CN111539953B - 钢材脱碳层深度的检测方法 - Google Patents

Abstract

本申请提供一种钢材脱碳层深度的检测方法，属于钢材组织检测领域。检测方法包括素材标记、深度学习以及脱碳层检测。素材标记：将每个金相照片素材中的非材料组织区、材料组织区、总脱碳区和完全脱碳区进行切割，得到标记素材。深度学习：采用深度神经网络模型对多个标记素材进行识别学习，采用标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型。脱碳层检测：输入待测素材的原始图像及单像素点长度，采用脱碳层识别模型对待测素材进行识别分析，并输出待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。检测的重复性高、适用性好且能有效避免主观判断的不确定性。

Description

钢材脱碳层深度的检测方法

技术领域

本申请涉及钢材组织检测领域，具体而言，涉及一种钢材脱碳层深度的检测方法。

背景技术

钢材在加热和保温过程中，由于氧化使钢材表面的碳全部或部分丧失的现象叫做脱碳。脱碳大大降低了钢材的表面的硬度、抗拉强度、耐磨性和疲劳极限，因此对钢材的脱碳状况的检测分析是非常重要的。

现有技术中，常通过对钢材的脱碳层深度进行检测以实现对钢材的脱碳状况的检测分析。其中，脱碳层深度是从材料脱碳层表面到脱碳层底部的深度，脱碳层底部是指脱碳层基体与钢材基体组织差异已经不能区别的位置。

目前，主要通过金相法、硬度法和化学法对钢材的脱碳层深度进行检测。其中，金相法根据显微组织变化情况，通过人工判断确定脱碳情况及脱碳层深度，由于脱碳层的界限很难精确确定，人工判断的结果有很大的不确定性。硬度法利用含碳量与热处理后钢材的硬度存在相关性的原理，通过显微硬度的变化情况确定脱碳情况，该检测方法对显微硬度计的精度要求非常高，检测工序繁琐、工作量大；且主要用于含有对硬度影响敏感的化学成分的材料，适用性的局限非常大。化学法通过测定不同层的含碳量来确定脱碳层深度，目前分为直读光谱法、电子探针法和辉光光谱法，三种方法检测程序复杂，且对分析设备要求高，主要用于科研研究，难以用于工业上的批量检测。

目前，虽然神经网络在金相的检测中有一定的应用，但是采用神经网络对钢材脱碳层深度进行检测的方式却未见记载。

发明内容

本申请的目的在于提供一种钢材脱碳层深度的检测方法，重复性高、适用性好且能有效避免主观判断的不确定性。

本申请的实施例是这样实现的：

本申请实施例提供一种钢材脱碳层深度的检测方法，包括素材标记、深度学习以及脱碳层检测。

素材标记：在素材库中选择多个金相照片素材进行二分切割，以实现将每个金相照片素材切割为非材料组织区和材料组织区，将总脱碳区在材料组织区中进行切割，并将完全脱碳区在总脱碳区中进行切割，得到标记素材。

深度学习：采用深度神经网络模型对多个标记素材依次进行识别学习；对每个标记素材进行识别学习包括，采用标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型。

脱碳层检测：输入待测素材的原始图像及单像素点长度，采用脱碳层识别模型对待测素材进行识别分析，并输出待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。

本申请实施例提供的钢材脱碳层深度的检测方法，有益效果包括：采用二分切割将素材中的脱碳情况进行标记，对提供素材的钢材的敏感成分无特定要求，适应性好。利用深度神经网络模型对多个标记素材进行识别学习，以标记素材的原始图像、标记后图像及单像素点长度进行初始化建立识别模型，用于识别并输出待测素材的脱碳层分布情况，重复性高、检测效率高且便于批量检测，同时能有效避免主观判断的不确定性。二分切割时将材料组织区、总脱碳区和完全脱碳区进行切割，识别后能够输出材料组织区、总脱碳区边界和完全脱碳区边界，能够对材料的总脱碳区和完全脱碳区的分布和面积进行量化，还能够用于进一步对材料的脱碳层的面积占比、周长占比进行定量评价。

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钢材脱碳层深度的检测方法的流程图。

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。

需要说明的是，本申请中的“和/或”，如“方案A和/或方案B”，均是指可以单独地为方案A、单独地为方案B、方案A加方案B，该三种方式。

下面对本申请实施例的钢材脱碳层深度的检测方法进行具体说明。

本申请实施例提供一种钢材脱碳层深度的检测方法，包括素材标记、深度学习以及脱碳层检测。在一些示例性的实施方案中，深度学习和脱碳层检测之间还包括验证优化。

素材标记步骤为深度学习提供对脱碳情况进行标记的标记素材。深度学习采用深度神经网络模型对进行了脱碳情况标注的标记素材进行识别学习，得到以识别边界为输出节点的脱碳层识别模型。验证优化采用未进行脱碳情况标注的验证素材对脱碳层识别模型进行优化。脱碳层检测步骤采用脱碳层识别模型对待测素材的脱碳情况进行识别。

关于素材标记步骤：

在本申请的实施例中，素材标记包括：在素材库中选择多个金相照片素材进行二分切割，以实现将每个金相照片素材切割为非材料组织区和材料组织区，将总脱碳区在材料组织区中进行切割，并将完全脱碳区在总脱碳区中进行切割，得到标记素材。

示例性的，进行二分切割时，首先，在金相照片素材中确定非材料组织区和材料组织区的分界线，在该分界线处和金相照片素材的边界进行切割将金相照片素材切割为非材料组织区和材料组织区。然后，在材料组织区中包含有总脱碳区的情况下，在材料组织区中确定总脱碳区的分界线，在该分界线处进行切割将总脱碳区在材料组织区中切割出来。最后，在总脱碳区中包含有完全脱碳区的情况下，在总脱碳区中确定完全脱碳区的分界线，在该分界线处进行切割将完全脱碳区在总脱碳区中切割出来。

进一步的，在对用于深度学习的金相照片素材的组织结构进行切割时，采用开源图像标注工具labelme在分界线处进行标注，使得标注操作方便。可选的，在对材料组织的边界进行标注时，相邻两个标记点之间的间距为8-12个像素点长度，例如为10个像素点长度，边界波动较大处忽略不进行标注，使得标注的边界线尽可能地连续且平滑。

在本申请的实施例中，采用二分切割将素材中的脱碳情况进行标记用于深度神经网络模型进行识别学习，对提供素材的钢材的敏感成分无特定要求，适应性好。二分切割时，将材料组织区、总脱碳区和完全脱碳区进行切割，深度学习时能够对材料组织区、总脱碳区和完全脱碳区的边界识别进行学习，识别后能够输出材料组织区、总脱碳区边界和完全脱碳区边界，能够对材料的总脱碳区和完全脱碳区的分布和面积进行量化，还能够对材料的脱碳层的面积占比、周长占比进行定量评价。

二分切割时，对边界线准确的判断，有利于准确地将素材中的不同区域进行切割。

在一些示例性的实施方案中，在确定非材料组织区和材料组织区的分界线时：对于表面有氧化铁皮的试样，材料组织区的边界即试样基体同表面灰色氧化铁皮的交界；对于表面无氧化铁皮的镶嵌试样，材料组织区的边界即试样基体同镶嵌料的交界面；对于表面无氧化铁皮的无镶嵌试样，材料组织区的边界即试样基体同边缘虚像交界面。

完全脱碳层是指试样中碳含量低于碳元素在铁素体中的最大固溶度的组织，完全脱碳层的微观组织中只有铁素体。在一些示例性的实施方案中，在总脱碳区中确定完全脱碳区的分界线时：完全脱碳层边界即纯铁素体组织同非纯铁素体组织的交界面。

在一些示例性的实施方案中，在材料组织区中确定总脱碳区的分界线时，定义总脱碳区和材料组织区之间的边界为总脱碳层边界，总脱碳层边界的确认方法包括：对总脱碳层边界进行多组人工标记得到多组初始的总脱碳层边界，并根据初始的总脱碳层边界进行总脱碳层深度的人工检测得到多组人工检测深度值；根据多组人工检测深度值的平均值确认总脱碳层边界。可以理解的是，在人工标记和人工检测时，针对每一组初始的总脱碳层边界，由标注该组总脱碳层边界的分析人员对该组总脱碳层边界进行总脱碳层深度的人工检测。

由于总脱碳层边界即脱碳层基体与正常组织基体之间的边界，该边界处脱碳层基体与正常组织基体之间的组织差异已经难以区分，因此总脱碳层边界较难确定。采用多组人工标记和多组人工检测的方式，以多组检结果的平均值确定总脱碳层边界，能够提高确认的总脱碳层边界的可靠性。

进一步的，当总脱碳层的深度＜0.1mm时，对于多组人工标记和人工检测，需要满足：多组人工检测深度值的平均绝对误差≤第一预设值。当总脱碳层的深度≥0.1mm且＜0.3mm时，需要满足：多组人工检测深度值的平均绝对误差≤第二预设值。当总脱碳层的深度≥0.3mm时，多组人工检测深度值的平均绝对误差≤第三预设值，需要满足：多组人工检测深度值的平均绝对误差≤第三预设值。其中，第一预设值＜第二预设值＜第三预设值。

在采用多组人工标记和多组人工检测的方式下，针对不同脱碳层深度，对多组人工检测结果之间的偏差预设允许的可靠范围，使得多组人工评定结果的可靠性更好，能够更为准确地对总脱碳层边界进行确定，从而为深度学习提供更可靠的学习样本。

多组人工检测结果之间的偏差的预设范围要求可以根据需要进行确定，示例性的，第一预设值为0.025mm，第二预设值为0.04mm。当总脱碳层的深度≥0.3mm确定第三预设值时，要求满足：多组人工检测深度值的平均相对误差≤15％。

可选的，当多组人工评定结果之间的偏差超出允许的预设范围后，增加分析人员，然后选择人工检测结果最接近的3/4作为有效的人工检测结果，用于确认总脱碳层边界。当多组有效的人工检测结果之间的偏差仍然超出允许的预设范围时，继续增加分析人员，直至多组有效的人工检测结果之间的偏差能够满足允许的预设范围。

关于深度学习步骤：

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标记素材依次进行识别学习；对每个标记素材进行识别学习包括，采用标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型。

需要说明的是，在本申请中，输出的识别边界与标记素材中所标记的素材是对应的，即标记素材中通过标记切割出了非材料组织区、材料组织区、总脱碳区和完全脱碳区，输出的识别边界也包括非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。

在本申请的实施例中，利用深度神经网络模型对多个标记素材进行识别学习，以标记素材的原始图像、标记后图像及单像素点长度进行初始化建立识别模型，用于识别并输出待测素材的脱碳层分布情况，重复性高、检测效率高且便于批量检测，同时能有效避免主观判断的不确定性。

可以理解的是，脱碳层识别模型在对待测素材进行识别时，能够获取并输出对脱碳层分布情况的识别参数，然后通过输出的识别参数确定待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界，再通过标记输出待测素材的非材料组织区、材料组织区、总脱碳区和完全脱碳区。

在一些示例性的实施方案中，脱碳层识别模型在处理输出的识别参数对边界进行确认时，按照以下原则进行：当同类别区域出现多个不连续的孤立分布时，则以最接近的相邻同类别区边界作为边界连接处进行连通，以将同类别的多个不连续区域连通为一个区域。

关于验证优化步骤：

在本申请的实施例中，验证优化包括：在素材库中选择多个金相照片素材作为验证素材，输入验证素材的原始图像及单像素点长度，采用脱碳层识别模型对每个验证素材依次进行识别分析，并输出验证素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界，对输出的识别边界的准确性进行人工判断。

当判断结果为准确时，将验证素材被识别分析后输出的标记图像进行深度学习；当判断结果为不准确时，将验证素材进行二分切割处理，然后进行深度学习。

在本申请的实施例中，当验证优化判断识别结果准确时，采用对应素材对脱碳层识别模型进行互动优化学习；当验证优化判断识别结果不准确时，采用对应素材对脱碳层识别模型进行修正。通过不同验证素材对脱碳层识别模型的互动优化和修正，不断提升脱碳层识别模型的准确性和精度，使得识别的准确性和重复性更高。

在一些示例性的实施方案中，在判断非材料组织区和材料组织区的分界线是否准确时，以及在判断总脱碳区中完全脱碳区的分界线是否准确时，可以按照素材标记时对边界线的确认标准进行判断。

在一些示例性的实施方案中，在判断材料组织区中总脱碳区的分界线是否准确时，其判断方法包括：根据输出的总脱碳区边界进行总脱碳层深度的检测，并进行多组总脱碳层的人工标注和深度检测，得到识别输出和人工标注所对应的多组总脱碳层深度值。当多组总脱碳层深度值的误差在预设的允许范围内时，判断总脱碳区的分界线的输出结果为准确。

可选的，多组总脱碳层深度值的误差的允许偏差按照素材标记时多组人工检测深度值的允许偏差进行确定。示例性的，判断总脱碳区的分界线的输出结果为准确的标准为：当总脱碳层的深度＜0.1mm时，多组总脱碳层深度值的平均绝对误差≤第一预设值；当总脱碳层的深度≥0.1mm且＜0.3mm时，多组总脱碳层深度值的平均绝对误差≤第二预设值；当总脱碳层的深度≥0.3mm时，多组总脱碳层深度值的平均绝对误差≤第三预设值。其中，第一预设值＜第二预设值＜第三预设值。

进一步的，第一预设值为0.025mm，第二预设值为0.04mm。当总脱碳层的深度≥0.3mm确定第三预设值时，多组总脱碳层深度值的平均相对误差≤15％。

可以理解的是，在素材标记步骤之前，需要为素材标记步骤收集素材用于标记；在包括验证优化步骤时，在验证优化步骤之前，也需要为验证优化步骤收集素材用于对脱碳层识别模型进行优化。可选的，在素材标记步骤之前完成素材收集得到素材库，从素材库中按照一定比例将素材划分为训练集和测试集，训练集用于进行供素材标记步骤使用，测试集用于供验证优化步骤使用。

在钢材脱碳层深度的检测方法包括素材标记步骤和证优化步骤的实施方式中，可选的，标记素材的数量和验证素材的数量之比为18-22:8-12，或19-21:9-11，例如但不限于为20:10。素材库中金相照片素材的总量可选的不低于3000个，且训练集的数量不低于2000个，保证有足够的样本。

关于素材收集步骤：

在一些示例性的实施方案中，在准备素材库中的金相照片素材时，为了能够方便地对金相照片素材的组织结构进行观察和切割，根据脱碳层深度情况，选取50-500X的放大倍数对钢材进行拍摄，得到素材库的金相照片素材；同时，记录各个金相照片素材的单像素点长度。

由于脱碳现象发生在试样边缘位置，金相照片素材应包括非材料组织区和材料组织区。脱碳层是从材料组织区的边界开始，拍摄时应保证材料组织区的边界清晰明朗；同时应保证材料组织区的边界连续圆整，连续圆整即要求材料组织区的边界为平滑弧线或连续直线。

进一步的，由于材料组织区是识别学习的重点区域，在对钢材进行拍摄时，调整拍摄距离，使得素材库的每个金相照片素材中，材料组织区的面积占比＞50％，使得金相照片素材以材料组织区为主。

由于深度学习中需要对素材的完全脱碳层和总脱碳层进行识别学习，而在验证优化中需要对素材的完全脱碳层和总脱碳层进行识别验证。在一些可选的实施方案中，素材库的多个金相照片素材中，具有总脱碳层的数量占比＞90％，具有完全脱碳层的数量占比＞50％，保证素材库中的素材有足够的样本提供总脱碳层区域和完全脱碳层区域供深度学习和验证优化，保证深度学习和验证优化的可靠性。

在一些可选的实施方案中，素材库的多个金相照片素材中，碳含量分布范围为0.1-1.2％。碳含量的分布范围广，能够较好地对不同碳含量的钢材的脱碳层深度进行检测。对于碳含量在0.3％以下的低碳钢和碳含量高于1％的高碳钢，高碳钢例如轴承钢GGr15，其能够有效解决其脱碳判断难度大、标准图谱覆盖不够的问题。

进一步的，素材库的多个金相照片素材中，碳含量在0.3％以下的、碳含量超过0.3％且在0.4％以下的、碳含量超过0.4％且在0.5％以下的、碳含量超过0.5％且在0.6％以下的、碳含量超过0.6％且在0.7％以下的、碳含量超过0.7％且在0.8％以下的、碳含量超过0.8％且在0.9％以下的、碳含量超过0.9％且在1％以下的、以及碳含量超过0.1％的素材的数量在素材库中的占比均不低于5％。示例性的，选择至少60个牌号的钢材提供素材，每个牌号的钢材提供50个素材，使其能够较好地满足素材库的碳含量分布要求。

在一些可选的实施方案中，素材库的多个金相照片素材中，硅含量＞0.5％且≤1％的素材和铝含量＞0.5％且≤1％的素材的数量占比均≥10％，硅含量＞1％的素材和铝含量＞1％的素材的数量占比均≥5％，钨含量＞0.5％的素材和钴含量＞0.5％的素材的数量占比均≥5％。研究发现硅、铝、钨和钴是钢材中脱碳敏感的元素，对不同含量的硅、铝、钨和钴在素材中的占比进行限定，保证素材对脱碳敏感元素的覆盖较好，使得深度学习和验证优化的可靠性更好。

关于脱碳层检测步骤：

在本申请的实施例中，脱碳层检测包括：输入待测素材的原始图像及单像素点长度，采用脱碳层识别模型对待测素材进行识别分析，并输出待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。

示例性的，在输出脱碳层检测后，垂直于试样边界线进行测量，测量得到各个位置脱碳层深度，包括总脱碳层深度和完全脱碳层深度。

在本申请的实施例中，检测后输出材料组织区、总脱碳区边界和完全脱碳区边界，能够对材料的总脱碳区和完全脱碳区的分布和面积进行量化。根据钢种特性，还能够用于其他评价指标，例如用于进一步对材料的脱碳层的面积占比、周长占比进行定量评价。

请参阅图1，在一些示例性的实施方案中，钢材脱碳层深度的检测方法的流程如下：

S01.素材收集：根据脱碳层分布要求、碳含量分布要求和脱碳敏感元素覆盖要求收集试样，得到素材库，将素材库按预设比例分为训练集和测试集。

S02.素材标记：将训练集中的多个金相照片素材进行二分切割，标记出非材料组织区、非材料组织区、总脱碳区和完全脱碳区，得到标记素材。

S03.深度学习：采用深度神经网络模型，对训练集中的多个标记素材依次进行识别学习，得到以识别边界为输出节点的待优化的脱碳层识别模型。

S04.验证优化：采用测试集中的多个标记素材依次对待优化的脱碳层识别模型进行验证和优化，得到优化后的脱碳层识别模型。

S05.脱碳层检测：采用优化后的脱碳层识别模型对待测素材进行识别分析，并输出待测素材的非材料组织区边界、材料组织区边界、总脱碳区边界和完全脱碳区边界。

本申请实施例提供的钢材脱碳层深度的检测方法，采用二分切割将素材中的脱碳情况进行标记用于深度神经网络模型进行识别学习，对提供素材的钢材的敏感成分无特定要求，适应性好。深度学习得到的识别模型用于识别并输出待测素材的脱碳层分布情况，重复性高、检测效率高且便于批量检测，同时能有效避免主观判断的不确定性。二分切割时，将材料组织区、总脱碳区和完全脱碳区进行切割，识别后能够输出材料组织区、总脱碳区边界和完全脱碳区边界，能够对材料的总脱碳区和完全脱碳区的分布和面积进行量化，还能够用于进一步对材料的脱碳层的面积占比、周长占比进行定量评价。

进一步的，素材标记中，采用多组人工标记和多组人工检测的方式，以多组检结果的平均值确定总脱碳层边界，能够提高确认的总脱碳层边界的可靠性。针对不同脱碳层深度，对多组人工检测结果之间的偏差预设允许的可靠范围，使得多组人工评定结果的可靠性更好。

进一步的，深度学习后进行验证优化，采用验证优化判断识别结果准确的素材对脱碳层识别模型进行互动优化学习，采用验证优化判断识别结果不准确的素材对脱碳层识别模型进行修正，不断提升脱碳层识别模型的准确性和精度。

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 (10)

1.一种钢材脱碳层深度的检测方法，其特征在于，包括：

素材标记：在素材库中选择多个金相照片素材进行二分切割，以实现将每个所述金相照片素材切割为非材料组织区和材料组织区，将总脱碳区在所述材料组织区中进行切割，并将完全脱碳区在所述总脱碳区中进行切割，得到标记素材；其中，所述素材库的多个金相照片素材中，硅含量＞0.5％且≤1％的素材和铝含量＞0.5％且≤1％的素材的数量占比均≥10％，硅含量＞1％的素材和铝含量＞1％的素材的数量占比均≥5％，钨含量＞0.5％的素材和钴含量＞0.5％的素材的数量占比均≥5％；

深度学习：采用深度神经网络模型对多个所述标记素材依次进行识别学习；对每个所述标记素材进行识别学习包括，采用所述标记素材的原始图像、标记后图像及单像素点长度进行初始化，得到以识别边界为输出节点的脱碳层识别模型；

脱碳层检测：输入待测素材的原始图像及单像素点长度，采用所述脱碳层识别模型对所述待测素材进行识别分析，并输出所述待测素材的所述非材料组织区边界、所述材料组织区边界、所述总脱碳区边界和所述完全脱碳区边界。

2.根据权利要求1所述的检测方法，其特征在于，所述总脱碳区和所述材料组织区之间的边界为总脱碳层边界，所述总脱碳层边界的确认方法包括：对所述总脱碳层边界进行多组人工标记得到多组初始的所述总脱碳层边界，并根据初始的所述总脱碳层边界进行总脱碳层深度的人工检测得到多组人工检测深度值；根据多组所述人工检测深度值的平均值确认所述总脱碳层边界。

3.根据权利要求2所述的检测方法，其特征在于，当总脱碳层的深度＜0.1mm时，多组所述人工检测深度值的平均绝对误差≤第一预设值；当总脱碳层的深度≥0.1mm且＜0.3mm时，多组所述人工检测深度值的平均绝对误差≤第二预设值；当总脱碳层的深度≥0.3mm时，多组所述人工检测深度值的平均绝对误差≤第三预设值，所述第一预设值＜所述第二预设值＜所述第三预设值。

4.根据权利要求3所述的检测方法，其特征在于，所述第一预设值为0.025mm；所述第二预设值为0.04mm；当总脱碳层的深度≥0.3mm时，多组所述人工检测深度值的平均相对误差≤15％。

5.根据权利要求1-4任一项所述的检测方法，其特征在于，所述深度学习和所述脱碳层检测之间还包括：

验证优化：在所述素材库中选择多个所述金相照片素材作为验证素材，输入所述验证素材的原始图像及单像素点长度，采用所述脱碳层识别模型对每个所述验证素材依次进行识别分析，并输出所述验证素材的所述非材料组织区边界、所述材料组织区边界、所述总脱碳区边界和所述完全脱碳区边界，对输出的识别边界的准确性进行人工判断；

当判断结果为准确时，将所述验证素材被识别分析后输出的标记图像进行所述深度学习；

当判断结果为不准确时，将所述验证素材进行所述二分切割处理，然后进行所述深度学习。

6.根据权利要求5所述的检测方法，其特征在于，所述对输出的识别边界的准确性进行人工判断包括对所述总脱碳区边界的准确性进行判断：根据输出的所述总脱碳区边界进行总脱碳层深度的检测，并进行多组总脱碳层的人工标注和深度检测，得到识别输出和人工标注所对应的多组总脱碳层深度值；

判断结果为准确的标准为：当总脱碳层的深度＜0.1mm时，多组所述总脱碳层深度值的平均绝对误差≤第一预设值；当总脱碳层的深度≥0.1mm且＜0.3mm时，多组所述总脱碳层深度值的平均绝对误差≤第二预设值；当总脱碳层的深度≥0.3mm时，多组所述总脱碳层深度值的平均绝对误差≤第三预设值，所述第一预设值＜所述第二预设值＜所述第三预设值。

7.根据权利要求5所述的检测方法，其特征在于，所述标记素材的数量和所述验证素材的数量之比为18-22:8-12。

8.根据权利要求1-4任一项所述的检测方法，其特征在于，所述素材库的每个所述金相照片素材中，所述材料组织区的面积占比＞50％。

9.根据权利要求1-4任一项所述的检测方法，其特征在于，所述素材库的多个金相照片素材中，具有总脱碳层的数量占比＞90％，具有完全脱碳层的数量占比＞50％。

10.根据权利要求1-4任一项所述的检测方法，其特征在于，所述素材库的多个金相照片素材中，碳含量分布范围为0.1-1.2％。

Images