CN107944505A - 一种金属失效类型自动化判断方法 - Google Patents

一种金属失效类型自动化判断方法 Download PDF

Info

Publication number
CN107944505A
CN107944505A CN201711371983.XA CN201711371983A CN107944505A CN 107944505 A CN107944505 A CN 107944505A CN 201711371983 A CN201711371983 A CN 201711371983A CN 107944505 A CN107944505 A CN 107944505A
Authority
CN
China
Prior art keywords
feature
training
failure type
sem image
image
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.)
Pending
Application number
CN201711371983.XA
Other languages
English (en)
Inventor
孙振
李庆党
吴俊飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN201711371983.XA priority Critical patent/CN107944505A/zh
Publication of CN107944505A publication Critical patent/CN107944505A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种金属失效类型自动化判断方法，包括以下步骤：准备电镜图像训练集合；训练特征提取器；输入新的待分类电镜图像；得到失效类型分类结果，本发明致力于解决上述缺点，通过对金属断口电镜图像进行一系列的自动分析流程，自动判断金属失效类型，将显著提高分析效率，提升客观性与准确性。

Description

一种金属失效类型自动化判断方法
技术领域
本发明涉及金属失效类型判断技术领域，具体而言，涉及一种金属失效类型自动化判断方法。
背景技术
金属材料广泛应用与工业生产中，金属失效是指因内在或外在的原因，导致金属材料断裂、爆破等损坏，可发生于工业生产中的各个领域，包括各类化工设备、压力容器、机械加工设备、冶炼装置、交通设备等。一旦发生金属材料的失效，往往就会带来各类生产事故，严重会造成巨大的人员伤害和财产损失。金属失效分析是指在金属材料失效（如断裂、爆破等）发生后，通过相应的分析，判断金属失效的类型、原因、过程，总而还原事故原因，指导采取相应措施，预防失效再次发生。
对金属断口电镜图像的分析，是判断金属失效类型的重要手段，但金属断口电镜图像从总体上可分为韧窝形貌、沿晶形貌、解理形貌、准解理形貌、疲劳形貌等。细节上需要分析其是否有存在碳化物、是否有发纹特征、是否有沿晶韧窝、是否有腐蚀坑、晶粒是否光滑等诸多细节指标，目前完全依靠人工分析存在以下缺点：
（1）依赖于专业人员，普通工作人员无法对复杂的断口电镜图像进行分析；
（2）依赖于人员主观认识，不同的人员针对同一断口电镜图像得出不同的判断，缺乏客观性；
（3）人工分析效率低，人的工作效率与工作时间受自身限制。
发明内容
针对上述现有技术中存在的问题，本发明提供一种金属失效类型自动化判断方法。该方法通过对金属断口电镜图像进行一系列的自动分析流程，找出其隐含的特征点，最终实现对金属失效类型的自动化判断，代替了原有人工操作，具有判据客观、效率高、无需专业人员参与等优点。
为实现上述目的，本发明提供如下技术方案：
一种金属失效类型自动化判断方法，包括以下步骤：
S1:图像特征包括总体特征或微观特征，针对每一种图像特征，分别准备多张断口电镜图像集合，并将其作为训练集合，集合中的每张图片标记为Xi，每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti，
其中，Fi为1x10的向量，向量中每一个元素对应于一个图像特征，元素取0代表无此图像特征，1代表存在该图像特征，如下所示：
Ti为一个整数，取值为1~12，代表待判定的12种失效类型；
S2：选取训练集合中的1个断口电镜图像x，将x输入到特征提取器中，利用图像x的特征向量训练特征提取器参数；
S3：若训练集合图像均已输入到特征提取器中，则进行S4；否则，转到S2选取训练集合中1个新的断口电镜图像，并且与原有已参与训练的电镜图像共同执行S2；
S4: 特征提取器训练完成后，输入任意一个新的金属断口电镜图像，输出其对应的特征向量f’；
S5: 将S4输出的特征向量f’输入断口失效类型决策树，得到断口失效类型t。
优选地，训练特征提取器参数包括以下步骤：
（1）特征提取器基于卷积神经网络结构，包括3个卷积层、3个池化层和3个全连接层；
（2）该特征提取器卷积层中的核、全连接层的权重全部初始化为随机数；
（3）该特征提取器得出电镜图像x对应的特征向量fx；因其所有核、权重均为初始值，所以fx与人工标记的Fx特征向量存在差值e:
其中Fi为原有人工标定特征向量的第i个元素，fi是特征提取器输出的特征向量的第i个元素；
（4）根据差值e，使用BP算法调整各个核、权重的值，使差值e小于阈值；
（5）计算所有图像的特征向量平均误差E，
其中N为训练样本的总数；
若E的误差可以接受，则训练完成；否则，回到S1增加训练样本。
优选地，S2中将电镜图像x输入特征提取器之前，还进行预处理步骤，预处理包括光照补偿和中值滤波去噪。
优选地，所述训练集合中断口电镜图像不少于150张。
优选地，所述训练集合中断口电镜图像分辨率为256*256。
本申请的关键点在于：
（1）提出一种基于电镜图像实现金属失效类型分类的思路。
（2）在训练特征分类器时，采用图像累加输入训练的方式。
（3）将图像特征分为总体特征和微观特征两种，并分别进行识别。
（4）通过决策树实现图像特征到失效类型的关联，速度快，易于理解。
本发明的有益效果如下：
（1）目前电镜图像的分析由人工进行，主观性强、效率低、需要专业人员参与。通过该方法可以将该部分自动化，效率高，更加客观。
（2）失效类型的确定可以是失效分析的基础部分，目前需要多维度分析才能确定。通过该方法可以基于电镜图像确定失效类型，具有简单直接、易于理解、可参考性强等特点。
附图说明
图1为本发明的特征提取器训练和失效类型判断总体流程图；
图2为本发明的特征提取器训练流程图；
图3为本发明的失效类型判断流程图。
具体实施方式
为了使本领域的人员更好地理解本发明的技术方案，下面结合本发明的附图，对本发明的技术方案进行清楚、完整的描述，基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例，都应当属于本申请保护的范围。
实施例一：
一种金属失效类型自动化判断方法，包括以下步骤：
S1:图像特征包括总体特征或微观特征，针对每一种图像特征，分别准备不少于150张断口电镜图像集合，并将其作为训练集合，所述训练集合中断口电镜图像分辨率为256*256，256级灰度图像，集合中的每张图片标记为Xi (i=1,2,3...150) ，每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti，
其中，Fi为1x10的向量，向量中每一个元素对应于一个图像特征，元素取0代表无此图像特征，1代表存在该图像特征，如下所示：
Ti为一个整数，取值为1~12，代表待判定的12种失效类型；
S2：选取训练集合中的1个断口电镜图像x，对其进行预处理步骤，预处理包括光照补偿和中值滤波去噪，然后将x输入到特征提取器中，利用图像x的特征向量训练特征提取器参数；
S3：若训练集合图像均已输入到特征提取器中，则进行S4；否则，转到S2选取训练集合中1个新的断口电镜图像，并且与原有已参与训练的电镜图像共同执行S2；
S4: 特征提取器训练完成后，输入任意一个新的金属断口电镜图像，输出其对应的特征向量f’；
S5: 将S4输出的特征向量f’输入断口失效类型决策树，得到断口失效类型t。
此处断口失效类型决策树为：
（1）该决策树接收一个特征向量f’。
（2）该决策树由先验知识人工创建，通过对上述特征的判断步骤，构建树形结构。
（3）该决策树最终输出失效类型t，t为1~12的整数，对应既定的12类失效类型。
训练特征提取器参数包括以下步骤：
（1）特征提取器基于卷积神经网络结构，包括3个卷积层、3个池化层和3个全连接层；
（2）该特征提取器卷积层中的核、全连接层的权重全部初始化为随机数；本实施例中3个卷积核数分别为6,6,8；3个池化层的核大小分别是2,2,2；
（3）该特征提取器得出电镜图像x对应的特征向量fx；因其所有核、权重均为初始值，所以fx与人工标记的Fx特征向量存在差值e:
其中Fi为原有人工标定特征向量的第i个元素，fi是特征提取器输出的特征向量的第i个元素；
（4）根据差值e，使用BP算法调整各个核、权重的值，使差值e小于阈值。
（5）计算所有图像的特征向量平均误差E，
其中N为训练样本的总数；
若E的误差可以接受，则训练完成；否则，回到S1增加训练样本。
使用该方法的判断准确率可达96%以上。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (6)

1.一种金属失效类型自动化判断方法，其特征在于，包括以下步骤：
S1:图像特征包括总体特征或微观特征，针对每一种图像特征，分别准备多张断口电镜图像集合，并将其作为训练集合，集合中的每张图片标记为Xi，每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti，
其中，Fi为1x10的向量，向量中每一个元素对应于一个图像特征，元素取0代表无此图像特征，1代表存在该图像特征，如下所示：
Ti为一个整数，取值为1~12，代表待判定的12种失效类型；
S2：选取训练集合中的1个断口电镜图像x，将x输入到特征提取器中，利用图像x的特征向量训练特征提取器参数；
S3：若训练集合图像均已输入到特征提取器中，则进行S4；否则，转到S2选取训练集合中1个新的断口电镜图像，并且与原有已参与训练的电镜图像共同执行S2；
S4: 特征提取器训练完成后，输入任意一个新的金属断口电镜图像，输出其对应的特征向量f’；
S5: 将S4输出的特征向量f’输入断口失效类型决策树，得到断口失效类型t。
2.根据权利要求1所述的金属失效类型自动化判断方法，其特征在于，训练特征提取器参数包括以下步骤：
（1）特征提取器基于卷积神经网络结构，包括3个卷积层、3个池化层和3个全连接层；
（2）该特征提取器卷积层中的核、全连接层的权重全部初始化为随机数；
（3）该特征提取器得出电镜图像x对应的特征向量fx；因其所有核、权重均为初始值，所以fx与人工标记的Fx特征向量存在差值e:
其中Fi为原有人工标定特征向量的第i个元素，fi是特征提取器输出的特征向量的第i个元素；
根据差值e，使用BP算法调整各个核、权重的值，使差值e小于阈值。
3.根据权利要求2所述的金属失效类型自动化判断方法，其特征在于，训练特征提取器参数还包括以下步骤：
（5）计算所有图像的特征向量平均误差E，
其中N为训练样本的总数；
若E的误差可以接受，则训练完成；否则，回到S1增加训练样本。
4.根据权利要求1所述的金属失效类型自动化判断方法，其特征在于，S2中将电镜图像x输入特征提取器之前，还进行预处理步骤，预处理包括光照补偿和中值滤波去噪。
5.根据权利要求1所述的金属失效类型自动化判断方法，其特征在于，所述训练集合中断口电镜图像不少于150张。
6.根据权利要求1所述的金属失效类型自动化判断方法，其特征在于，所述训练集合中断口电镜图像分辨率为256*256。
CN201711371983.XA 2017-12-19 2017-12-19 一种金属失效类型自动化判断方法 Pending CN107944505A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711371983.XA CN107944505A (zh) 2017-12-19 2017-12-19 一种金属失效类型自动化判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711371983.XA CN107944505A (zh) 2017-12-19 2017-12-19 一种金属失效类型自动化判断方法

Publications (1)

Publication Number Publication Date
CN107944505A true CN107944505A (zh) 2018-04-20

Family

ID=61941215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711371983.XA Pending CN107944505A (zh) 2017-12-19 2017-12-19 一种金属失效类型自动化判断方法

Country Status (1)

Country Link
CN (1) CN107944505A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639609A (zh) * 2020-06-03 2020-09-08 大连交通大学 基于机器视觉与深度学习的金属断口类型智能识别系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101670533A (zh) * 2009-09-25 2010-03-17 南京信息工程大学 基于工件加工表面图像分析的刀具磨损状态评价方法
CN102279222A (zh) * 2011-05-16 2011-12-14 北京航空航天大学 基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN106290379A (zh) * 2016-08-30 2017-01-04 哈尔滨工业大学（威海） 基于面扫描相机的钢轨表面缺陷检测装置及方法
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN106568783A (zh) * 2016-11-08 2017-04-19 广东工业大学 一种五金零件缺陷检测系统及方法
CN106934800A (zh) * 2017-02-28 2017-07-07 北京科技大学 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
CN107403197A (zh) * 2017-07-31 2017-11-28 武汉大学 一种基于深度学习的裂缝识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101670533A (zh) * 2009-09-25 2010-03-17 南京信息工程大学 基于工件加工表面图像分析的刀具磨损状态评价方法
CN102279222A (zh) * 2011-05-16 2011-12-14 北京航空航天大学 基于SNF策略和DSD策略的16Mn钢承力件疲劳损伤状态识别系统
CN107408209A (zh) * 2014-12-03 2017-11-28 科磊股份有限公司 无需取样及特征选择的自动缺陷分类
CN105891215A (zh) * 2016-03-31 2016-08-24 浙江工业大学 基于卷积神经网络的焊接视觉检测方法及装置
CN106290378A (zh) * 2016-08-23 2017-01-04 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN106290379A (zh) * 2016-08-30 2017-01-04 哈尔滨工业大学（威海） 基于面扫描相机的钢轨表面缺陷检测装置及方法
CN106568783A (zh) * 2016-11-08 2017-04-19 广东工业大学 一种五金零件缺陷检测系统及方法
CN106934800A (zh) * 2017-02-28 2017-07-07 北京科技大学 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
CN106952250A (zh) * 2017-02-28 2017-07-14 北京科技大学 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置
CN107403197A (zh) * 2017-07-31 2017-11-28 武汉大学 一种基于深度学习的裂缝识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
KURATA GAKUTO ET AL.: "Improved Neural Network-based Multi-label Classification with Better Initialization Leveraging Label Co-occurrence", 《PROCEEDINGS OF NAACL-HLT 2016》 *
LEON_WZM: "keras实践(一): multi-label神经网络", 《HTTPS://BLOG.CSDN.NET/LEON_WZM/ARTICLE/DETAILS/77650374》 *
余春平: "金属断口的图像识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
宋光慧: "基于迁移学习与深度卷积特征的图像标注方法研究", 《中国博士学位论文全文数据库信息科技辑》 *
陈雯柏 等: "《人工神经网络原理与实践》", 31 January 2016, 西安电子科技大学出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639609A (zh) * 2020-06-03 2020-09-08 大连交通大学 基于机器视觉与深度学习的金属断口类型智能识别系统

Similar Documents

Publication Publication Date Title
CN106895975B (zh) 基于Stacked SAE深度神经网络的轴承故障诊断方法
CN105678332B (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN113469953B (zh) 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法
CN109272500B (zh) 基于自适应卷积神经网络的织物分类方法
CN108021938A (zh) 一种冷轧带钢表面缺陷在线检测方法以及检测系统
CN107563999A (zh) 一种基于卷积神经网络的芯片缺陷识别方法
CN108256482A (zh) 一种基于卷积神经网络进行分布学习的人脸年龄估计方法
Deng et al. An improved deep residual network with multiscale feature fusion for rotating machinery fault diagnosis
CN111242242B (zh) 一种基于置信度选择的宫颈组织病理全玻片图像自动分类方法
CN111027631B (zh) 高压耐张线夹压接缺陷判别的x射线影像分类识别方法
CN110059765B (zh) 一种矿物智能识别分类系统与方法
CN111105082A (zh) 基于机器学习的工件质量预测模型构建方法及预测方法
CN113327255A (zh) 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法
CN111444871A (zh) 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法
CN107545281B (zh) 一种基于深度学习的单一有害气体红外图像分类识别方法
CN115797637A (zh) 基于模型间和模型内不确定性的半监督分割模型
CN103903009A (zh) 一种基于机器视觉的工业品检测方法
CN107944505A (zh) 一种金属失效类型自动化判断方法
CN113109782B (zh) 一种直接应用于雷达辐射源幅度序列的分类方法
CN109543144A (zh) 基于主基底分析法的疏浚产量或能耗工艺参量筛选方法
CN117113066B (zh) 一种基于计算机视觉的输电线路绝缘子缺陷检测方法
CN111709936B (zh) 一种基于多级特征比对的令纸缺陷检测方法
CN105512383A (zh) 基于bp神经网络的疏浚工艺调控参量筛选方法
CN110599457B (zh) 一种基于bd胶囊网络的柑橘黄龙病分类方法
CN116385950A (zh) 一种小样本条件下电力线路隐患目标检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180420

RJ01 Rejection of invention patent application after publication