CN106845524B - 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 - Google Patents
一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 Download PDFInfo
- Publication number
- CN106845524B CN106845524B CN201611235866.6A CN201611235866A CN106845524B CN 106845524 B CN106845524 B CN 106845524B CN 201611235866 A CN201611235866 A CN 201611235866A CN 106845524 B CN106845524 B CN 106845524B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- carburized
- metallographic
- metallographic structure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
本发明提出的一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，属于金相组织的检测技术领域，该方法包括：采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理；提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织；培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息；利用上述训练好的神经网络模型对待检测样本进行识别；该方法具备光照不敏感、图像旋转不变性等优点，操作简单，可减轻对人员的主观分析水准的依赖，为智能化快速识别与评价渗碳钢磨削表层组织与烧伤程度提供可靠的方法。
Description
技术领域
本发明属于材料组织结构检测技术领域，具体涉及一种采用二值图像处理技术，开展渗碳淬火钢磨削表层金相组织状态识别与磨削烧伤程度评价的智能识别方法。
背景技术
20CrMnTi、22CrMnMo、8620H、20Cr等渗碳淬火钢材料有较好的力学性能，被广泛应用在齿轮、轴类、柱塞等零部件。由于渗碳淬火钢表层材料在磨削过程中受到瞬时高温快冷作用，金相组织发生了局部的不可逆变化，通常可分为回火烧伤和淬火烧伤。磨削表层组织状态是影响磨削裂纹和表层显微硬度的主要因素。
目前，对渗碳淬火钢磨削表层金相组织的研究手段主要依赖人工使用金相显微镜进行观察与主观判断，需要较强的专业知识和技能以及经验。近些年，计算机图像处理和神经网络技术发展迅速，被普遍应用于医学、通信、材料、机械等多个领域。图像特征主要包括形状特征、颜色特征、纹理特征、空间关系特征等，可在众多特征信息中寻找不同图像之间的差异性与相似性，典型应用事例有指纹识别、医学影片诊断、表面粗糙度评价等。人工神经网络种类繁多，包括感知神经网络、线性神经网络、径向基函数神经网络、自组织竞争神经网络、反馈神经网络等。神经网络有自组织、自学习等能力，可以自适应的调整网络内部节点的权值与阈值，从而找出培训样本的输入与输出之间的规律与关系，适用于对待识样本的预测与分类，典型应用事例有语言特征识别、非线性函数拟合、乳腺肿瘤诊断、数字识别、人脸朝向识别、短时交通量预测、高校科研能力评价等。随着计算机图形分析技术、数理统计与概率分布、人工神经网络等的迅速发展，以后被应用到材料微观组织研究领域将成为趋势。为了研究金相组织与工艺参数、力学性能之间的相关性，有必要将金相组织的形态进行定量描述，可利用边缘检测与提取、图像分割等技术对金相组织中某一组织形态进行轮廓自动提取与计算分析。金相显微组织的智能识别与分析应在定性识别不同金相组织类型的的基础上，再对其形态、大小、数量进行定量分析。
目前，针对不同的工件材料提取有价值的多类型特征信息时，可实用的特征参数选取存在差异性，且特征提取算法也不同。不同类型金相组织的分布形态、大小、数量均有差异，且经硝酸酒精等不同溶液清洗后，酸蚀着色等状况也不同，从而使观察到的金相组织的图像特征信息存在差异。图像特征参数种类较多，特征提取方式及特征参数类型选取的差异，均会影响到磨削表层金相组织状态识别的准确性，致使应选取的有效特征参数存在差异。且即使采取同组类型的特征参数去表征，不同材料的特征值分布区域也会有差异。
发明内容
本发明的目的是针对渗碳淬火钢磨削表层组织在磨削力和磨削热综合作用下而变更形态后识别困难的问题，提出一种渗碳淬火钢磨削表层组织状态与烧伤智能化快速识别方法。该方法利用不同金相组织类型、成分占比及形态对二值图像的分形维数、像素平均值、欧拉数、对比度、能量指标的影响规律，将图像特征分析和人工神经网络两种方法融合，可以对渗碳淬火钢磨削表层金相组织和磨削烧伤程度开展有效的定性与定量分析。
本发明提出的一种渗碳淬火钢磨削表层组织状态与烧伤智能化快速识别方法，实现过程示意图如附图1所示，其特征在于：该方法包括以下步骤：
1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：
将渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用金相显微镜采集不同的试件磨削表层的金相组织图，且将图像进行二值化处理得到二值图像；
2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；
3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织：
将步骤2)提取的二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述5项特征值的影响规律，培训用于第一级分类的神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层磨削烧伤程度及金相组织进行第一级定性分类识别；
4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息：
在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训用于第二级分类的第一神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；
同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响规律，培训用于第二级分类的第二神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层未烧伤组织的形态、粒度大小、成分占比进行第二级定性分类识别；
5)利用上述训练好的神经网络模型对待检测样本进行识别：
使用金相显微镜随机采集1次经4％硝酸酒精浸蚀的渗碳淬火钢磨削表层的金相组织图，且将其转换为二值图像；重复步骤2)；将提取的待检测样本的5项特征值数据输入经步骤3)培训好的用于第一级分类的神经网络模型中，输出第一级分类的测试结果；根据第一级分类的测试结果，将提取的待检测样本二值图像的像素平均值、对比度、能量共3项特征值数据或者分形维数、像素平均值、欧拉数、对比度共4项特征输入经步骤4)培训好的用于第二级分类的神经网络模型中，输出第二级分类的测试结果。
本发明具有如下的特点及有益效果：
该方法利用不同金相组织成分、占比及形态对分形维数、像素平均值、欧拉数、对比度、能量指标的影响规律，实现对不同磨削烧伤程度条件下渗碳淬火钢磨削表层金相组织有效开展定性、定量分析，可以对渗碳淬火钢磨削表层组织状态进行智能识别与磨削烧伤程度判定。该方法具有光照不敏感、图像旋转不变性等众多优势，操作方式简单，易于编程实现，可减轻对人员的主观性分析的依赖，为更智能、更科学客观的识别与评价渗碳钢磨削表层组织状态与烧伤程度提供可靠的方法。
附图说明
图1为本发明方法的整个操作过程流程图；
图2为不同金相组织形式的分形维数分布状况；
图3为不同金相组织形式的欧拉数分布状况；
图4为不同金相组织形式的像素平均值分布状况；
图5为不同金相组织形式的对比度分布状况；
图6为不同金相组织形式的能量分布状况。
具体实施方式
下面通过具体的实施例及附图，对本发明的技术方案作进一步的详细说明。
本发明处理的渗碳淬火钢是指由20CrMnTi、8620H、22CrMnMo、20Cr中任意一种构成的低碳合金钢，渗碳淬火钢试件磨削表层的金相组织图像通过金相显微镜应以400～1000倍率采集。
现以20CrMnTi渗碳淬火钢试件磨削表层组织状态识别和烧伤判定为例，将采集的金相组织图二值化，提取二值图像的盒维数、欧拉数、像素平均值、对比度、能量共5项特征值进行分析。整个实施过程示意图如图1所示，具体包括以下步骤：
1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：将20CrMnTi渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用Olympus金相显微镜以500倍率采集40张不同的试件磨削表层的金相组织图，且将图像进行二值化处理(包括图像滤波、平滑等预处理)得到二值图像；图像二值化处理使具有光照不敏感的优势，避免了图像采集时光照强弱对图像像素值分布的干扰；
2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值，所述对比度、能量两项特征值应该提取0°、45°、90°、135°四个方向的平均值，保证了5个特征值提取结果的图像旋转不变性；经统计分析，在不同磨削烧伤程度时金相组织的分形维数、欧拉数、像素平均值、对比度、能量五项特征值的分布状况，依次如图2～图6所示；其中，
所述分形维数反映了组织的形态特征，图2为不同金相组织的分形维数的分布情况，可知随着磨削表层组织的烧伤程度的增大，分形维数将先减少后增大：当发生回火烧伤时，经二值化处理后，呈现为散布较多的黑点，分形维数最小，分形维数值波动范围为1.88～1.94；当淬火烧伤层全为二次淬火马氏体时，经二值化处理后，除极少渗碳体的黑点存在外，均呈现为白色，所以分形维数最大，分形维数值介于2.03～2.07；在白层与暗层交接处组织为二次淬火马氏体与回火组织共存，它的分形维数波动范围为1.94～1.97，回火组织越小，分形维数越大；未烧伤组织的分形维数波动范围为1.94～1.99，残余奥氏体组织数目越多，分形维数越大；
所述欧拉数反映了图像白色区域的连通性，图3为不同表层金相组织类型二值图像的欧拉数统计分布情况，可知随着磨削表层组织的烧伤程度的增大，欧拉数将先增大后减小：当表层发生回火烧伤时，经二值化处理后，存在很多散布的小白点，因此孔洞数目最多，导致欧拉数最大，回火烧伤组织的欧拉数波动范围为3000～5200；随着回火索氏体或屈氏体数量的增多，小白点先增多后减少，因此欧拉数也先增大后减小；淬火烧伤时，若是组织单纯仅为白色二次淬火马氏体时，其连通性好，因此欧拉数最小，波动范围为-2000～-100；然而，在白层与暗层交接处组织，回火组织部位存在许多白点，回火组织成份越多，欧拉数越大，欧拉数波动范围为-140～2257；未烧伤组织的马氏体数量越多，二值图像中隔出的空白数目越多，则欧拉数越大，未烧伤组织的欧拉数波动范围为-550～2990；
所述像素平均值反映了白点像素所占二值图像总像素的面积比例，图4为不同金相组织二值图像的像素平均值分布，可知随着磨削表层烧伤程度的增大，像素平均值先减小后增大：淬火烧伤的白点数量最多，因此像素平均值最大，未烧伤组织中的残余奥氏体或铁素体这些白色组织数目较多，所以其像素平均值也较大，然而，回火烧伤主要成份呈深黑色的回火索氏体或屈氏体，所以像素平均值最小；当淬火烧伤组织为二次淬火马氏体和少量渗碳体时，像素平均值介于0.95～0.998；当白层与暗层交接处组织时，像素值均值介于0.53～0.65，即二次淬火马氏体占面积比率约为0.53～0.65，回火屈氏体组织约为0.35～0.47；当金相组织主要成分为黑色的回火索氏体或屈氏体颗粒组织，像素平均值最小，介于0.24～0.35，即回火组织占面积比率约为0.65～0.76；未烧伤组织中存在的残余奥氏体或铁素体这些显白色组织，像素平均值介于0.37～0.6，即残余奥氏体或铁素体所占面积比率约为0.37～0.6，回火马氏体组织所占面积比率约为0.4～0.63；
所述对比度反映了图像纹理分布的清晰度，纹理越分明，对比度越大，图5为不同金相组织的对比度分布情况，可知随着磨削表层的烧伤程度增大，对比度将逐渐减小：当金相组织为二次淬火马氏体时，图像呈现为较均匀的白色状态，图像纹理不分明，对比度最小，波动范围介于0.002～0.015；在白层与暗层交接处的组织时，随着回火组织的增多，对比度增大，波动范围介于0.017～0.036；当金相组织为回火索氏体或屈氏体时，弥散的黑白组织使对比度进一步清晰，对比度介于0.045～0.067；当金相组织为马氏体和残余奥氏体时，图像纹理最分明，对比度值最大，其值介于0.056～0.075；
所述能量反映了图像的均一性与规则性，当在较均一和规则变化的纹理模式时，能量值较大，图6为不同金相组织的能量分布情况，可知随着烧伤程度的增大，能量先明显增大，然后又有所减小，最后又骤然变大：当淬火烧伤层完全为二次淬火马氏体时，白层组织均一性好，因此能量值最大，波动范围为0.91～0.99；当金相组织为二次淬火马氏体与回火组织共存时，随着回火组织的增多，二值图像纹理均一性变差，导致能量值骤然减小，波动范围为0.46～0.53；回火烧伤层的组织呈弥散状分布，二值图像纹理比较均一和规则，所以能量值相对较大，介于0.5～0.6；未烧伤层的组织为针状或板条状马氏体与残余奥氏体混合分布，二值图像纹理的均一性和规则性最差，所以能量值最小，介于0.43～0.47；
3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织；所述神经网络模型为概率神经网络、自组织竞争网络、BP神经网络、SVM神经网络、LVQ神经网络、广义神经网络模型中的任意一种，本实施例采用概率神经网络模型：如表1所示，将步骤2)提取的40组二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，且将金相组织类型定性分为1、2、3、4共四种类型作为输出结果，培训概率神经网络模型1，其中，类型1代表淬火烧伤白层的二次淬火马氏体组织、类型2代表白层与暗层交界处的二次淬火马氏体组织与回火烧伤组织共存、类型3代表回火烧伤暗层的索氏体或屈氏体构成的回火烧伤组织、类型4代表未烧伤层的回火马氏体组织；可设置的分布密度SPREAD的值为1.5时，输入层为5个神经元(即对应5项特征值)，输出层为4个神经元(即对应4种分类类型)；培训好后的概率神经网络模型1可用于第一级分类，用来识别磨削烧伤程度及其金相组织；
表1二值化图像的特征值提取及分类
4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度等信息：采用(x,y)表示金相组织的分类层次，x可取值1、2、3、4，分别代表步骤3)中第一级的分类结果；y取值0时代表并未进行第二级的等级区分，若y分别取值1、2、3时，分别代表第二级的分类结果；
在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型2的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训该神经网络模型2，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；结合神经网络的模式识别、聚类分析或预测功能；本实施例采用自组织竞争网络模型，将表征第3类的回火烧伤组织按照像素平均值由大至小，又细分为1、2、3类；采用表1中第11至25组训练样本的像素平均值、对比度、能量共3个特征信息作为输入样本数据，第二级分类结果如表2所示，可用来区分3种不同的回火烧伤层组织形态、成分占比，也能反映回火烧伤程度：若回火烧伤层内的回火索氏体或屈氏体占比越少，像素平均值则越高；若二值图像存在纹理分明、均匀的马氏体形态，能量值和对比度均会较大；因此，第(3,1)类可视为轻度回火烧伤，第(3,3)类可视为中度回火烧伤，第(3,2)类可视为较严重的回火烧伤；
同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型3的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响规律，培训该神经网络模型3；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层未烧伤组织的形态、粒度大小、成分占比进行第二级定性分类识别；本实施例采用自组织竞争网络模型，将未烧伤组织按照像素平均值由大至小，又细分成为1、2、3类；采用表1中第26至40组训练样本的分形维数、像素平均值、欧拉数、对比度共4项特征值作为输入样本数据，第二级分类结果如表3所示，可用来区分3种不同的未烧伤组织形态、成分比重，也能表现出马氏体组织的形态、大小、成分占比等信息：若是马氏体组织成分所占比重越大，像素平均值则越大；若是马氏体数量越多，且形状越细小，则欧拉数越大，分形维数越小；若二值图像存在纹理分明的马氏体形态，对比度均会较大；由表3可知，第(4,1)类为马氏体组织成分占比较大，且形态呈针状；第(4,2)类为马氏体组织成分占比较小，且形态呈板条状；第(4,3)类为马氏体组织成分占比中等，且形态可能为针状与板条状混合状态。
表2基于自组织竞争层网络模型2的回火烧伤组织等级分类
表3基于自组织竞争层网络模型3的未烧伤组织等级分类
| 组号 | 第一级分类/x | 第二级分类/y | 分形维数 | 像素平均值 | 欧拉数 | 对比度 |
| 26 | 4 | 1 | 1.9573 | 0.4372 | 2124 | 0.0663 |
| 27 | 4 | 3 | 1.9646 | 0.4848 | 1681 | 0.0608 |
| 28 | 4 | 1 | 1.9502 | 0.4104 | 2389 | 0.067 |
| 29 | 4 | 1 | 1.9567 | 0.4216 | 2759 | 0.0708 |
| 30 | 4 | 3 | 1.9665 | 0.5064 | 1400 | 0.059 |
| 31 | 4 | 1 | 1.951 | 0.4386 | 2348 | 0.0564 |
| 32 | 4 | 3 | 1.9627 | 0.49 | 1791 | 0.0579 |
| 33 | 4 | 1 | 1.9569 | 0.443 | 2473 | 0.0679 |
| 34 | 4 | 2 | 1.979 | 0.5558 | 712 | 0.0632 |
| 35 | 4 | 2 | 1.9919 | 0.6043 | -109 | 0.0685 |
| 36 | 4 | 2 | 1.9819 | 0.5463 | 884 | 0.0728 |
| 37 | 4 | 2 | 1.9797 | 0.5556 | 731 | 0.065 |
| 38 | 4 | 2 | 1.9803 | 0.5643 | 640 | 0.0628 |
| 39 | 4 | 2 | 1.9773 | 0.586 | 959 | 0.0488 |
| 40 | 4 | 1 | 1.9549 | 0.4362 | 2333 | 0.0645 |
5)利用训练好的神经网络模型对待检测样本进行识别：使用金相显微镜以500倍率随机采集1次经4％硝酸酒精浸蚀的20CrMnTi渗碳淬火钢磨削表层的金相组织图，且将其转换为二值图像；重复步骤2)，提取的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值的大小依次为1.9594、3129、0.4752、0.0684、0.4675；采用步骤3)中培训好的概率神经网络模型1进测试，将提取的特征值数据输入该概率神经网络模型1中，当第一级分类结果判定为回火烧伤时，将待检测样本金相组织二值图像的像素平均值、对比度、能量共3个特征信息输入第4)步骤中培训好的神经网络模型2进行第二级分类，用于进一步细化识别不同等级的回火烧伤程度；当第一级分类结果判定为未烧伤时，将待检测样本金相组织二值图像的分形维数、像素平均值、欧拉数、对比度共4个特征信息输入第4)步骤中培训好的神经网络模型3进行第二级分类，用于进一步细化识别回火马氏体等的组织形态、粒度大小及占比等信息；本实施例的第一级分类结果显示为4，即为回火马氏体组织的未烧伤组织，显然，这与采集到的金相图像的人工观察结论一致；采用步骤4)中培训好的自组织竞争网络模型3进行测试，将像素平均值特征值数据输入，第二分类结果显示为3，即回火马氏体组织占比为中等。
Claims (5)
1.一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，该方法具体包括以下步骤：
1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：
将渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用金相显微镜采集不同的试件磨削表层的金相组织图，且将图像进行二值化处理得到二值图像；
2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；
3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织：
将步骤2)提取的二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述5项特征值的影响规律，培训用于第一级分类的神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层磨削烧伤程度及金相组织进行第一级定性分类识别；所述第一级分类的神经网络模型将二值图像样本的金相组织类型作为输出结果，输出的金相组织类型包括：代表淬火烧伤白层的二次淬火马氏体组织的类型1、代表白层与暗层交界处的二次淬火马氏体组织与回火烧伤组织共存的类型2、代表回火烧伤暗层的索氏体或屈氏体构成的回火烧伤组织的类型3和代表未烧伤层的回火马氏体组织的类型4；将所述类型3、类型4对应的二值图像样本分别作为回火烧伤样本和未烧伤样本；
4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息：
在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训用于第二级分类的第一神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；
同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响规律，培训用于第二级分类的第二神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层未烧伤组织的形态、粒度大小、成分占比进行第二级定性分类识别；
5)利用上述培训好的神经网络模型对待检测样本进行识别：
使用金相显微镜随机采集1次经4％硝酸酒精浸蚀的渗碳淬火钢磨削表层的金相组织图，且将其转换为二值图像；重复步骤2)；将提取的待检测样本的5项特征值数据输入经步骤3)培训好的用于第一级分类的神经网络模型中，输出第一级分类的测试结果；根据第一级分类的测试结果，将提取的待检测样本二值图像的像素平均值、对比度、能量共3项特征值数据或者分形维数、像素平均值、欧拉数、对比度共4项特征输入经步骤4)培训好的用于第二级分类的神经网络模型中，输出第二级分类的测试结果。
2.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤1)中的渗碳淬火钢为20CrMnTi、8620H、22CrMnMo、20Cr的低碳合金钢。
3.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤1)中金相显微镜以400～1000倍率采集渗碳淬火钢试件磨削表层的金相组织图像。
4.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤2)中的对比度、能量两项特征值均分别提取0°、45°、90°、135°四个方向的平均值。
5.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤3)或步骤4)中的神经网络模型为概率神经网络、自组织竞争网络、BP神经网络、SVM神经网络、LVQ神经网络、广义神经网络模型中的任意一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611235866.6A CN106845524B (zh) | 2016-12-28 | 2016-12-28 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611235866.6A CN106845524B (zh) | 2016-12-28 | 2016-12-28 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106845524A CN106845524A (zh) | 2017-06-13 |
| CN106845524B true CN106845524B (zh) | 2020-01-03 |
Family
ID=59112622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611235866.6A Expired - Fee Related CN106845524B (zh) | 2016-12-28 | 2016-12-28 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106845524B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108890407A (zh) * | 2018-06-08 | 2018-11-27 | 南京航空航天大学 | 一种难加工材料振荡磨削加工方法 |
| CN109872316B (zh) * | 2019-02-21 | 2023-10-03 | 南京航空航天大学 | 一种基于hsv颜色空间模型的磨削烧伤定量表征方法 |
| CN109993742B (zh) * | 2019-04-04 | 2020-03-17 | 哈尔滨工业大学 | 基于对角导数算子的桥梁裂缝快速识别方法 |
| CN110717455B (zh) * | 2019-10-10 | 2021-05-18 | 北京同创信通科技有限公司 | 一种收储中的废钢等级分类检测方法 |
| CN111398282B (zh) * | 2020-04-21 | 2023-03-14 | 广东韶钢松山股份有限公司 | 碳钢索氏体定量分析方法 |
| CN113781492A (zh) * | 2020-06-10 | 2021-12-10 | 阿里巴巴集团控股有限公司 | 目标元素含量测量方法、训练方法、相关装置及存储介质 |
| CN111915572B (zh) * | 2020-07-13 | 2023-04-25 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
| CN112862763A (zh) * | 2021-01-25 | 2021-05-28 | 中国石油天然气集团有限公司 | 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法 |
| CN112819814A (zh) * | 2021-02-25 | 2021-05-18 | 汇鸿智能科技(辽宁)有限公司 | 金相组织的识别方法、装置、计算机设备及存储介质 |
| CN114581410B (zh) * | 2022-03-04 | 2023-03-21 | 深圳市澈影医生集团有限公司 | 一种神经网络的训练系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6857553B1 (en) * | 2002-04-17 | 2005-02-22 | The United States Of America As Represented By The United States Department Of Energy | Method and apparatus for in-process sensing of manufacturing quality |
| CN103886371A (zh) * | 2014-03-28 | 2014-06-25 | 郑州大学 | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 |
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
-
2016
- 2016-12-28 CN CN201611235866.6A patent/CN106845524B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6857553B1 (en) * | 2002-04-17 | 2005-02-22 | The United States Of America As Represented By The United States Department Of Energy | Method and apparatus for in-process sensing of manufacturing quality |
| CN103886371A (zh) * | 2014-03-28 | 2014-06-25 | 郑州大学 | 一种预硬化型塑料模具钢成分及热处理工艺过程控制方法 |
| CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
| CN105938563A (zh) * | 2016-04-14 | 2016-09-14 | 北京工业大学 | 一种基于图像纹理的焊缝表面缺陷识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于灰度共生矩阵和神经网络的Si3N4陶瓷推挤加工表面纹理分析;田欣利等;《兵工学报》;20150831;第36卷(第8期);1518-1524 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106845524A (zh) | 2017-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106845524B (zh) | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 | |
| Raadnui | Wear particle analysis—utilization of quantitative computer image analysis: a review | |
| Yuan et al. | Shape classification of wear particles by image boundary analysis using machine learning algorithms | |
| CN115115621B (zh) | 一种基于图像处理的润滑油污染程度检测方法 | |
| CN101901346A (zh) | 一种对彩色数字图像进行不良内容识别的方法 | |
| Gibbons et al. | A Gaussian mixture model for automated corrosion detection in remanufacturing | |
| Peng et al. | Automated product boundary defect detection based on image moment feature anomaly | |
| Abiyev et al. | Fuzzy neural networks for identification of breast cancer using images' shape and texture features | |
| Wang et al. | Direct detection of wear conditions by classification of ferrograph images | |
| Tajeripour et al. | Porosity detection by using improved local binary pattern | |
| Zhu et al. | Feature extraction and microstructural classification of hot stamping ultra-high strength steel by machine learning | |
| Pandey et al. | A novel non-destructive grading method for Mango (Mangifera Indica L.) using fuzzy expert system | |
| bin MohamadAzmi et al. | Orchid disease detection using image processing and fuzzy logic | |
| Wang et al. | Grinding burn evaluation for 20CrMnTi steel based on binary images and neural network | |
| Niwas et al. | Complex wavelet based quality assessment for AS-OCT images with application to angle closure glaucoma diagnosis | |
| Liu et al. | An experiment on wear particle’s texture analysis and identification by using deterministic tourist walk algorithm | |
| Gide et al. | A locally weighted fixation density-based metric for assessing the quality of visual saliency predictions | |
| Yin et al. | An image selection method for tobacco leave grading based on image information | |
| Mansano et al. | Inspection of metallic surfaces using local binary patterns | |
| Przystalski et al. | Semantic analysis of skin lesions using radial basis function neural networks | |
| Ali et al. | An efficient convolutional neural network for fingerprint pore detection | |
| Precious et al. | Classification of abnormalities in breast ultrasound images using ANN, FIS and ANFIS classifier: a comparison | |
| Posokhov et al. | Method and algorithms for cascade classification of sulfur print images of billet transverse templates | |
| Mookiah et al. | Identification of bullets fired from air guns using machine and deep learning methods | |
| Dewi et al. | Cervical Cell Classification using Learning Vector Quantization (LVQ) Based on Shape and Statistical |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200103 Termination date: 20201228 |