CN111398282B - 碳钢索氏体定量分析方法 - Google Patents
碳钢索氏体定量分析方法 Download PDFInfo
- Publication number
- CN111398282B CN111398282B CN202010319705.5A CN202010319705A CN111398282B CN 111398282 B CN111398282 B CN 111398282B CN 202010319705 A CN202010319705 A CN 202010319705A CN 111398282 B CN111398282 B CN 111398282B
- Authority
- CN
- China
- Prior art keywords
- sorbite
- sample
- learning
- quantitative analysis
- materials
- 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.)
- Active
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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/20—Metals
- G01N33/202—Constituents thereof
-
- 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
-
- 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
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G01N2021/8405—Application to two-phase or mixed materials, e.g. gas dissolved in liquids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biochemistry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本申请提供一种碳钢索氏体定量分析方法,属于钢铁组织检测技术领域。分析方法包括素材准备、深度学习及定量分析。素材准备:对索氏体素材进行灰度二值定量得到素材索氏体定值含量;至少选取部分索氏体素材对索氏体组织进行色彩标记得到索氏体标记素材。深度学习:采用深度神经网络模型对多个索氏体素材进行识别学习,输入素材图像、标记素材图像、素材的单像素点长度及素材的素材索氏体定值含量对深度神经网络模型进行初始化,得到索氏体定量分析模型。定量分析:输入待测素材图像及待测素材的单像素点长度,采用索氏体定量分析模型对待测素材进行分析。重复性高且能有效避免引入主观误差,使检测效率高、准确性高且便于批量检测。
Description
技术领域
本申请涉及钢铁组织检测技术领域,具体而言,涉及一种碳钢索氏体定量分析方法。
背景技术
索氏体组织由于铁素体和渗碳体片层间距小,相界面多,具有非常好的强度和塑性,在外力作用下,使钢铁抗塑性变形的能力增大,是高碳盘条钢最为理想的组织。
目前,高碳盘条的索氏体组织采用YB/T169-2014《高碳盘条索氏体组织金相检测方法》进行检测,主要检测方法有三种。一是金相手工法,通过手工统计索氏体组织交点或网格占比计算索氏体百分含量,容易引入检验员主观误差,且检测需要构建网格并人工数点,检测工作量非常大,批量检测不现实。二是图像分析仪标样检测法,采用已定值索氏体含量的标准样品与待测样品同步制样、同步腐蚀、同步检测,每次均需要采用标样进行定值,检测繁琐、耗时长、标样成本高,批量检测也不现实。三是比较法,将待测样品微观组织同YB/T169中附录B中的标准图谱进行比较,但是标准图谱只有4张且间隔10%,检测精度差,且评级结果也容易受检验员主观因素影响。
发明内容
本申请的目的在于提供一种碳钢索氏体定量分析方法,重复性高且能有效避免引入主观误差,使检测效率高、准确性高且便于批量检测。
本申请的实施例是这样实现的:
本申请实施例提供一种碳钢索氏体定量分析方法,包括素材准备、深度学习以及定量分析;
素材准备:在学习样品上选取检测视场作为索氏体素材;对索氏体素材进行灰度二值定量得到素材索氏体定值含量;至少选取部分索氏体素材对索氏体组织进行色彩标记得到索氏体标记素材;
深度学习:采用深度神经网络模型对多个索氏体素材依次进行识别学习;在对每个索氏体素材进行识别学习时,输入索氏体素材图像、索氏体标记素材图像、索氏体素材的单像素点长度及索氏体素材的素材索氏体定值含量对深度神经网络模型进行初始化,得到以索氏体含量为输出节点的索氏体定量分析模型;
定量分析:在待测样品上选取检测视场作为待测素材,输入待测素材图像及待测素材的单像素点长度,采用索氏体定量分析模型对待测素材进行分析。
本申请实施例提供的碳钢索氏体定量分析方法,有益效果包括:采用深度神经网络模型对多个索氏体素材进行识别学习,以索氏体素材图像、索氏体标记素材图像、索氏体素材的单像素点长度及索氏体素材的素材索氏体定值含量进行初始化建立识别模型,用于实现对待测素材索氏体组织的定量分析,重复性高、检测效率高、准确性高且便于批量检测。将索氏体组织进行色彩标记,明确索氏体组织和非索氏体组织,基于色彩的图像识别简单、准确,深度学习中计算机可直接读取各相比例,较人工数点和人工图谱比对精度更高、效率也更高,且能有效避免引入主观误差。进一步的,针对不同碳含量精确控制腐蚀时间,避免识别误差,利于标准化检测结果输出;同时,相比国标中针对标样单张图片灰度阈值测定,增加了针对标样多张素材间灰度阈值要求(灰度阈值重复性和标准差要求),通过多张素材间的比较校正,素材定值结果更为准确,确保神经网络学习的标准的可参考性。
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为本申请实施例提供的一种碳钢索氏体定量分析方法的流程图。
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,下面将对本申请实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者,按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者,均为可以通过市售购买获得的常规产品。
下面对本申请实施例的碳钢索氏体定量分析方法进行具体说明。
本申请实施例提供一种碳钢索氏体定量分析方法,示例性地应用于碳钢盘条索氏体定量分析,包括:素材准备、深度学习以及定量分析;在一些示例性的实施方案中,深度学习和定量分析之间还包括验证学习。其中,素材准备步骤为深度学习和验证学习提供索氏体素材;深度学习采用深度神经网络模型,对索氏体素材结合色彩标记和灰度二值定量进行识别学习,得到索氏体定量分析模型;验证学习采用索氏体素材结合灰度二值定量,对索氏体定量分析模型的识别准确性进行验证,在验证不符合预设标准时,采用对应的索氏体素材进行深度学习对索氏体定量分析模型进行重构;定量分析采用索氏体定量分析模型对待测样品的索氏体含量进行定量分析。
关于素材准备:
在本申请的实施例中,素材准备包括:在学习样品上选取检测视场作为索氏体素材。示例性的,首先调节显微镜焦距亮度,直至可清晰显示组织细节,然后在索氏体检测环上随机视场作为索氏体素材。
在本申请的实施例中,素材准备还包括:对素材库中的索氏体素材进行灰度二值定量得到素材索氏体定值含量,灰度二值定量参照YB/T169-2014标准中的图像分析仪标样检测法进行;在素材库中至少选取部分索氏体素材对索氏体组织进行色彩标记得到索氏体标记素材。索氏体素材在色彩标记前后需要一一对应,灰度二值定量的素材索氏体定值含量也需要和索氏体素材一一对应。进行了色彩标记的索氏体素材作为训练集,用于进行深度学习,索氏体组织的色彩标记明确了索氏体组织和非索氏体组织,基于色彩的图像识别简单、准确,在深度学习中计算机可直接读取各相比例,较人工数点和人工图谱比对精度更高、效率也更高,且能有效避免引入主观误差。
可以理解的是,在本申请的实施例中,素材库中训练集以外的索氏体素材作为测试集,用于进行验证学习。测试集中的索氏体素材可以在验证学习之前进行色彩标记;也可以在验证学习后,针对在验证不符合预设标准时对应的索氏体素材进行色彩标记,用于进行深度学习对索氏体定量分析模型进行重构。
发明人研究发现,索氏体组织和珠光体组织均为铁素体和渗碳体的机械混合物,微观下为彩色组织,而受彩色组织影响,随机选取彩色对索氏体和非索氏体组织进行标注后,深度学习时计算机对索氏体组织进行读取的结果和实际标注结果相比,偏差会出现高达10%的情况。
示例性的,采用黑白标记法对索氏体素材中的索氏体组织和非索氏体组织进行标记,黑白色彩的反差较大,有利于降低索氏体素材中组织本身色彩的干扰,图像识别更加简单、准确。进一步的,由于索氏体组织以黑色为主,将索氏体组织标记为黑色,将非索氏体组织标记为白色,深度学习时计算机对索氏体组织进行读取的结果偏差能够控制在1%的范围内,有利于保证识别精度。
为了使得素材库中的索氏体素材的一致性更好,保证学习得到的索氏体定量分析模型的检测结果更稳定可靠,在一些可能的实施方案中,素材准备中还包括对学习样品进行选择,符合选择标准的学习样品的索氏体素材才可以选入待用的素材库。
示例性的,对学习样品进行选择包括在每个学习样品选取2-10个检测视场分别作为索氏体素材,检测视场的个数可选地为3-8个,或4-6个,例如为5个。参照YB/T169-2014的标准分别找到各个检测视场参考索氏体含量对应的最接近灰度阈值,得到各个检测视场的灰度阈值。示例性的,当选取多个检测视场时,采用学习样品中各检测视场的灰度阈值的平均值对索氏体素材进行灰度二值定量。
国标中,针对单个素材的灰度阈值测定,要求Sdl<Ss<Sd2,且要求|Sd1-Ss|和|Sd2-Ss|均小于1%。在本申请的实施例中,示例性的,在每个素材的灰度阈值测定满足国标的上述要求的前提下,计算每个学习样品中索氏体素材的灰度阈值的重复性和标准差。重复性为学习样品的各检测视场中最大灰度阈值和最小灰度阈值的差值;标准差的计算公式如以下的式I所示,其中,α为标准差值、n为学习样品中检测视场的个数、X为学习样品中各检测视场的灰度阈值的平均值、Xi为学习样品中各检测视场的灰度阈值。
当重复性小于第二预设值且标准差小于第三预设值时,判断学习样品合格。可选的,第二预设值为10,第三预设值为5。针对一个学习样品选择多个检测视场分别作为索氏体素材,在每个素材的灰度阈值测定满足国标的前提下,对多个检测视场之间的灰度阈值的偏差进行控制,在深度学习和验证学习中多个检测视场所对应的多个索氏体素材之间能够进行比较校正,使得索氏体素材的定值结果的准确度高、代表性强,确保神经网络学习的标准的可参考性,确保学习得到的索氏体定量分析模型的可靠性。
由于不同牌号的碳钢具有不同的碳含量及索氏体含量的特征,保证深度学习和验证学习中有的索氏体素材有较全面覆盖范围,使得学习得到的索氏体定量分析模型能够更好地适应不同牌号的碳钢的索氏体定量分析。
在一些可能的实施方案中,学习样品的碳含量的分布范围为0.45-0.90%,学习素材样品的碳含量应按比例较为均匀地分布于该范围内,示例性的,碳含量在0.45-0.55%、0.55-0.65%、0.65-0.75%、0.75-0.90%之间的素材要求比例均应不低于20%。现有标准中仅仅能够针对碳含量在0.65%以上的碳钢进行索氏体的定量分析,控制学习样品的碳含量的分布范围为0.45-0.90%,不局限在高碳钢的碳含量范围,能够扩大碳钢的可检测范围,同时使得素材库涵盖的索氏体素材的种类更丰富,有利于学习得到检测准确性更好的索氏体定量分析模型。
在一些可能的实施方案中,学习样品的索氏体含量的分布范围为60-100%,使得素材库涵盖的索氏体素材的索氏体含量分布精度高,有利于学习得到检测精度更好的索氏体定量分析模型。示例性的,在该索氏体含量的分布范围内,整数百分比的索氏体含量每变化1%时对应至少4个索氏体素材,即索氏体含量为60-61%的索氏体素材为至少4个,索氏体含量为61-62%的索氏体素材为至少4个,以后将不再赘述。
可选的,为了满足学习样品的碳含量分布要求和索氏体含量分布要求,学习样品包含多个牌号,例如20-30个牌号,或25-30个牌号,或30个牌号。
需要说明的是,当选择的所有的学习样品不能满足上述的索氏体含量分布要求时,即在某个或某几个索氏体含量分布区间没有对应的索氏体素材时,可以对学习样品进行热处理,然后通过控制冷却速度调节索氏体含量,随着冷却速度的降低,索氏体含量也随之降低,可通过不同试样、不同冷却速度获得不同索氏体含量的素材,以使获得预设索氏体含量的学习样品。示例性的,随机选择多个试样,在热模拟试验机真空状态下,以10℃/s的加热速度将试样加热至材料奥氏体化温度以上,保温不少于10min使材料完全奥氏体化,在0.1-30℃/s的范围内选择不同的降温速度将试样冷却至室温。
进一步的,素材库中的索氏体素材的数量为2500-3500个,或2800-3200个,例如为3000个。其中,训练集中的索氏体素材的数量1800-2300个,例如为2000个;测试集中的索氏体素材的数量为700-1200个,例如为1000个;其中,训练集和测试集中的索氏体素材按照比例随机从素材库中选择。训练集和测试集中有大量的样本用于识别学习和验证学习,使得索氏体定量分析模型的定量分析结果更可靠。
发明人研究发现,样品的制样质量是影响索氏体组织的定量分析准确性的关键因素,样品的磨抛不到位,会造成索氏体组织模糊、不清晰;检验面腐蚀过浅,索氏体组织的细节显现不出或者显示不完全;检验面腐蚀过深,索氏体组织出现浮雕感,造成组织假象。
在一些可能的实施方案中,学习样品由粗样经磨抛处理后腐蚀处理制得。腐蚀处理采用体积浓度为3.5-4.5%的硝酸酒精溶液,该硝酸酒精溶液中硝酸的体积浓度例如但不限于为3.5%、3.6%、3.7%、3.8%、3.9%、4.0%、4.1%、4.2%、4.3%、4.4%、4.5%中的任一者或任意两者之间的范围。可选的,作为腐蚀液的硝酸酒精溶液应进行密封处理而不得长时间暴露于空气中,例如腐蚀液与空气接触的时间不超过30min,防止腐蚀液蒸发及氧化,使腐蚀液保持稳定的性能。
腐蚀处理的处理温度为15-25℃,或18-22℃,例如但不限于为15℃、16℃、17℃、18℃、19℃、20℃、21℃、22℃、23℃、24℃、25℃中的任一者或任意两者之间的范围,在该腐蚀温度下腐蚀液对样品具有合适的腐蚀速度。
腐蚀处理的处理时间为23-37s,或25-35s。发明人研究发现,腐蚀时间过长时,检验面中的部分珠光体组织和铁素体组织会被腐蚀为灰黑色,造成腐蚀过度,索氏体组织出现浮雕感,造成组织假象,进而会导致各个检测视场标样所确定的灰度阈值整体偏低;在采用标样所确定的灰度阈值对索氏体素材进行灰度二值定量时,容易把部分颜色较浅的索氏体组织一起识别为非索氏体组织,和在上述腐蚀时间的试验相比,定值结果整体偏低5%以上,对深度学习的准确性具有较大的影响。腐蚀时间过短时,部分索氏体组织存在未完全腐蚀的现象,检验面的腐蚀不均匀,导致样品中不同检测视场所确定的灰度阈值偏差波动较大,对定值的准确性会产生影响;同时,经过统计,在样品中随机选择5个检测视场分别作为索氏体素材时,样品中各检测视场之间的灰度阈值的重复性大于10的占比为40%以上、标准差大于5的占比为50%以上,在样品中选择多个检测视场并要求对检测视场之间的灰度阈值的重复性和标准差进行控制时,容易导致样品的合格率较低,样品的制样工作量和成本升高,这就要求对碳含量不同的试样精确控制腐蚀时间,尽量减少识别变量,把作业工序标准化,降低成本。
随着碳含量的增高,腐蚀难度增大,为了保证适当的腐蚀效果,碳含量较低的样品需要相对较短的腐蚀时间,碳含量较高的样品需要相对较长的腐蚀时间。
示例性的,腐蚀处理中,碳含量不超过0.60%的粗样的处理时间为23-27s,或24-26s,例如为25s;碳含量超过0.60%且不超过0.80%的粗样的处理时间为28-32s,或29-31s,例如为30s;碳含量超过0.80%的粗样的处理时间为33-37s,或34-36s,例如为35s。不同碳含量钢种、不同腐蚀时间腐蚀形貌会有所不同,创造性发现:根据碳含量对腐蚀时间进行的精准控制,一是可以清晰显示组织,达到神经网络学习的要求,二是尽量减少识别变量,把作业工序标准化。
进一步的,磨抛处理中,先采用磨平机对粗样进行粗磨,保证磨抛的效率;再采用砂纸对粗样进行至少三次细磨,直至样品表面无肉眼可见划痕,保证磨抛的效果。
发明人研究发现,若细磨中一直采用相同粒度的砂纸进行磨抛,会导致腐蚀后一些细节显示不出来或者显示不完全,影响样品的准确性;在样品中选择多个检测视场并要求对检测视场之间的灰度阈值的重复性和标准差进行控制时,还容易导致样品的合格率较低。
示例性的,在对粗样进行多次细磨的操作中,砂纸的粒度逐渐减小,保证对样品有较好的磨抛效果,有利于样品腐蚀后细节的显示。
关于深度学习:
在本申请的实施例中,深度学习包括:采用深度神经网络模型对多个索氏体素材依次进行识别学习。在对每个索氏体素材进行识别学习时,输入索氏体素材图像、该索氏体素材对应的索氏体标记素材图像、该索氏体素材的单像素点长度及该索氏体素材的素材索氏体定值含量,用以对深度神经网络模型进行初始化。依次对训练集中所有的索氏体素材进行识别学习时,将经过初始化和自学习的深度神经网络中的隐层层数、隐层节点数和每一层的网络权重值等信息进行迁移,建立深度神经网络模型,即得到以索氏体含量为输出节点的索氏体定量分析模型。
示例性的,索氏体定量模型的工作原理设置为:对待测素材进行索氏体的定量分析时,输出与测试素材最接近的多个索氏体素材、该多个索氏体素材分别为与测试素材最接近的素材的概率百分比,然后以多个索氏体素材对应的素材索氏体定值含量和概率百分计算索氏体含量的加权平均数,得到并输出定量分析得到的索氏体含量结果。可以理解的是,多个索氏体素材的概率百分比之和理应为100%;可选的,输出的索氏体素材的数量为2-10个,例如为5个。以多个接近测试素材的索氏体素材进行加权平均获取定量输出结果,检测精度更高,使得定量分析结果更准确。
关于验证学习:
在本申请的实施例中,验证学习包括:采用索氏体定量分析模型对多个索氏体素材依次进行分析,对每个索氏体素材进行分析时,输入索氏体素材图像及索氏体素材的单像素点长度,输出索氏体素材的索氏体含量。将输出结果与图像分析仪标样检测法的检测结果进行比较,即将输出的索氏体含量与该索氏体素材对应的素材索氏体定值含量进行比较。当输出结果与图像分析仪标样检测法的检测结果的识别偏差不大于第一预设值时,认为验证合格。当输出结果与图像分析仪标样检测法的检测结果的识别偏差大于第一预设值时,认为验证不合格,将索氏体素材进行深度学习以重构索氏体定量分析模型。可选的,第一预设值为5%。
验证学习对索氏体定量分析模型进行验证和重构优化,将索氏体定量分析模型的输出结果与图像分析仪标样检测法的检测结果的识别偏差控制在预设范围内,保证索氏体定量分析模型能够输出更准确的定量分析结果。
验证学习时,从测试集中索氏体素材中随机选择多个素材进行验证。示例性的,从每个牌号的素材中随机选取8-12个索氏体素材,例如从所使用的30个牌号中分别随机选取10个索氏体素材,用于进行验证的素材的分布范围较为全面,保证具有较好的验证和优化效果。
关于定量分析:
在本申请的实施例中,定量分析包括:在待测样品上选取检测视场作为待测素材,输入待测素材图像及待测素材的单像素点长度,采用索氏体定量分析模型对待测素材进行分析,索氏体定量分析模型输出定量分析后的索氏体含量结果。
可以理解的是,为了保证样品的标准化,同时保证样品具有合适的磨抛程度和腐蚀程度,在本申请的实施例中,待测样品按照学习样品的磨抛处理和腐蚀处理方法进行处理,学习样品和待测样品的一致性高,保证定量分析结果的可靠性。
请参阅图1,在一些示例性的实施方案中,碳钢索氏体定量分析方法的流程如下:
S01.粗样选择及制样:选择符合碳含量和索氏体含量分布要求的学习样品粗样,对学习样品粗样进行磨抛和腐蚀完成制样,得到待筛选学习样品。
S02.学习样品筛选:在制样得到的待筛选学习样品上选取多个检测视场,计算每个待筛选学习样品中索氏体素材的灰度阈值的重复性和标准差,按照重复性要求和标准差要求,筛选得到学习样品。
S03.学习样品定值及标记:对筛选得到的学习样品进行灰度二值定量及索氏体组织的色彩标记,得到素材库。
S04.深度学习:采用深度神经网络模型,对索氏体素材结合色彩标记和灰度二值定量进行识别学习,得到待评价的索氏体定量分析模型。
S05.验证学习:采用索氏体素材结合灰度二值定量,对待评价的索氏体含量进行定量分析的识别偏差进行评价和重构,得到索氏体定量分析模型。
S06.待测样品制样及定量分析:对待测样品粗样进行磨抛和腐蚀完成制样,得到待测样品。在制样得到的待测样品选取检测视场作为待测素材,采用索氏体定量分析模型对待测素材进行分析,输出待测样品的索氏体含量。
本申请实施例提供的碳钢索氏体定量分析方法,采用深度神经网络模型对多个索氏体素材进行识别学习,用于实现对待测素材索氏体组织的定量分析,重复性高、检测效率高、准确性高且便于批量检测。将索氏体组织进行色彩标记,基于色彩的图像识别简单、准确,深度学习中计算机可直接读取各相比例,较人工数点和人工图谱比对精度更高、效率也更高,且能有效避免引入主观误差。
进一步的,通过验证学习对深度学习得到的索氏体定量分析模型进行评价和重构优化,将索氏体定量分析模型的输出结果与图像分析仪标样检测法的检测结果的识别偏差控制在预设范围内,保证索氏体定量分析模型能够输出更准确的定量分析结果。
进一步的,通过控制磨抛处理和腐蚀处理的制样标准,保证具有较好的磨抛效果和腐蚀效果,且样品的一致性高,有利于保证定量分析结果的可靠性。
以上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。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。
Claims (7)
1.一种碳钢索氏体定量分析方法,其特征在于,包括:
素材准备:在学习样品上选取检测视场作为索氏体素材;对所述索氏体素材进行灰度二值定量得到素材索氏体定值含量;至少选取部分所述索氏体素材对索氏体组织进行色彩标记得到索氏体标记素材;
其中,所述素材准备中还包括选择符合碳含量和索氏体含量分布要求的学习样品粗样,对学习样品粗样进行磨抛和腐蚀完成制样,得到待筛选学习样品,对所述待筛选学习样品进行选择,对所述待筛选学习样品进行选择包括:在每个所述待筛选学习样品选取2-10个检测视场分别作为所述索氏体素材,计算每个所述待筛选学习样品中所述索氏体素材的灰度阈值的重复性和标准差,所述重复性为最大灰度阈值和最小灰度阈值的差值,当重复性小于第二预设值且标准差小于第三预设值时,判断学习样品合格;
深度学习:采用深度神经网络模型对多个所述索氏体素材依次进行识别学习;在对每个所述索氏体素材进行识别学习时,输入所述索氏体素材图像、所述索氏体标记素材图像、所述索氏体素材的单像素点长度及所述索氏体素材的所述素材索氏体定值含量对所述深度神经网络模型进行初始化,依次对训练集中所有的索氏体素材进行识别学习时,将经过初始化和自学习的深度神经网络中的隐层层数、隐层节点数和每一层的网络权重值进行迁移,建立深度神经网络模型,即得到以索氏体含量为输出节点的索氏体定量分析模型;
定量分析:在待测样品上选取检测视场作为待测素材,输入所述待测素材图像及所述待测素材的单像素点长度,采用所述索氏体定量分析模型对所述待测素材进行分析,索氏体定量分析模型输出定量分析后的索氏体含量结果;
所述学习样品和所述待测样品均由粗样经磨抛处理后腐蚀处理制得,所述腐蚀处理采用体积浓度为3.5-4.5%的硝酸酒精溶液,所述腐蚀处理的处理温度为15-25℃、处理时间为23-37s;
腐蚀处理中,碳含量不超过0.60%的所述粗样的处理时间为23-27s,碳含量超过0.60%且不超过0.80%的所述粗样的处理时间为28-32s,碳含量超过0.80%的所述粗样的处理时间为33-37s。
2.根据权利要求1所述的分析方法,其特征在于,所述深度学习和所述定量分析之间还包括:
验证学习:采用所述索氏体定量分析模型对多个所述索氏体素材依次进行分析;对每个所述索氏体素材进行分析时,输入所述索氏体素材图像及所述索氏体素材的单像素点长度,输出所述索氏体素材的索氏体含量;当输出结果与图像分析仪标样检测法的检测结果的识别偏差大于第一预设值时,将所述索氏体素材进行所述深度学习以重构所述索氏体定量分析模型。
3.根据权利要求2所述的分析方法,其特征在于,所述第一预设值为5%。
4.根据权利要求1所述的分析方法,其特征在于,所述第二预设值为10,所述第三预设值为5。
5.根据权利要求1所述的分析方法,其特征在于,所述学习样品的碳含量的分布范围为0.45-0.90%。
6.根据权利要求1所述的分析方法,其特征在于,所述学习样品的索氏体含量的分布范围为60-100%。
7.根据权利要求1所述的分析方法,其特征在于,所述磨抛处理中,先采用磨平机对所述粗样进行粗磨,再采用砂纸对所述粗样进行至少三次细磨,在对所述粗样进行多次细磨的操作中,所述砂纸的粒度逐渐减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319705.5A CN111398282B (zh) | 2020-04-21 | 2020-04-21 | 碳钢索氏体定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319705.5A CN111398282B (zh) | 2020-04-21 | 2020-04-21 | 碳钢索氏体定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111398282A CN111398282A (zh) | 2020-07-10 |
CN111398282B true CN111398282B (zh) | 2023-03-14 |
Family
ID=71433357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319705.5A Active CN111398282B (zh) | 2020-04-21 | 2020-04-21 | 碳钢索氏体定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111398282B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005315703A (ja) * | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | 鋼材の材質予測方法 |
CN101435769A (zh) * | 2008-12-17 | 2009-05-20 | 安阳钢铁集团有限责任公司 | 测量金相中某相含量及测量高碳钢索氏体含量的方法 |
CN101510262A (zh) * | 2009-03-17 | 2009-08-19 | 江苏大学 | 一种钢中析出粒子的自动测量及其形态分类方法 |
CN102636488A (zh) * | 2012-04-25 | 2012-08-15 | 武汉钢铁(集团)公司 | 高碳钢盘条索氏体含量定量测量方法 |
CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN110619355A (zh) * | 2019-08-28 | 2019-12-27 | 武汉科技大学 | 基于深度学习的钢铁材料微观组织自动识别方法 |
-
2020
- 2020-04-21 CN CN202010319705.5A patent/CN111398282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005315703A (ja) * | 2004-04-28 | 2005-11-10 | Nippon Steel Corp | 鋼材の材質予測方法 |
CN101435769A (zh) * | 2008-12-17 | 2009-05-20 | 安阳钢铁集团有限责任公司 | 测量金相中某相含量及测量高碳钢索氏体含量的方法 |
CN101510262A (zh) * | 2009-03-17 | 2009-08-19 | 江苏大学 | 一种钢中析出粒子的自动测量及其形态分类方法 |
CN102636488A (zh) * | 2012-04-25 | 2012-08-15 | 武汉钢铁(集团)公司 | 高碳钢盘条索氏体含量定量测量方法 |
CN106845524A (zh) * | 2016-12-28 | 2017-06-13 | 田欣利 | 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法 |
CN110619355A (zh) * | 2019-08-28 | 2019-12-27 | 武汉科技大学 | 基于深度学习的钢铁材料微观组织自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111398282A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414934A (zh) | 一种基于Faster R-CNN和U-Net的指针式仪表读数自动识别方法 | |
CN103712988B (zh) | 一种低碳钢中块状马氏体的定量测定方法 | |
CN111079763B (zh) | 训练样本生成、模型训练、字符识别方法及其装置 | |
Sugimoto et al. | Development of an automatic Vickers hardness testing system using image processing technology | |
CN105954412B (zh) | 用于山核桃新鲜度检测的传感器阵列优化方法 | |
CN111398282B (zh) | 碳钢索氏体定量分析方法 | |
CN105116412B (zh) | 一种宽带雷达isar图像性能定量判别方法 | |
CN115453064B (zh) | 一种细颗粒物空气污染成因分析方法及系统 | |
Aarons et al. | Validation of assay methodology used in pharmacokinetic studies | |
CN112634200A (zh) | 钢中带状组织评价方法 | |
CN113673264B (zh) | 一种uhf rfid标签性能分级评价方法及评价系统 | |
US9400868B2 (en) | Method computer program and system to analyze mass spectra | |
CN114972194A (zh) | 一种从不一致标签中检测缺陷的方法 | |
CN111539953B (zh) | 钢材脱碳层深度的检测方法 | |
CN114594118A (zh) | 基于微束x射线荧光的铝合金组织显微偏析定量表征方法 | |
KR101901812B1 (ko) | 전자눈 분석을 이용한 쌀 신곡과 구곡의 판별 방법 | |
Lobo et al. | EISily looking for distant clusters of galaxies--a new algorithm and its application to the EIS-wide data | |
CN114694128A (zh) | 一种基于抽象度量学习的指针式仪表检测方法及系统 | |
CN116402742A (zh) | 一种汽车钣金件表面缺陷的视觉检测方法及系统 | |
CN113916865A (zh) | 一种空心微球保气性能在线拉曼测量方法 | |
CN110007068B (zh) | 一种尿液漏滴检测方法 | |
Mikus et al. | Identification of the Probability Density Distribution of a Random Value | |
Spagnolo et al. | Forensic metrology: uncertainty of measurements in forensic analysis | |
CN110443301A (zh) | 一种基于双层特征分类的液态危险品识别方法 | |
CN116523912B (zh) | 一种基于图像识别的清洁度检测系统及方法 |
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 |