单元，用于利用所述训练数据集和所述验证数据集基于深度学习框架pytorch构建mobilenetv3-mc模型，所述mobilenetv3-mc模型为具有马氏体分级的移动设备神经网络。
[0147]
在一种可能的实现方式中，所述装置还包括：
[0148]
识别单元，用于识别所述实时材料组织图片的老化损伤区域。
[0149]
实时记录单元，用于实时记录所述实时材料组织图片的老化损伤区域。
[0150]
在一种可能的实现方式中，所述装置还包括：
[0151]
展示单元，用于展示实时记录单元记录的所述分类结果与所述材料老化损伤区域。
[0152]
需要说明的是，本技术实施例提供的材料老化损伤的分级装置的技术详情可参见上述材料老化损伤的分级方法的相关实施例，这里不再赘述。
[0153]
另外，本技术实施例还提供了一种电子设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的材料老化损伤的分级方法。
[0154]
另外，本技术实施例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中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如上述的材料老化损伤的分级方法。
[0155]
本技术实施例提供了一种材料老化损伤的分级装置及设备，在通过同一移动网络下的显微镜数据传输接口来获取显微镜扫描的实时材料组织图片。将该实时材料组织图片由三通道灰度图转化为单通道灰度图，并获取经过对比度饱和与锐度饱和处理后的单通道灰度图作为第一待分类图片。再获取经过预设裁剪的第一待分类图片，以此作为第二待分类图片，从该第二待分类图片中裁剪出预设数量图片，并送入到完成训练的卷积神经网络模型中进行分类得到预设数量的分类结果。根据上述分类结果来确定材料的老化级别与损伤级别，可以增强模型对不同老化损伤级别的辨识，并在多级别测试集的辨识准确率最高可达到60％。
[0156]
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，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。
[0157]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0158]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间
存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0159]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0160]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。