CN110579473A - 金属材料中枝晶组织的自动全视场定量统计分布表征方法 - Google Patents

金属材料中枝晶组织的自动全视场定量统计分布表征方法 Download PDF

Info

Publication number
CN110579473A
CN110579473A CN201910826312.0A CN201910826312A CN110579473A CN 110579473 A CN110579473 A CN 110579473A CN 201910826312 A CN201910826312 A CN 201910826312A CN 110579473 A CN110579473 A CN 110579473A
Authority
CN
China
Prior art keywords
dendrite
full
dendritic crystal
field
metallographic
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.)
Granted
Application number
CN201910826312.0A
Other languages
English (en)
Other versions
CN110579473B (zh
Inventor
李冬玲
万卫浩
李�杰
王海舟
赵雷
沈学静
贾云海
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.)
Detection Technology Of Ncs Ltd By Share Ltd
Original Assignee
Detection Technology Of Ncs Ltd By Share Ltd
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 Detection Technology Of Ncs Ltd By Share Ltd filed Critical Detection Technology Of Ncs Ltd By Share Ltd
Priority to CN201910826312.0A priority Critical patent/CN110579473B/zh
Publication of CN110579473A publication Critical patent/CN110579473A/zh
Priority to US17/009,117 priority patent/US11506650B2/en
Application granted granted Critical
Publication of CN110579473B publication Critical patent/CN110579473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/32—Polishing; Etching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/40—Concentrating samples
    • G01N1/4044—Concentrating samples by chemical techniques; Digestion; Chemical decomposition
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/204—Structure thereof, e.g. crystal structure
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8477—Investigating crystals, e.g. liquid crystals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal

Landscapes

  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本发明属于金属材料的显微组织的定量统计分布分析技术领域，涉及一种金属材料中枝晶组织的自动全视场定量统计分布表征方法。本发明基于深度学习的方法，对枝晶组织特征图谱进行标记、训练，获得对应的目标检测模型，实现了全视场自动的枝晶组织中心的自动识别和标记，并结合图像处理方法，快速获得了较大范围内的所有枝晶组织的全视场形貌、位置、数量、间距等特征参数，实现了金属材料中枝晶组织的定量统计分布表征，方法具有准确、自动、高效以及定量统计分布表征信息量大的特点，较常规的单一视场的枝晶组织的特征尺寸的测量更具统计上的代表性。

Description

金属材料中枝晶组织的自动全视场定量统计分布表征方法
技术领域
本发明属于金属材料中微观组织的特征图谱定量统计分布分析技术领域，涉及一种金属材料中枝晶组织的自动全视场定量统计分布表征方法。
背景技术
枝晶组织是金属材料定向凝固过程中产生的特征组织，主要是由合金非平衡凝固过程中固液界面处元素偏析导致的，与凝固工艺密切相关。表征枝晶组织的特征参数是枝晶间距，该参数对材料的性能有决定性影响。尤其是作为航空发动机涡轮叶片的首选材料的镍基单晶高温合金，“十”字形的枝晶组织是其主要组织，其特征参数直接影响合金的热机械性能和热处理工艺。
早期的凝固理论认为在一定的凝固条件下对应的凝固组织及其尺寸是唯一的。但近代实验研究表明，一定的凝固条件下枝晶和胞晶间距均存在一个容许的范围，在该范围内其具体间距与凝固历史相关[Hunt J D,Lu S Z.Numerical modeling of cellular/dendritic array growth:spacing structure prediction[J].Metallurgical andMaterials Transactions,1996,173(3):611-623.]，因此有必要进一步研究枝晶间距的分布情况，从而考察凝固工艺的稳定性和可靠性。其中一次枝晶间距是指相邻两个枝晶的枝晶干之间的距离，一次枝晶间距的测定目前广泛采用直接测量法，但该法统计效率低，仅适合于少量枝晶间距的测量。国家标准GB/T14999.7-2010规定了高温合金铸件中一次枝晶间距的测定方法，即统计单一视场中的一次枝晶数目，并根据金相放大倍数换算出图片的面积，最后根据公式计算该视场内的一次枝晶的平均间距，该方法需人工识别出视场内的一次枝晶个数，同样存在效率低的问题，并且不能反映不同位置、不同区域的一次枝晶间距的差异，也无法实现材料大尺寸截面上所有一次枝晶间距的统计定量分布，因此，单一视场的一次枝晶平均间距测定还不能满足材料工作者考察凝固工艺，改善材料性能的需要。
目前，阻碍金属材料中枝晶组织特征参数的快速检测的难题主要是树枝晶的形状不规则，并且图像采集时无法保证每张图片的背景灰度的均匀一致，导致并行图像处理时结果误差较大。所以常规的一次枝晶的识别和计数通常采用人工的方法进行[张小丽,杨亚楠,刘贵群,等.定向凝固法制备单晶高温合金一次枝晶间距研究[J].铸造技术,2018.39(1)：21-24]，还无法像规则的类球形颗粒组织那样通过定量金相软件给出统计结果。对于一个宏观金属材料，其本质是一个不均匀的微观组织结构的集合，而单一视场或局部的多个视场的组织观察无法反映材料的整体微观组织的分布特征，而且单个视场边部上的一次枝晶由于观察不完整也无法参与统计，导致能参与统计的完整枝晶个数的进一步减少，随机采集了多个视场进行一次枝晶的人工识别和直接间距测量，虽然增加了枝晶统计数量，这些随机视场代表的样品区域是割裂的，仍然存在着统计代表性不足的问题。
发明内容
针对上面的技术问题，同时考虑到材料本身客观存在的微观组织结构的非均匀性，本发明的目的是提供一种基于深度学习的金属材料枝晶组织的全视场自动识别、定位、测量和统计表征方法，消除人工选择视场带来的主观性误差并解决人工识别、测量、统计枝晶组织带来的效率低的问题，快速获得金属材料较大范围内的所有枝晶组织的形貌、位置、数量、间距等信息，并实现全视场内的所有枝晶组织的定量统计分布表征，为金属材料中枝晶组织提供一种更具代表性的全面、准确、自动、高效的检测手段。
为了实现上述目的，本发明提供了如下技术方案：
一种金属材料中枝晶组织的自动全视场定量统计分布表征方法，该方法包括如下步骤：
(1)建立基于深度学习的目标检测模型
将与待检测金属材料材质相同的标准金属材料试样进行金相制样、抛光和化学腐蚀，使其表面显示清晰完整的枝晶组织；
采用全自动金相显微镜对经金相化学腐蚀后的标准金属材料试样进行枝晶组织特征图谱采集，建立枝晶组织特征图谱数据集；将枝晶中心作为目标对枝晶组织特征图谱数据集中的各图像进行标记，得到含有标记框的图像，标记框内即为枝晶中心；其中，标记信息包括目标的类别和区域信息；类别表示标记框内是否包含枝晶中心；区域信息包括枝晶中心的位置；将标记后的枝晶组织特征图谱数据集生成目标检测样本库；
建立目标检测网络，用获得的目标检测样本库训练得到目标检测模型；
(2)待检测金属材料的枝晶组织特征图谱的全视场自动采集
采用与步骤(1)相同的金相制样和对金相化学腐蚀工艺对待检测金属材料进行金相制样和对金相化学腐蚀处理，然后对经金相化学腐蚀后的待检测金属材料表面采用全自动金相显微镜进行全视场枝晶组织特征图谱自动采集；
(3)枝晶组织自动识别和快速定位：
将步骤(2)采集到的所有待检测图像输入到步骤(1)建立的目标检测模型中，即可直接获得标记了枝晶中心的枝晶组织特征图谱；
(4)全视场枝晶组织特征图谱的自动拼接融合
对经步骤(3)获得的所有标记了枝晶中心的枝晶组织特征图谱采用基于互信息的图像配准算法，对相邻枝晶组织特征图谱重合区域进行识别和拼接，获得一个包含已标记枝晶中心的全视场枝晶组织特征图谱；
(5)大范围全视场枝晶组织数量和间距的定量分布表征
对步骤(4)获得的全视场枝晶组织特征图谱进行枝晶数量和间距的统计分布分析，获得大范围全视场上的每个枝晶位置、数量和相邻两个枝晶的间距等定量统计分布数据。
所述步骤(1)中，金相化学腐蚀的溶液为2.0％-5.0％硫酸铜(m/V)、50％-70％盐酸(V/V)酒精溶液，或者为1.0％-30.0％氢氟酸(V/V)、20％-40％硝酸(V/V)和30％-40％冰醋酸(V/V)水溶液；浸蚀时间为0.3min-2min。
所述步骤(1)中，所述目标检测样本库分为训练集和测试集，其中，训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。
所述步骤(1)中，所述目标检测网络选自Faster R-CNN、R-CNN、FAST R-CNN、maskR-CNN和SPP网络框架；网络框架包括特征提取网络、预选框网络、全连接层和输出层；其中，特征提取网络包括卷积层、ReLu层和pooling层；预选框网络使用RPNs(region proposalnetworks)网络；全连接层为两层；输出层包含两部分内容，其中一部分输出目的为确定各预选框中特征的类别，输出值为各预选框对应于各分类目标的概率，另一部分输出目的为调整各预选框的位置和大小，输出值为4个自然数组成的数组，这4个自然数分别对应调整后的预选框的左上角坐标以及预选框的长和宽。
所述步骤(1)中还包括对枝晶组织特征图谱数据集中的原图像进行预处理的步骤，在训练前将枝晶组织特征图谱数据集中的原图像进行翻转、平移、旋转、裁剪处理。
所述步骤(1)中，从标准金属材料试样的金相组织特征图谱中随机挑选5％-15％的视场，对其进行人工标记，得到含有标记框的多个图像；标记完成后，将标记后的多个图像输入目标检测网络中进行10000-50000次迭代训练，得到目标检测模型。
所述步骤(3)中，每幅待检测图像检测耗时仅0.2秒。
所述步骤(4)中，通过任意两幅不同视场的枝晶组织特征图谱的熵以及联合熵来获取枝晶组织特征图谱的互信息，确定相邻重合区域的位置以及大小，从而实现相邻枝晶组织特征图谱重合区域的识别和拼接。
所述步骤(4)进一步包括对拼接后的枝晶组织特征图谱的边缘灰度进行数学处理，实现灰度的均匀化和融合。
所述步骤(5)中，对步骤(4)获得的全视场枝晶组织特征图谱进行二值化处理，得到一幅只包含枝晶中心点的二值图像，采用联通区域法，直接统计出该二值图像上枝晶中心点个数，获得全视场上的枝晶个数；并通过每一个枝晶中心点的坐标，计算每个枝晶中心点和其它任意枝晶中心点之间的距离，并找出任意角度上，距离该点最近的相邻点，并记录两点间距为该此角度下该点的一个枝晶间距，最后，统计出所有点在任意角度上的枝晶间距。
通过公式(1)计算枝晶平均间距λ：
λ＝(S/N)0.5 (1)
其中，λ为枝晶平均间距，S为视场面积，N为该视场中枝晶个数。
该方法用于镍基单晶高温合金枝晶组织的表征。
与现有技术相比，本发明的有益效果在于：
1、现行的枝晶间距主要是测定单一视场内枝晶的平均间距，枝晶数目的确定和间距的测量主要依赖人工识别和统计的方法，工作量大，效率低下，本发明通过基于深度学习的目标检测方法，实现了视场内大量枝晶组织的自动快速检测、枝晶数目和任意方向上相邻枝晶间距的自动统计，极大地提高了检测效率。
2、现行的金相图像法主要是对单一视场进行图像分析，观察的视场面积和枝晶组织数量有限。本发明通过大范围全视场自动采集、拼接融合，获得的材料较大区域内的全视场枝晶组织的特征图谱。本发明由于是全视场图像进行枝晶组织统计分析，极大地消除了单一视场观察时边缘多个枝晶组织统计不完整的现象，因此本发明具有统计的视场大，效率高、信息全的优点，统计的数据更为准确可靠。
3、现行的枝晶间距主要是统计平均枝晶间距，或者针对少量图像，手动测量某方向上枝晶间距。平均枝晶间距不能反映材料不同位置不同区域的局部特征信息，本发明基于深度学习的方法可以在保证较高准确率的情况下快速确定所有枝晶中心位置，并对任意方向上枝晶间距进行统计。既可以从全视场层面上得到不同区域的平均枝晶间距，又可以精确地得到每一个枝晶在任意方向上到相邻枝晶的枝晶间距，统计数据更加全面、丰富。方法还具有普适性，对于其它的特征显微组织均能通过全视场图像采集拼接融合、深度学习来快速识别、自动统计和测量。
附图说明
图1为本发明实施例的枝晶识别流程示意图；
图2为本发明实施例的目标检测网络Faster R-CNN；
图3a为本发明实施例的随机挑选枝晶组织特征图谱中的一幅；
图3b为图3a对应的标记图像；
图4a为本发明实施例的待检测图像；
图4b为图4a对应的已被检测出枝晶中心的枝晶组织特征图谱；
图5a为本发明实施例中样品1已标记枝晶中心的全视场枝晶组织特征图谱；
图5b为本发明实施例中样品2已标记枝晶中心的全视场枝晶组织特征图谱；
图5c为本发明实施例中样品3已标记枝晶中心的全视场枝晶组织特征图谱；
图5d为本发明实施例中样品4已标记枝晶中心的全视场枝晶组织特征图谱；
图6为分区域统计示意图；
图7为本发明实施例中样品4的全视场上8个方向上所有枝晶间距的直方图；
图8为本发明实施例中样品4的平均枝晶间距直方图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
本发明提供一种金属材料中枝晶组织的自动全视场定量统计分布表征方法，该方法包括如下步骤：
(1)建立基于深度学习的目标检测模型
将与待检测金属材料材质相同的标准金属材料试样进行金相制样，获得光洁的金相镜面；然后对标准金属材料试样进行金相化学腐蚀，使其表面显示清晰完整的枝晶组织，并用水和无水乙醇清洗并吹干。
其中，金相化学腐蚀溶液为2.0％-5.0％硫酸铜(m/V)、50％-70％盐酸(V/V)酒精溶液，或者为1.0％-30.0％氢氟酸(V/V)、20％-40％硝酸(V/V)和30％-40％冰醋酸(V/V)水溶液等其它腐蚀液；浸蚀时间为0.3min-2min。
采用全自动金相显微镜对经金相化学腐蚀后的标准金属材料试样进行枝晶组织特征图谱采集，建立枝晶组织特征图谱数据集；将枝晶中心作为目标对枝晶组织特征图谱数据集中的各图像进行标记，得到含有标记框的图像，标记框内即为枝晶中心；其中，标记信息包括目标的类别和区域信息；类别表示标记框内是否包含枝晶中心；区域信息包括枝晶中心的位置；将标记后的枝晶组织特征图谱数据集生成目标检测样本库；
建立目标检测网络，用获得的目标检测样本库训练得到目标检测模型。训练次数为10000-50000次。
所述目标检测样本库分为训练集和测试集，其中，训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。
所述目标检测网络选自Faster R-CNN、R-CNN、FAST R-CNN、mask R-CNN和SPP等网络框架。网络框架主要包括特征提取网络、预选框网络、全连接层和输出层。其中，特征提取网络包括卷积层、ReLu层和pooling层；预选框网络使用RPNs(region proposal networks)网络；全连接层为两层；输出层包含两部分内容，其中一部分输出目的为确定各预选框中特征的类别，输出值为各预选框对应于各分类目标的概率，另一部分输出目的为调整各预选框的位置和大小，输出值为4个自然数组成的数组，这4个自然数分别对应调整后的预选框的左上角坐标以及预选框的长和宽。
优选地，为了降低因训练数据不足从而在训练过程中引起过拟合的风险，步骤(1)中还包括对枝晶组织特征图谱数据集中的原图像进行预处理的步骤，在训练前将枝晶组织特征图谱数据集中的原图像进行翻转、平移、旋转、裁剪等预处理操作，达到数据增强的目的。
(2)待检测金属材料的枝晶组织特征图谱的全视场自动采集
采用与步骤(1)相同的金相制样和对金相化学腐蚀工艺对待检测金属材料进行金相制样和对金相化学腐蚀处理，然后对经金相化学腐蚀后的待检测金属材料表面采用全自动金相显微镜进行全视场枝晶组织特征图谱自动采集，自动采集的特征图谱数量可达10000幅以上。
(3)枝晶组织自动识别和快速定位：
将步骤(2)采集到的所有待检测图像输入到步骤(1)建立的目标检测模型中，即可直接获得标记了枝晶中心的枝晶组织特征图谱。该过程每幅待检测图像检测耗时仅0.2秒。
(4)全视场枝晶组织特征图谱的自动拼接融合
对经步骤(3)获得的所有标记了枝晶中心的枝晶组织特征图谱采用基于互信息的图像配准算法，通过任意两幅不同视场的枝晶组织特征图谱的熵以及联合熵来获取枝晶组织特征图谱的互信息，确定相邻重合区域的位置以及大小，从而实现相邻枝晶组织特征图谱重合区域的识别和拼接，并对拼接后的枝晶组织特征图谱的边缘灰度进行数学处理，实现灰度的均匀化和融合，最终获得一个包含已标记枝晶中心的全视场枝晶组织特征图谱。
(5)大范围全视场枝晶组织数量和间距的定量分布表征
对步骤(4)获得的全视场枝晶组织特征图谱进行枝晶数量和间距的统计分布分析，获得大范围全视场上的每个枝晶位置、数量和相邻两个枝晶的间距等定量统计分布数据。
对步骤(4)获得的的全视场枝晶组织特征图谱进行二值化处理，得到一幅只包含枝晶中心点的二值图像，采用联通区域法，直接统计出该二值图像上枝晶中心点个数，获得全视场上的枝晶个数；并通过每一个枝晶中心点的坐标，计算每个枝晶中心点和其它任意枝晶中心点之间的距离，并找出任意角度上，距离该点最近的相邻点，并记录两点间距为该此角度下该点的一个枝晶间距，最后，统计出所有点在任意角度上的枝晶间距，并通过公式(1)计算枝晶平均间距λ：
λ＝(S/N)0.5 (1)
其中，λ为枝晶平均间距，S为视场面积，N为该视场中枝晶个数。
所以本发明既可以通过公式结合图像处理的方法，快速计算出任意大小的视场内枝晶平均间距，又可以快速计算出任一方向上的枝晶间距分布情况。
下面结合附图和实施例对本发明进行进一步说明。
实施例
本实施例为航空发动机涡轮叶片用镍基单晶高温合金，由于涡轮叶片处于温度最高、应力最复杂、环境最恶劣的部位而被列为发动机第一关键部件。定向凝固单晶高温合金具有优异的高温强度、抗疲劳性能和断裂韧性以及良好的抗氧化和抗热腐蚀性能，因此是涡轮叶片的首选材料。单晶高温合金在定向凝固制备过程中，凝固组织一般都为枝晶组织，枝晶是由于合金非平衡凝固中固/液界面失稳造成的，受凝固工艺控制。其中一次枝晶间距是单晶高温合金的一个重要组织参数，降低合金的一次枝晶间距可起到优化合金铸态组织的作用，可以有效降低铸态合金的共晶和γ’相尺寸并优化碳化物形貌，从而提高高温合金的疲劳寿命和持久性能。因此，单晶高温合金一次枝晶的定量表征以及枝晶组织均匀性的统计分布表征是评估凝固工艺稳定性和可靠性的重要依据，对于提高单晶高温合金的力学性能具有重要意义。
一、建立基于深度学习的目标检测模型
将定向凝固工艺制备的成分匹配的镍基单晶高温合金标准棒材样品经砂纸粗磨、细磨和精抛之后，制成光洁的金相镜面，在1.0％-30.0％氢氟酸(V/V)、20％-40％硝酸(V/V)和30％-40％冰醋酸(V/V)水溶液进行浸蚀，浸蚀时间为0.3min-2min，使其表面显示清晰完整的枝晶组织，然后用水和无水乙醇清洗并吹干。采用全自动显微镜在放大50倍时对经化学腐蚀后的试样表面的金相组织图谱进行采样拍摄，采样位置随机。
如图1所示，建立识别枝晶组织特征图谱的流程图。为了降低因训练数据不足从而在训练过程中引起过拟合的风险，本实验在训练前将原图像进行翻转、平移、旋转、裁剪等预处理操作，达到数据增强的目的。将枝晶中心作为目标对枝晶组织特征图谱数据集中的各图像进行标记，得到含有标记框的图像，标记框内即为枝晶中心；其中，标记信息包括目标的类别和区域信息；类别表示标记框内是否包含枝晶中心；区域信息包括枝晶中心的位置；将标记后的枝晶组织特征图谱数据集生成目标检测样本库；如图2所示，建立基于DeepLearning的目标检测网络Faster R-CNN，用获得的目标检测样本库训练得到目标检测模型。
本实施例中，从标准金属材料试样的金相组织特征图谱中随机挑选35个视场(35张图像)，如图3a所示，对其进行人工标记，得到含有标记框的图像，如图3b所示。标记完成后，将标记后的图像输入到图2所示的网络中进行训练，得到目标检测模型。本实施例共进行40000次迭代训练。
二、枝晶组织特征图谱的全视场自动采集
采用与步骤一相同的金相制样和对金相化学腐蚀工艺对待检测金属材料进行金相制样和对金相化学腐蚀处理，然后对经金相化学腐蚀后的待检测金属材料表面在50倍下采用全自动金相显微镜进行全视场枝晶组织特征图谱自动采集，对于直径为15mm的圆截面，自动采集视场个数为8×11，即X方向视场个数为8，Y方向的视场个数为11，最终获得的是88个视场的一次枝晶组织的特征图谱。本实施例共测量了4个不同工艺的镍基单晶高温合金棒材样品的一次枝晶组织，参与统计的视场总数为352个。
三、枝晶组织的自动识别和快速定位
将所有待检测图像(如图4a所示)全部输入到建立的目标检测模型中进行检测，得到如图4b所示的标记了枝晶中心的枝晶组织特征图谱，其中每张图像的检测速度为0.2秒
四、全视场枝晶组织特征图谱的自动拼接融合
针对已经被自动标记过枝晶中心的特征图谱，采用基于互信息MI的图像配准算法，将同一块样品中不同视场的枝晶组织特征图谱拼接成一个完整的全视场枝晶组织特征图谱，如图5a至图5d所示。
五、全视场范围内枝晶组织数目和间距的定量统计分布表征
对全视场枝晶组织特征图谱进行二值化处理，得到一幅只包含枝晶中心点的二值图像，，采用联通区域法，直接统计出4个不同工艺的镍基单晶高温合金棒材样品的二值图像上中心点个数，获得全视场上的枝晶个数，并与手工统计枝晶个数对比，结果如表1所示。说明本发明所述方法准确、可靠。
通过只包含枝晶中心点的二值图像，可以得到任一枝晶中心点的坐标，并准确地找到任一枝晶在任一方向上，距离其最近的枝晶位置，以及两者之间的距离。以各枝晶中心点为坐标原点，将整个屏幕划分为8个区域，并获取8个方向上的所有一次枝晶间距(如图6所示)。以样品4为例，所得到8个方向上所有枝晶间距的直方图分布情况如图7所示。所有枝晶对每一个点上8个方向的枝晶间距进行平均，得到直方图如图8所示。
如表1所示，人工统计和自动识别出样品4中枝晶个数分别为1195和1181，样品4的面积为163.866平方毫米，则根据公式(1)可以分别计算出人工统计计算和自动识别统计计算的平均枝晶间距为370μm和372μm。而从图7和图8容易看到，直方图的峰值分别处于395μm处和385μm处，大部分的枝晶间距均位于350μm-450μm之间，说明了该发明给出的定量统计分布分析方法对于枝晶间距的表征与传统的测量方法具有较好的对应关系，但能进一步表明的枝晶组织的不均匀分布，样品的枝晶间距是在一定范围内浮动。
表1自动统计的一次枝晶个数与直接测量枝晶个数对比
样品编号 1 2 3 4
自动统计结果 1206 1280 1228 1181
手工测量结果 1209 1408 1253 1195

Claims (12)

1.一种金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：该方法包括如下步骤：
(1)建立基于深度学习的目标检测模型
将与待检测金属材料材质相同的标准金属材料试样进行金相制样、抛光和化学腐蚀，使其表面显示清晰完整的枝晶组织；
采用全自动金相显微镜对经金相化学腐蚀后的标准金属材料试样进行枝晶组织特征图谱采集，建立枝晶组织特征图谱数据集；将枝晶中心作为目标对枝晶组织特征图谱数据集中的各图像进行标记，得到含有标记框的图像，标记框内即为枝晶中心；其中，标记信息包括目标的类别和区域信息；类别表示标记框内是否包含枝晶中心；区域信息包括枝晶中心的位置；将标记后的枝晶组织特征图谱数据集生成目标检测样本库；
建立目标检测网络，用获得的目标检测样本库训练得到目标检测模型；
(2)待检测金属材料的枝晶组织特征图谱的全视场自动采集
采用与步骤(1)相同的金相制样和对金相化学腐蚀工艺对待检测金属材料进行金相制样和对金相化学腐蚀处理，然后对经金相化学腐蚀后的待检测金属材料表面采用全自动金相显微镜进行全视场枝晶组织特征图谱自动采集；
(3)枝晶组织自动识别和快速定位：
将步骤(2)采集到的所有待检测图像输入到步骤(1)建立的目标检测模型中，即可直接获得标记了枝晶中心的枝晶组织特征图谱；
(4)全视场枝晶组织特征图谱的自动拼接融合
对经步骤(3)获得的所有标记了枝晶中心的枝晶组织特征图谱采用基于互信息的图像配准算法，对相邻枝晶组织特征图谱重合区域进行识别和拼接，获得一个包含已标记枝晶中心的全视场枝晶组织特征图谱；
(5)大范围全视场枝晶组织数量和间距的定量分布表征
对步骤(4)获得的全视场枝晶组织特征图谱进行枝晶数量和间距的统计分布分析，获得大范围全视场上的每个枝晶位置、数量和相邻两个枝晶的间距等定量统计分布数据。
2.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(1)中，金相化学腐蚀的溶液为2.0％-5.0％硫酸铜(m/V)、50％-70％盐酸(V/V)酒精溶液，或者为1.0％-30.0％氢氟酸(V/V)、20％-40％硝酸(V/V)和30％-40％冰醋酸(V/V)水溶液；浸蚀时间为0.3min-2min。
3.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(1)中，所述目标检测样本库分为训练集和测试集，其中，训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。
4.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(1)中，所述目标检测网络选自Faster R-CNN、R-CNN、FAST R-CNN、mask R-CNN和SPP网络框架；网络框架包括特征提取网络、预选框网络、全连接层和输出层；其中，特征提取网络包括卷积层、ReLu层和pooling层；预选框网络使用RPNs(regionproposal networks)网络；全连接层为两层；输出层包含两部分内容，其中一部分输出目的为确定各预选框中特征的类别，输出值为各预选框对应于各分类目标的概率，另一部分输出目的为调整各预选框的位置和大小，输出值为4个自然数组成的数组，这4个自然数分别对应调整后的预选框的左上角坐标以及预选框的长和宽。
5.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(1)中还包括对枝晶组织特征图谱数据集中的原图像进行预处理的步骤，在训练前将枝晶组织特征图谱数据集中的原图像进行翻转、平移、旋转、裁剪处理。
6.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(1)中，从标准金属材料试样的金相组织特征图谱中随机挑选5％-15％的视场，对其进行人工标记，得到含有标记框的多个图像；标记完成后，将标记后的多个图像输入目标检测网络中进行10000-50000次迭代训练，得到目标检测模型。
7.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(3)中，每幅待检测图像检测耗时仅0.2秒。
8.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(4)中，通过任意两幅不同视场的枝晶组织特征图谱的熵以及联合熵来获取枝晶组织特征图谱的互信息，确定相邻重合区域的位置以及大小，从而实现相邻枝晶组织特征图谱重合区域的识别和拼接。
9.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(4)进一步包括对拼接后的枝晶组织特征图谱的边缘灰度进行数学处理，实现灰度的均匀化和融合。
10.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤(5)中，对步骤(4)获得的全视场枝晶组织特征图谱进行二值化处理，得到一幅只包含枝晶中心点的二值图像，采用联通区域法，直接统计出该二值图像上枝晶中心点个数，获得全视场上的枝晶个数；并通过每一个枝晶中心点的坐标，计算每个枝晶中心点和其它任意枝晶中心点之间的距离，并找出任意角度上，距离该点最近的相邻点，并记录两点间距为该此角度下该点的一个枝晶间距，最后，统计出所有点在任意角度上的枝晶间距。
11.根据权利要求10所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：通过公式(1)计算枝晶平均间距λ：
λ＝(S/N)0.5 (1)
其中，λ为枝晶平均间距，S为视场面积，N为该视场中枝晶个数。
12.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：该方法用于镍基单晶高温合金枝晶组织的表征。
CN201910826312.0A 2019-09-03 2019-09-03 金属材料中枝晶组织的自动全视场定量统计分布表征方法 Active CN110579473B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910826312.0A CN110579473B (zh) 2019-09-03 2019-09-03 金属材料中枝晶组织的自动全视场定量统计分布表征方法
US17/009,117 US11506650B2 (en) 2019-09-03 2020-09-01 Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910826312.0A CN110579473B (zh) 2019-09-03 2019-09-03 金属材料中枝晶组织的自动全视场定量统计分布表征方法

Publications (2)

Publication Number Publication Date
CN110579473A true CN110579473A (zh) 2019-12-17
CN110579473B CN110579473B (zh) 2022-03-25

Family

ID=68812380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910826312.0A Active CN110579473B (zh) 2019-09-03 2019-09-03 金属材料中枝晶组织的自动全视场定量统计分布表征方法

Country Status (2)

Country Link
US (1) US11506650B2 (zh)
CN (1) CN110579473B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696632A (zh) * 2020-06-22 2020-09-22 钢铁研究总院 一种金属材料中γ′相微观组织全视场定量统计分布表征方法
CN111860176A (zh) * 2020-06-22 2020-10-30 钢铁研究总院 一种非金属夹杂全视场定量统计分布表征方法
CN112326656A (zh) * 2020-10-28 2021-02-05 福建工程学院 晶界界面匹配定量表征方法
CN112395932A (zh) * 2020-06-22 2021-02-23 钢铁研究总院 一种金属材料中显微组织全视场定量统计分布表征方法
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
CN112883604A (zh) * 2021-01-21 2021-06-01 西北工业大学 确定镍基单晶叶片不同位置处的蠕变强度的方法
CN112949695A (zh) * 2021-02-05 2021-06-11 华南师范大学 液晶相态识别方法、系统、电子设备及存储介质
CN112986298A (zh) * 2021-02-06 2021-06-18 钢研纳克检测技术股份有限公司 一种单晶高温合金枝晶组织原位统计分布表征方法
CN113049621A (zh) * 2021-03-19 2021-06-29 钢研纳克检测技术股份有限公司 一种高温合金铸锭枝晶偏析和枝晶间距定量表征方法
CN113177574A (zh) * 2021-03-19 2021-07-27 华中科技大学 用于材料表征图像分析的视觉模型及其分析方法
CN113376015A (zh) * 2021-06-07 2021-09-10 北京科技大学 一种快速表征分析镍基单晶高温合金微观组织演变的方法
CN113945557A (zh) * 2020-07-15 2022-01-18 通用汽车环球科技运作有限责任公司 对显微镜放大倍数和相机分辨率执行枝晶结构测量的方法
CN114441579A (zh) * 2022-01-07 2022-05-06 攀钢集团研究院有限公司 一种连铸坯枝晶间夹杂位置的检测方法
CN116740031A (zh) * 2023-06-15 2023-09-12 小米汽车科技有限公司 获取枝晶臂间距的方法、装置、存储介质及芯片
CN114441579B (zh) * 2022-01-07 2024-05-28 攀钢集团研究院有限公司 一种连铸坯枝晶间夹杂位置的检测方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6874136B2 (ja) * 2017-07-18 2021-05-19 株式会社ソニー・インタラクティブエンタテインメント 画像認識装置、画像認識方法及びプログラム
US11676009B2 (en) * 2019-10-04 2023-06-13 Raytheon Technologies Corporation Machine learning based rotor alloy design system
CN112489039B (zh) * 2020-12-17 2021-11-16 钢铁研究总院 基于深度学习的铝合金微米级第二相定量统计表征方法
CN113034014A (zh) * 2021-03-31 2021-06-25 华南理工大学 一种基于多信息融合定量化的增材制造评定方法及系统
CN113420385A (zh) * 2021-05-25 2021-09-21 武汉工程大学 一种基于机器学习的钢材微观组织力学性能预测方法
CN113882009B (zh) * 2021-10-15 2023-12-29 重庆东申电镀有限公司 自动镀锌生产方法及装置
CN114672808A (zh) * 2022-03-30 2022-06-28 西安热工研究院有限公司 镍基合金中γ′相金相的腐蚀剂、制备及腐蚀方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087209A (zh) * 2010-12-15 2011-06-08 重庆研镁科技有限公司 一种测量镁合金铸态组织成分均匀性的方法
US20140119612A1 (en) * 2012-04-12 2014-05-01 GM Global Technology Operations LLC Method for automatic quantification of dendrite arm spacing in dendritic microstructures
CN103776834A (zh) * 2014-01-21 2014-05-07 首钢总公司 一种低碳er50-6铸坯枝晶的热腐蚀和显示方法
CN108226159A (zh) * 2017-12-29 2018-06-29 钢铁研究总院 金属材料中析出相颗粒的全视场定量统计分布表征方法
CN109884104A (zh) * 2019-03-14 2019-06-14 钢研纳克检测技术股份有限公司 材料组织结构大尺寸高通量定量表征三维重构设备和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190053790A1 (en) * 2017-08-17 2019-02-21 Contraline, Inc. Systems and methods for automated image recognition of implants and compositions with long-lasting echogenicity
US20190278880A1 (en) * 2018-03-12 2019-09-12 Exxonmobil Research And Engineering Company Hybrid computational materials fabrication
US11193884B2 (en) * 2018-07-02 2021-12-07 The Research Foundation For The State University Of New York System and method for structural characterization of materials by supervised machine learning-based analysis of their spectra
US11386541B2 (en) * 2019-08-22 2022-07-12 Saudi Arabian Oil Company System and method for cyber-physical inspection and monitoring of nonmetallic structures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087209A (zh) * 2010-12-15 2011-06-08 重庆研镁科技有限公司 一种测量镁合金铸态组织成分均匀性的方法
US20140119612A1 (en) * 2012-04-12 2014-05-01 GM Global Technology Operations LLC Method for automatic quantification of dendrite arm spacing in dendritic microstructures
CN103776834A (zh) * 2014-01-21 2014-05-07 首钢总公司 一种低碳er50-6铸坯枝晶的热腐蚀和显示方法
CN108226159A (zh) * 2017-12-29 2018-06-29 钢铁研究总院 金属材料中析出相颗粒的全视场定量统计分布表征方法
CN109884104A (zh) * 2019-03-14 2019-06-14 钢研纳克检测技术股份有限公司 材料组织结构大尺寸高通量定量表征三维重构设备和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ARITRA CHOWDHURY ET AL.: "Image driven machine learning methods for microstructure recognition", 《COMPUTATIONAL MATERIALS SCIENCE》 *
张小丽 等: "定向凝固法制备单晶高温合金一次枝晶间距研究", 《铸造技术》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111696632A (zh) * 2020-06-22 2020-09-22 钢铁研究总院 一种金属材料中γ′相微观组织全视场定量统计分布表征方法
CN111860176A (zh) * 2020-06-22 2020-10-30 钢铁研究总院 一种非金属夹杂全视场定量统计分布表征方法
CN112395932A (zh) * 2020-06-22 2021-02-23 钢铁研究总院 一种金属材料中显微组织全视场定量统计分布表征方法
CN111696632B (zh) * 2020-06-22 2023-10-10 钢铁研究总院有限公司 一种金属材料中γ′相微观组织全视场定量统计分布表征方法
CN111860176B (zh) * 2020-06-22 2024-02-02 钢铁研究总院有限公司 一种非金属夹杂全视场定量统计分布表征方法
CN113945557A (zh) * 2020-07-15 2022-01-18 通用汽车环球科技运作有限责任公司 对显微镜放大倍数和相机分辨率执行枝晶结构测量的方法
CN112326656A (zh) * 2020-10-28 2021-02-05 福建工程学院 晶界界面匹配定量表征方法
CN112326656B (zh) * 2020-10-28 2023-06-02 福建工程学院 晶界界面匹配定量表征方法
CN112883604A (zh) * 2021-01-21 2021-06-01 西北工业大学 确定镍基单晶叶片不同位置处的蠕变强度的方法
CN112883604B (zh) * 2021-01-21 2024-02-09 西北工业大学 确定镍基单晶叶片不同位置处的蠕变强度的方法
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
CN112949695A (zh) * 2021-02-05 2021-06-11 华南师范大学 液晶相态识别方法、系统、电子设备及存储介质
CN112986298A (zh) * 2021-02-06 2021-06-18 钢研纳克检测技术股份有限公司 一种单晶高温合金枝晶组织原位统计分布表征方法
CN112986298B (zh) * 2021-02-06 2023-10-10 钢研纳克检测技术股份有限公司 一种单晶高温合金枝晶组织原位统计分布表征方法
CN113177574A (zh) * 2021-03-19 2021-07-27 华中科技大学 用于材料表征图像分析的视觉模型及其分析方法
CN113049621A (zh) * 2021-03-19 2021-06-29 钢研纳克检测技术股份有限公司 一种高温合金铸锭枝晶偏析和枝晶间距定量表征方法
CN113049621B (zh) * 2021-03-19 2023-02-28 钢研纳克检测技术股份有限公司 一种高温合金铸锭枝晶偏析和枝晶间距定量表征方法
CN113376015A (zh) * 2021-06-07 2021-09-10 北京科技大学 一种快速表征分析镍基单晶高温合金微观组织演变的方法
CN114441579A (zh) * 2022-01-07 2022-05-06 攀钢集团研究院有限公司 一种连铸坯枝晶间夹杂位置的检测方法
CN114441579B (zh) * 2022-01-07 2024-05-28 攀钢集团研究院有限公司 一种连铸坯枝晶间夹杂位置的检测方法
CN116740031A (zh) * 2023-06-15 2023-09-12 小米汽车科技有限公司 获取枝晶臂间距的方法、装置、存储介质及芯片

Also Published As

Publication number Publication date
US11506650B2 (en) 2022-11-22
CN110579473B (zh) 2022-03-25
US20210063376A1 (en) 2021-03-04

Similar Documents

Publication Publication Date Title
CN110579473B (zh) 金属材料中枝晶组织的自动全视场定量统计分布表征方法
CN111696632B (zh) 一种金属材料中γ′相微观组织全视场定量统计分布表征方法
CN108226159B (zh) 金属材料中析出相颗粒的全视场定量统计分布表征方法
CN112395932B (zh) 一种金属材料中显微组织全视场定量统计分布表征方法
CN113049621B (zh) 一种高温合金铸锭枝晶偏析和枝晶间距定量表征方法
CN104751473B (zh) 碳酸岩多尺度孔洞特征的确定方法及装置
CN111242123A (zh) 一种基于红外图像的电力设备故障诊断方法
CN112986298B (zh) 一种单晶高温合金枝晶组织原位统计分布表征方法
US20230184703A1 (en) Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning
CN111738131B (zh) 一种合金两相微结构参数特征提取方法
CN106770296B (zh) 一种四球摩擦试验磨斑图像磨痕方向角自动测定方法
CN110232334A (zh) 一种基于卷积神经网络的钢结构锈蚀识别方法
CN101460976A (zh) 用于影响人或动物组织的疾病的“体外”诊断方法
CN106370565A (zh) 一种过共晶铝硅合金中初生硅相的定量检测方法
CN111724358A (zh) 基于图像和卷积神经网络的混凝土质量检测方法及系统
CN102788748B (zh) 82b盘条索氏体含量分析用标准样品的制备方法
CN106282861A (zh) 一种铝合金圆铸锭均匀化效果的快速检测方法
CN116843743A (zh) 一种基于三视角图像轮廓拟合的柚果体积测量方法
CN115689995A (zh) 一种复杂光照背景条件下的圆孔边缘亚像素级提取方法
Romano et al. High correlation in renal tissue between computed image analysis and classical morphometric analysis
CN106524957A (zh) 珠光体团尺寸的测定方法
CN112837271B (zh) 一种甜瓜种质资源性状提取方法及系统
CN108846839A (zh) 一种基于扇形邻域差异直方图的匣钵裂纹检测方法
CN106485728B (zh) 一种条形主变油位计的自动度量方法
CN114689584A (zh) 适用于硅钢铁素体完全再结晶组织晶粒尺寸计算的方法

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
GR01 Patent grant
GR01 Patent grant