CN111257317A - 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法 - Google Patents

钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法 Download PDF

Info

Publication number
CN111257317A
CN111257317A CN202010101769.8A CN202010101769A CN111257317A CN 111257317 A CN111257317 A CN 111257317A CN 202010101769 A CN202010101769 A CN 202010101769A CN 111257317 A CN111257317 A CN 111257317A
Authority
CN
China
Prior art keywords
sulfide
inclusion
inclusions
sulfide inclusions
steel
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
CN202010101769.8A
Other languages
English (en)
Other versions
CN111257317B (zh
Inventor
肖命冬
罗新中
曾赞喜
林晏民
麻国晓
朱祥睿
李富强
董凤奎
章玉成
张兆洋
陆伟成
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.)
SGIS Songshan Co Ltd
Original Assignee
SGIS Songshan Co 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 SGIS Songshan Co Ltd filed Critical SGIS Songshan Co Ltd
Priority to CN202010101769.8A priority Critical patent/CN111257317B/zh
Publication of CN111257317A publication Critical patent/CN111257317A/zh
Application granted granted Critical
Publication of CN111257317B publication Critical patent/CN111257317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/24—Investigating strength properties of solid materials by application of mechanical stress by applying steady shearing forces
    • 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
    • G01N1/286—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G01N2001/2873—Cutting or cleaving

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本申请提供一种钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法，属于钢铁夹杂物测评技术领域。夹杂物检测方法包括：采用多个进行了夹杂物边界标注的训练集进行阈值学习，得到夹杂物对应的灰度阈值范围；结合阈值学习的灰度阈值范围，采用多个进行了夹杂物边界标注的测试集对夹杂物的识别进行深度神经网络学习，得到夹杂物识别模型，便于获取较为准确的夹杂物分布信息。夹杂物评价方法包括：采用夹杂物识别模型对检测视场内的夹杂物进行识别获取夹杂物分布信息，用以对夹杂物平均级别、总面积、平均长度及形态比进行评价，夹杂物评价更全面。切削性能采用夹杂物平均级别、总面积、平均长度及形态比进行评价，能够更好地评价切削性能。

Description

钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法
技术领域
本申请涉及钢铁夹杂物测评技术领域，具体而言，涉及一种钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法。
背景技术
含硫易切削钢是通过向钢中加入一定数量的硫元素使硫和锰结合形成MnS夹杂物，以改善钢种的切削性能。不同的MnS夹杂物对钢种切削性能的影响不同，合适的MnS夹杂物是切削性能的关键。
目前，MnS夹杂物评级标准采用夹杂物通用评价标准，主要有GB/10561、ASTM E45、DIN50602等多个标准，具体方法是将MnS夹杂物定义为A类夹杂，在显微镜下放大100倍通过固定视场进行评价，根据夹杂物的宽度划分为粗系和细系，根据夹杂物的单视场总长度划分为不同级别。现有的评价方法通过在显微镜下放大观察的方式，仅仅是片面地表征了单视场夹杂物的宽度和总长度。
发明内容
本申请的目的在于提供一种钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法，能够获取较为准确的硫化物夹杂分布信息，能够对硫化物夹杂进行更全面的评价，同时有利于更好地评价钢种的生产工艺及切削性能。
本申请的实施例是这样实现的：
第一方面，本申请实施例提供一种钢中硫化物夹杂检测方法，包括：阈值训练和深度学习；
阈值训练：将多个硫化物夹杂进行了边界标注且给出了硫化物夹杂的长度信息和宽度信息的第一硫化物夹杂金相图作为训练集，结合训练集中每个样本对应的长度信息和宽度信息，依次对训练集中每个样本中边界内节点和边界外节点的灰度进行运算，得到硫化物夹杂对应的灰度阈值范围；
深度学习：将多个硫化物夹杂进行了边界标注且给出了硫化物夹杂的长度信息和宽度信息的第二硫化物夹杂金相图作为测试集，输入阈值训练完成后得到的灰度阈值范围，并结合测试集中每个样本对应的长度信息和宽度信息，采用深度神经网络模型依次对测试集中每个样本中硫化物夹杂进行识别学习，将最后一层卷积神经网络输出节点构造为硫化物夹杂的可能性百分比，设定可能性百分比大于预设值时结束识别学习，得到硫化物夹杂识别模型。
第二方面，本申请实施例提供一种钢中硫化物夹杂评价方法，包括：采用第一方面实施例提供的钢中硫化物夹杂检测方法得到的硫化物夹杂识别模型对待测样品检测视场内的硫化物夹杂进行识别，获取检测视场内硫化物夹杂分布信息，结合硫化物夹杂分布信息将满足预设条件的硫化物夹杂作为同一条夹杂得到硫化物夹杂物形貌信息，通过硫化物夹杂形貌信息对检测视场内硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比进行评价。
第三方面，本申请实施例提供一种钢种切削性能评价方法，包括：采用钢种的硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比对钢种的切削性能进行评价，设定钢种切削性能为f(x’)、硫化物夹杂平均级别为f(a’)、硫化物夹杂总面积为f(b’)、硫化物夹杂平均长度为f(c’)且硫化物夹杂形态比为f(d’)，钢种切削性能如式II所示：f(x’)＝k1’f(a’)+k2’f(b’)+k3’f(c’)+k4’f(d’)，式II；其中，k1’和k2’为正数，k3’和k4’为负数。
本申请实施例提供的钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法，有益效果包括：采用多个硫化物夹杂进行了边界标注的硫化物夹杂金相图作为学习素材，通过对多个素材的硫化物夹杂的灰度的阈值训练得到硫化物夹杂对应的灰度阈值范围，进一步通过深度神经网络模型结合得到的灰度阈值范围对多个素材进行硫化物识别的深度学习，得到的硫化物夹杂识别模型能够较为准确地对硫化物夹杂进行识别。进一步的，深度学习完成后，采用多个硫化物夹杂未进行标注的硫化物夹杂金相图作为验证素材进行验证学习，采用深度学习得到的硫化物夹杂识别模型对验证样本进行硫化物夹杂识别，将识别结果不准确的学习素材用于重新深度学习以重构硫化物夹杂识别模型，使得硫化物夹杂识别模型对硫化物夹杂的识别更准确。
对硫化物夹杂进行检测时，通过硫化物夹杂识别模型能够获得较为准确的硫化物夹杂分布信息；对硫化物夹杂进行评价时，通过对获得的硫化物夹杂分布信息的统计处理能够对硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比进行评价，能够对硫化物夹杂进行更全面的评价，同时有利于更好地评价钢种的生产工艺及切削性能。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请提供的一种可能的实施例的检测视场的选择的示意图。
图标：A-表面检测区；B-芯部检测区。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。因此，以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
第一方面，本申请实施例提供一种钢中硫化物夹杂检测方法，包括阈值训练和深度学习，在一些示例性的实施方案中，还包括验证学习。
阈值训练时，对多个第一硫化物夹杂金相图进行灰度运算，得到硫化物夹杂对应的灰度阈值范围；深度学习时，结合阈值训练得到的灰度阈值范围，采用深度神经网络模型对多个第二硫化物夹杂金相图进行硫化物夹杂识别学习，得到硫化物夹杂识别模型；进一步的验证学习，采用深度学习得到的硫化物夹杂识别模型对多个第三硫化物夹杂金相图进行硫化物夹杂识别，对人工判断识别结果不准确的素材进行深度学习重构硫化物夹杂识别模型。在阈值训练、深度学习和验证学习中采用多个硫化物夹杂金相图作为金相照片素材，利用该金相照片素材中的硫化物夹杂进行对硫化物夹杂的识别学习，得到的硫化物夹杂识别模型能够较为准确地对硫化物夹杂进行识别。
在一些示例性的实施方案中，收集多个硫化物夹杂金相图用作各个步骤中的金相照片素材，金相照片素材中硫化物夹杂等级分布为0.5-5.0，即多个硫化物夹杂金相图中既具有硫化物夹杂等级低至0.5的素材也具有硫化物夹杂等级高至5.0的素材。
示例性的，金相照片素材中，包括硫化物夹杂级别为0.5、1.0、1.5、2.0、2.5、3.0、3.5、4.0、4.5、5.0的硫化物夹杂。可选的，金相照片素材中，含有每个级别的硫化物夹杂的金相照片的总量均为100-150，例如含有硫化物夹杂级别为0.5的硫化物夹杂的金相照片的总量为100-150，含有硫化物夹杂级别为1.0的硫化物夹杂的金相照片的总量也为100-150，此后不再赘述；进一步可选的，金相照片素材的总量为2000。
可选的，金相照片素材包括无硫钢种包括无硫钢种的金相照片、低硫钢种的金相照片以及高硫钢种的金相照片。进一步的，金相照片素材中，包括短粗状形貌的硫化物夹杂和细长状形貌的硫化物夹杂。
上述的选择标准使得素材中硫化物夹杂的分布较为全面，有利于保证识别学习的全面性，从而有效提高硫化物夹杂识别模型对硫化物夹杂识别的准确性。
在一些可能的实施方案中，第一硫化物夹杂金相图的数量占金相照片素材中硫化物夹杂金相图总量的35-45％，或38-42％，例如但不限于为35％、36％、37％、38％、39％、40％、41％、42％、43％、44％、45％；第二硫化物夹杂金相图的数量占金相照片素材中硫化物夹杂金相图总量的35-45％，或38-42％，例如但不限于为35％、36％、37％、38％、39％、40％、41％、42％、43％、44％、45％；第三硫化物夹杂金相图的数量占金相照片素材中硫化物夹杂金相图总量的15-25％，或18-22％，例如但不限于为15％、16％、17％、18％、19％、20％、21％、22％、23％、24％、25％。示例性的，金相照片素材中，第一硫化物夹杂金相图的数量、第二硫化物夹杂金相图的数量和第三硫化物夹杂金相图的数量的比例为(7:8:5)、(8:7:5)、(2:2:1)、(9:8:3)或(8:9:3)。使得各个步骤的金相照片的数量分配更合理。
进一步的，将素材库中的为金相照片素材随机分为第一硫化物夹杂金相图、第二硫化物夹杂金相图和第三硫化物夹杂金相图，随机分组使得阈值训练、深度学习和验证学习中所使用的金相照片素材具有随机性，使得各组中的金相照片素材中硫化物夹杂的类型覆盖更全面。
关于阈值训练：
在本申请的实施例中，阈值训练将多个硫化物夹杂进行了边界标注且给出了硫化物夹杂的长度信息和宽度信息的第一硫化物夹杂金相图作为训练集。可选的，第一硫化物夹杂金相图中硫化物夹杂的边界标注采用深度标注工具进行标准，例如采用labelme进行标注。标注时，将第一硫化物夹杂金相图按照不低于200％的标准放大，沿硫化物夹杂的边界将硫化物夹杂的边界标注成封闭多边形，标注点及多边形线段应尽可能贴近硫化物夹杂的边界。标注后，给出各个硫化物夹杂的长度信息、宽度信息等边界信息。
结合训练集中每个样本对应的长度信息和宽度信息，依次对训练集中每个样本中边界内节点和边界外节点的灰度进行运算，得到硫化物夹杂对应的灰度阈值范围。
示例性的，在每个训练集的样本中随机构造出均匀分布的密集十字网格，该十字网格尺寸结合硫化物夹杂识别最小尺寸示例性地定为10*10μm，十字网格的交点处即为需要进行训练学习的节点。在采用每个训练集的样本进行训练时，结合边界标注后给出的每个训练集的样本所对应的每个硫化物夹杂的长度信息和宽度信息，判断每个边界内节点为硫化物夹杂节点、边界外节点为非硫化物夹杂节点，通过对各个节点进行运算而输出各个节点的灰度阈值。在采用所有训练集的样本完成训练后，根据输出的各个节点的灰度阈值结合各个节点的位置，统计处理得到硫化物夹杂对应的灰度阈值范围。
可以理解的是，在一些可能的实施方案中，阈值训练中对各个节点进行运算时，还包括去除声噪等异常点，去除方法例如采用高斯滤频域滤波，将图像由空域转换到频域进行处理，噪声等异常点的边缘多处于高频信息，图像的背景大部分处于低频信息，通过对高频信息进行处理取出图像中异常噪点，减少夹杂物阈值训练的误识别。
关于深度学习：
在本申请的实施例中，深度学习将多个硫化物夹杂进行了边界标注且给出了硫化物夹杂的长度信息和宽度信息的第二硫化物夹杂金相图作为测试集。可选的，第二硫化物夹杂金相图中硫化物夹杂的边界标注方法与第一硫化物夹杂金相图中硫化物夹杂的边界标注方法相同。
输入阈值训练完成后得到的硫化物夹杂对应的灰度阈值范围，并结合测试集中每个样本对应的长度信息和宽度信息，采用深度神经网络模型依次对测试集中每个样本中硫化物夹杂进行识别学习，将最后一层卷积神经网络输出节点构造为硫化物夹杂的可能性百分比，设定可能性百分比大于预设值时结束识别学习，得到硫化物夹杂识别模型。
在采用深度神经网络模型依次对训练集中每个样本中的硫化物夹杂进行学习时，将金相照片进行硫化物夹杂边界标注的预处理后输入该标注后的金相照片作为待识别图像，以硫化物夹杂对应的灰度阈值范围、测试集中每个样本对应的每个硫化物夹杂的长度信息和宽度信息作为输入参数进行硫化物夹杂的确认，选取硫化物夹杂的单像素长度素材用于对硫化物夹杂进行自学习。示例性的，深度神经网络模型采用ResNet、DenseNet、AlexNet、VGGNet等卷积神经网络模型，采用深度神经网络模型对单像素长度素材内的硫化物夹杂进行猜测学习并构建识别模型，识别模型最后一层卷积神经网络输出节点输出模型对单像素长度为硫化物夹杂的可能性百分比，当可能性百分比大于预设值时认为完成了硫化物夹杂识别，此时得到的识别模型能够识别该单像素长度的硫化物夹杂。学习过程中，采用对测试集中上一个样本的硫化物夹杂识别学习得到的识别模型，继续对测试集中下一个样本的硫化物夹杂进行识别学习优化模型，直至对测试集中所有样本进行识别学习，最终得到的识别模型为硫化物夹杂识别模型。
可选的，设定可能性百分比大于预设值时结束识别学习中的预设值为不低于70％的数值，例如为80％，识别模型对硫化物夹杂有较为准确的识别判断后完成识别，保证硫化物夹杂识别模型对硫化物夹杂有较高的识别准确性。
在一些示例性的实施方案中，测试集样本的像素为2048×1536，测试集的样本在放大100倍的条件下选择单像素长度，使得能够较好地对单像素长度素材进行识别学习。
关于验证学习：
在本申请的实施例中，采用深度学习完成后得到的硫化物夹杂识别模型依次对验证集中每个样本的硫化物夹杂进行识别并人工判断识别结果是否准确，采用图像标注工具对人工判断为识别结果不准确的验证集中的样本的硫化物夹杂的边界标注后进行深度学习，该深度学习和对测试集中的样本的深度学习方法相同。示例性的，人工判断为识别结果不准确主要包括以下三种情况：第一种是存在未识别出的硫化物夹杂；第二种是识别出了硫化物夹杂，但长度偏差超过20μm或宽度偏差超过5μm；第三种是非硫化物夹杂被识别为硫化物夹杂，等以上误识别。
采用人工判断为识别结果不准确的验证集中的样本对硫化物夹杂识别模型进行反复重构，以重构硫化物夹杂识别模型，使得深度神经网络模型学习得到的该硫化物夹杂识别模型对硫化物夹杂的猜测识别结果与人工判断结果差异减小，硫化物夹杂识别模型对硫化物夹杂的猜测识别更准确。
第二方面，本申请实施例提供一种钢中硫化物夹杂评价方法，包括：采用第一方面实施例提供的钢中硫化物夹杂检测方法得到的硫化物夹杂识别模型对待测样品检测视场内的硫化物夹杂进行识别，获取检测视场内硫化物夹杂分布信息。结合硫化物夹杂分布信息将满足预设条件的硫化物夹杂作为同一条夹杂得到硫化物夹杂物形貌信息，即：将满足预设条件的硫化物夹杂作为同一条夹杂，结合硫化物夹杂分布信息能够得到每条硫化物夹杂的信息。通过硫化物夹杂形貌信息对检测视场内硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比进行评价。
发明人研究发现，硫化物夹杂的形态比对钢种易切削性能影响较大，有利于加工的硫化物夹杂物是长宽比较小的纺锤状夹杂，长宽比较大的长条形夹杂提升切削性能有限且显著降低材料塑形。此外，硫化物夹杂的弥散性对钢种的切削性能等影响很大，硫化物夹杂的弥散性越好钢种的切削性能越好，硫化物夹杂对钢种的塑形、淬透性等其他性能的影响也越小，而硫化物夹杂的数量、尺寸、面积三者之间的关系可在一定程度上代表夹杂物的弥散性。目前的评价方法仅仅表征了单视场夹杂物的宽度和总长度，无法对硫化物夹杂的形态比和弥散性的表征和评价。本申请中，采用硫化物夹杂识别模型对待测样品检测视场内的硫化物夹杂进行识别，获取到的信息能够对硫化物夹杂形态比进行评价，同时通过硫化物夹杂平均级别、硫化物夹杂总面积和硫化物夹杂平均长度能够对硫化物夹杂的弥散性进行评价，其对硫化物夹杂的评价更全面，有利于更好地评价钢种的生产工艺及切削性能。
关于硫化物夹杂平均级别的评价：
在一些示例性的实施方案中，参照GB/T10561评级标准对硫化物夹杂总长度进行评级。具体的，GB/T10561评级标准中定义硫化物夹杂特征为：具有高的延展性、有较宽范围形态比，一般端部呈圆角。针对具有硫化物夹杂特征的夹杂物进行评级，视场内硫化物夹杂总长度根据GB/T10561中表1进行评级。
关于硫化物夹杂总面积和硫化物夹杂平均长度的评价：
在本申请的实施例中，通过硫化物夹杂识别模型识别出硫化物夹杂相对位置，将满足预设条件的硫化物夹杂作为同一条夹杂，确定视场内硫化物夹杂的数量、尺寸及面积。
在一些示例性的实施方案中，预设条件为宽度间隔≤40μm且长度间隔≤10μm，即硫化物夹杂分布位置满足宽度间隔≤40μm且长度间隔≤10μm的夹杂物视为同一条夹杂。
关于硫化物夹杂形态比的评价：
在本申请的实施例中，硫化物夹杂形态比是指硫化物夹杂的长度和宽度之比，对视场内硫化物夹杂的数量、尺寸及面积进行数据处理，得到硫化物夹杂形态。
在一些示例性的实施方案中，结合视场内硫化物夹杂的数量、尺寸及面积，采用minitab软件进行数据处理，采用minitab图形中的直方图选择包含拟合和组，区间数设置为20，置信水平选择为0.95，得到硫化物夹杂的形态比直方图、均值、标准偏差、置信区间等输出。
进一步的，发明人研究发现，易切削钢种材料加工位置要求切削性能好，而非加工位置对性能影响不大。对于易切削钢盘圆而言，材料芯部和边缘硫化物夹杂有明显差别，切削性能也相差很大。
如图1所示，在一些可能的实施方案中，待检测样品为棒材，其示例性地按照ASTME768的标准进行试样制备，对待检测样品的检测视场的选择包括：将待测样品沿纵截面进行切割，可以理解的是，该纵截面为过棒状的待测样品的轴线的纵向截面，即待测样品沿纵截面进行切割呈半圆柱状结构，通过纵截面切割后选取检测视场，便于对距离表面不同距离的位置进行硫化物夹杂的检测。将距离表面的距离＜1/4d的区域作为表面检测区A，将距离表面＞1/4d的区域作为芯部检测区B，分别在表面检测区A和芯部检测区B选择检测视场用于进行硫化物夹杂识别。可选的，检测视场选择时，在表面检测区A和芯部检测区B均选择一个硫化物最严重的视场。针对含硫易切削钢盘条不同部位硫化物夹杂形貌不同且不同部位对切削加工性能要求不同的特点，对待测样品纵向切割后分别在边缘区域和中心区域选择检测视场进行评价，能够建议易切削钢盘圆中硫化物夹杂和加工位置之间的关系，能够更好地评价硫化物夹杂同生产工艺及切削性能的关系。
示例性的，在选择检测视场时，按照GB/T10561的标准进行视场分割，即在放大100倍的条件下取边长为71mm的正方形区域作为检测视场。
进一步的，发明人研究发现，硫化物夹杂平均级别、硫化物夹杂总面积对钢种的切削性能具有正影响，硫化物夹杂平均长度和硫化物夹杂形态比对钢种的切削性能具有负影响。
在一些可能的实施方案中，采用硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比对待测样品的切削性能进行评价，设定钢种切削性能为f(x)、硫化物夹杂平均级别为f(a)、硫化物夹杂总面积为f(b)、硫化物夹杂平均长度为f(c)且硫化物夹杂形态比为f(d)，钢种切削性能如式I所示：f(x)＝k1 f(a)+k2 f(b)+k3 f(c)+k4 f(d)，式I；其中，k1和k2为正数，k3和k4为负数。可选的，f(d)是指硫化物夹杂形态比95％置信区间内的平均值。通过上述评价模型能够综合评价钢种的切削性能，避免单一硫化物夹杂指标评价带来的误差。
第三方面，本申请实施例提供一种钢种切削性能评价方法，包括：采用钢种的硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比对钢种的切削性能进行评价，设定钢种切削性能为f(x’)、硫化物夹杂平均级别为f(a’)、硫化物夹杂总面积为f(b’)、硫化物夹杂平均长度为f(c’)且硫化物夹杂形态比为f(d’)，钢种切削性能如式II所示：f(x’)＝k1’f(a’)+k2’f(b’)+k3’f(c’)+k4’f(d’)，式II；其中，k1’和k2’为正数，k3’和k4’为负数。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种钢中硫化物夹杂检测方法，其特征在于，包括：
阈值训练：将多个硫化物夹杂进行了边界标注且给出了硫化物夹杂的长度信息和宽度信息的第一硫化物夹杂金相图作为训练集，结合所述训练集中每个样本对应的所述长度信息和所述宽度信息，依次对所述训练集中每个样本中边界内节点和边界外节点的灰度进行运算，得到硫化物夹杂对应的灰度阈值范围；
深度学习：将多个硫化物夹杂进行了边界标注且给出了硫化物夹杂的长度信息和宽度信息的第二硫化物夹杂金相图作为测试集，输入所述阈值训练完成后得到的所述灰度阈值范围，并结合所述测试集中每个样本对应的所述长度信息和所述宽度信息，采用深度神经网络模型依次对所述测试集中每个样本中硫化物夹杂进行识别学习，将最后一层卷积神经网络输出节点构造为硫化物夹杂的可能性百分比，设定所述可能性百分比大于预设值时结束识别学习，得到硫化物夹杂识别模型。
2.根据权利要求1所述的钢中硫化物夹杂检测方法，其特征在于，还包括验证学习：将多个未标注的第三硫化物夹杂金相图作为验证集，采用所述深度学习完成后得到的所述硫化物夹杂识别模型依次对所述验证集中每个样本的硫化物夹杂进行识别并人工判断识别结果是否准确，采用图像标注工具对人工判断为识别结果不准确的所述验证集中的样本的硫化物夹杂的边界标注后进行所述深度学习，以重构所述硫化物夹杂识别模型。
3.根据权利要求2所述的钢中硫化物夹杂检测方法，其特征在于，所述第一硫化物夹杂金相图的数量占硫化物夹杂金相图总量的35-45％，所述第二硫化物夹杂金相图的数量占硫化物夹杂金相图总量的35-45％，所述第三硫化物夹杂金相图的数量占硫化物夹杂金相图总量的15-25％。
4.根据权利要求1-3任一项所述的钢中硫化物夹杂检测方法，其特征在于，所述预设值为80％。
5.一种钢中硫化物夹杂评价方法，其特征在于，包括：采用权利要求1-4任一项所述的钢中硫化物夹杂检测方法得到的所述硫化物夹杂识别模型对待测样品检测视场内的硫化物夹杂进行识别，获取所述检测视场内硫化物夹杂分布信息，结合所述硫化物夹杂分布信息将满足预设条件的硫化物夹杂作为同一条夹杂得到硫化物夹杂物形貌信息，通过所述硫化物夹杂形貌信息对所述检测视场内硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比进行评价。
6.根据权利要求5所述的钢中硫化物夹杂评价方法，其特征在于，所述预设条件为宽度间隔≤40μm且长度间隔≤10μm。
7.根据权利要求6所述的钢中硫化物夹杂评价方法，其特征在于，所述硫化物夹杂形态比采用minitab图形中的直方图选择包含拟合和组，区间数设定为20，置信区间设定为0.95。
8.根据权利要求5-7任一项所述的钢中硫化物夹杂评价方法，其特征在于，所述检测视场的选择包括：将所述待测样品沿纵截面进行切割，将距离表面的距离＜1/4d的区域作为表面检测区，将距离表面＞1/4d的区域作为芯部检测区，分别在所述表面检测区和所述芯部检测区选择所述检测视场用于进行硫化物夹杂识别。
9.根据权利要求5-7任一项所述的钢中硫化物夹杂评价方法，其特征在于，采用所述硫化物夹杂平均级别、所述硫化物夹杂总面积、所述硫化物夹杂平均长度以及所述硫化物夹杂形态比对所述待测样品的切削性能进行评价，设定钢种切削性能为f(x)、所述硫化物夹杂平均级别为f(a)、所述硫化物夹杂总面积为f(b)、所述硫化物夹杂平均长度为f(c)且所述硫化物夹杂形态比为f(d)，所述钢种切削性能如式I所示：
f(x)＝k1f(a)+k2f(b)+k3f(c)+k4f(d)，式I；
其中，k1和k2为正数，k3和k4为负数。
10.一种钢种切削性能评价方法，其特征在于，包括：采用钢种的硫化物夹杂平均级别、硫化物夹杂总面积、硫化物夹杂平均长度以及硫化物夹杂形态比对钢种的切削性能进行评价，设定钢种切削性能为f(x’)、所述硫化物夹杂平均级别为f(a’)、所述硫化物夹杂总面积为f(b’)、所述硫化物夹杂平均长度为f(c’)且所述硫化物夹杂形态比为f(d’)，所述钢种切削性能如式II所示：
f(x’)＝k1’f(a’)+k2’f(b’)+k3’f(c’)+k4’f(d’)，式II；
其中，k1’和k2’为正数，k3’和k4’为负数。
CN202010101769.8A 2020-02-19 2020-02-19 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法 Active CN111257317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010101769.8A CN111257317B (zh) 2020-02-19 2020-02-19 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010101769.8A CN111257317B (zh) 2020-02-19 2020-02-19 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法

Publications (2)

Publication Number Publication Date
CN111257317A true CN111257317A (zh) 2020-06-09
CN111257317B CN111257317B (zh) 2022-07-29

Family

ID=70951111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010101769.8A Active CN111257317B (zh) 2020-02-19 2020-02-19 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法

Country Status (1)

Country Link
CN (1) CN111257317B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111982930A (zh) * 2020-08-26 2020-11-24 马鞍山钢铁股份有限公司 一种关于din 50602-夹杂物k法级别快速定级的检验方法
CN112634200A (zh) * 2020-12-01 2021-04-09 宝钢特钢韶关有限公司 钢中带状组织评价方法
CN112816277A (zh) * 2020-11-30 2021-05-18 中国第一汽车股份有限公司 一种热轧态圆棒钢材心部区域内在质量的评价方法
CN114694144A (zh) * 2022-06-01 2022-07-01 南京航空航天大学 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1651905A (zh) * 2005-02-05 2005-08-10 石家庄钢铁股份有限公司 钢中非金属夹杂物定量分析方法
CN104280413A (zh) * 2014-10-16 2015-01-14 江苏省沙钢钢铁研究院有限公司 一种统计钢中硫化锰夹杂长宽比的方法
CN104697998A (zh) * 2009-11-03 2015-06-10 德比尔斯百年公司 抛光的宝石中的夹杂物检测
CN109034217A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的晶粒度智能评级方法
US20190287761A1 (en) * 2017-12-18 2019-09-19 Fei Company Method, device and system for remote deep learning for microscopic image reconstruction and segmentation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1651905A (zh) * 2005-02-05 2005-08-10 石家庄钢铁股份有限公司 钢中非金属夹杂物定量分析方法
CN104697998A (zh) * 2009-11-03 2015-06-10 德比尔斯百年公司 抛光的宝石中的夹杂物检测
CN104280413A (zh) * 2014-10-16 2015-01-14 江苏省沙钢钢铁研究院有限公司 一种统计钢中硫化锰夹杂长宽比的方法
US20190287761A1 (en) * 2017-12-18 2019-09-19 Fei Company Method, device and system for remote deep learning for microscopic image reconstruction and segmentation
CN109034217A (zh) * 2018-07-10 2018-12-18 成都先进金属材料产业技术研究院有限公司 基于图像识别深度学习技术的晶粒度智能评级方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
傅向葵 等: "基于人工智能非金属夹杂物的检测与研究", 《中国冶金》 *
朱志强 等: "《钢分析化学与物理检测》", 30 June 2013 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111982930A (zh) * 2020-08-26 2020-11-24 马鞍山钢铁股份有限公司 一种关于din 50602-夹杂物k法级别快速定级的检验方法
CN111982930B (zh) * 2020-08-26 2022-04-01 马鞍山钢铁股份有限公司 一种关于din 50602-夹杂物k法级别快速定级的检验方法
CN112816277A (zh) * 2020-11-30 2021-05-18 中国第一汽车股份有限公司 一种热轧态圆棒钢材心部区域内在质量的评价方法
CN112634200A (zh) * 2020-12-01 2021-04-09 宝钢特钢韶关有限公司 钢中带状组织评价方法
CN112634200B (zh) * 2020-12-01 2024-06-11 宝武杰富意特殊钢有限公司 钢中带状组织评价方法
CN114694144A (zh) * 2022-06-01 2022-07-01 南京航空航天大学 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法
CN114694144B (zh) * 2022-06-01 2022-08-23 南京航空航天大学 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法

Also Published As

Publication number Publication date
CN111257317B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN111257317B (zh) 钢中硫化物夹杂检测和评价方法及钢种切削性能评价方法
CN108595414B (zh) 基于源汇空间变量推理的土壤重金属企业污染源识别方法
CN110222701A (zh) 一种桥梁病害自动识别方法
CN101877074A (zh) 基于多元特征的结核杆菌目标识别计数算法
CN105488770A (zh) 一种面向对象的机载激光雷达点云滤波方法
CN112819809B (zh) 一种岩石中矿物颗粒形态量化方法
CN107818321A (zh) 一种用于车辆年检的水印日期识别方法
US20230184703A1 (en) Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
CN111860576A (zh) 一种基于随机森林的子宫内膜肿瘤分类标记方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN103886332A (zh) 一种检测与识别金属网栅缺陷的方法
CN113657449A (zh) 一种含噪标注数据的中医舌象腐腻分类方法
CN108074025A (zh) 基于表面缺陷分布特征的钢卷表面缺陷判定方法
CN113470058A (zh) 一种砾石的粒度分布测量方法及装置
Gregg et al. Improving the precision of otolith-based age estimates for Greenland halibut (Reinhardtius hippoglossoides) with preparation methods adapted for fragile sagittae
JP6300571B2 (ja) 収穫補助装置
CN110874835B (zh) 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质
CN110222981B (zh) 一种基于参数二次选取的储层分类评价方法
CN117372740A (zh) 一种基于多信息融合的茶叶嫩梢采摘部位精准识别方法
DE102009033927A1 (de) Lokalisierung eines validen Bereiches eines Blutausstriches
CN111539953A (zh) 钢材脱碳层深度的检测方法
CN108074242B (zh) 一种提高炎症识别准确度的方法及装置
CN112001359B (zh) 基于模式识别和最优分配的启发式多叉线修补方法
CN112767387A (zh) 一种基于分块梯度加权的木材图像自动识别方法

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