CN111680696A - 识别素材晶粒度的方法以及钢材晶粒度检测方法 - Google Patents
识别素材晶粒度的方法以及钢材晶粒度检测方法 Download PDFInfo
- Publication number
- CN111680696A CN111680696A CN202010567339.5A CN202010567339A CN111680696A CN 111680696 A CN111680696 A CN 111680696A CN 202010567339 A CN202010567339 A CN 202010567339A CN 111680696 A CN111680696 A CN 111680696A
- Authority
- CN
- China
- Prior art keywords
- grain size
- picture
- identified
- material picture
- new
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 97
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 37
- 239000010959 steel Substances 0.000 title claims abstract description 37
- 239000010421 standard material Substances 0.000 claims abstract description 61
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 229910045601 alloy Inorganic materials 0.000 abstract description 5
- 239000000956 alloy Substances 0.000 abstract description 5
- 239000002184 metal Substances 0.000 abstract description 3
- 229910052751 metal Inorganic materials 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 2
- 229910001566 austenite Inorganic materials 0.000 description 9
- 239000013078 crystal Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 239000007769 metal material Substances 0.000 description 5
- 229910000859 α-Fe Inorganic materials 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010791 quenching Methods 0.000 description 2
- 230000000171 quenching effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0227—Investigating particle size or size distribution by optical means using imaging; using holography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Dispersion Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及金属及合金晶粒研究领域,具体而言,涉及一种识别素材晶粒度的方法以及钢材晶粒度检测方法。该方法包括将待识别素材图片切割成多个新图片,将每一张新图片与标准素材图片进行比对,得到每一张新图片的晶粒度级别Gi;然后按照公式(1)计算待识别素材图片的晶粒度级别G。切割时每相邻的两个新图片在长度方向和宽度方向均有重叠;多个新图片涵盖了待识别素材图片的全部内容;每一张新图片与待识别素材图片均为等比例。该方法,对于识别后的数据采用面积法进行计算,有效保证了最终检测结果的精确度,相对于传统的比较法极大地降低了误差,提高了准确性,解决了现有技术中,对于钢材组织不均匀采用传统比较法评级偏差大的问题。
Description
技术领域
本申请涉及金属及合金晶粒研究领域,具体而言,涉及一种识别素材晶粒度的方法以及钢材晶粒度检测方法。
背景技术
金属及合金的晶粒大小和金属材料的机械性能、工艺性能及物理性能有密切的关系。细晶粒的金属材料在机械性能、工艺性能方面更优异,其冲击韧性和强度都较高,在热处理和淬火时不易变形和开裂。粗晶粒的金属材料在机械性能和工艺性能方面都比较差。但是,粗晶粒的金属材料在某些特殊需要的情况下也被加以使用,如永磁合金铸件和燃汽轮机叶片,需要一定方向生长的粗大柱状晶,以改善其磁性能和耐热性能。如何准确衡量金属材料的晶粒度级数,这对材料的研发及使用有着至关重要的作用。
目前,国内外晶粒度评级常用的方法有比较法、截点法和面积法等。其中比较法是基于已经给定的标准图谱和待测图片进行对比,给出最接近的级别。截点法是通过测量给定线段的长度以及与晶界交点的个数来计算晶粒的平均截距,最终确定晶粒度级别;面积法则是通过统计一定面积内的晶粒个数得到晶粒的平均面积,进而计算出晶粒度级别。
晶粒度现有的检测方法中,截点法和面积法准确度较高。这两种方法目前的常规操作是通过人工测量、计算。这种常规操作耗时长,难以应用到批量生产中。比较法是目前应用最广泛的方法,检测效率高,但由于标准图谱图片数量有限,标准图谱间隔为0.5级,检测精度较差;同时比较法是基于人眼同标准图谱对比,标准图谱同实际检测的金相组织又有较大差异,因此比较法检测受检验员和组织类型的影响大,检测波动大。
另有的一些现有技术,借助计算机进行比对识别。
中国专利CN109034217A《基于图像识别深度学习技术的晶粒度智能评级方法》和CN110503645 A《基于卷积神经网络对金相图片晶粒度进行判定的方法》分别介绍了基于深度学习的智能检测方法,检测原理基于计算机自学习。但是,这些方法存在以下几个问题:识别过程是个黑匣子,识别准确性和素材关系密切,对素材数量、覆盖面等要求高;识别后数据处理过于简单,识别精度较差;由于金相组织及晶粒度种类较多,识别的迁移能力有待验证。
以上存在的缺陷,导致这些方法,对于一些组织不均匀的钢材的晶粒度评级时,存在较大的偏差。
发明内容
本申请实施例的目的在于提供一种识别素材晶粒度的方法以及钢材晶粒度检测方法,能够减小钢材组织不均匀引起的评级偏差大的问题。
第一方面,本申请提供一种利用深度神经网络模型识别素材晶粒度的方法,包括:
将待识别素材图片导入深度神经网络模型,与标准素材图片进行比对;
比对包括:将待识别素材图片切割成多个新图片,将每一张新图片与标准素材图片进行比对,得到每一张新图片的晶粒度级别Gi;然后按照公式(1)计算待识别素材图片的晶粒度级别G;
公式(1)中:n为新图片的总数量;
切割时每相邻的两个新图片在长度方向和宽度方向均有重叠;多个新图片涵盖了待识别素材图片的全部内容;每一张新图片与待识别素材图片均为等比例。
该方法,对待识别素材图片进行比对识别时,将待识别素材图片切割成多个新图片,切割时每相邻的两个新图片在长度方向和宽度方向均有重叠;多个新图片涵盖了待识别素材图片的全部内容;每一张新图片与待识别素材图片均为等比例。然后将每一张新图片与标准素材图片进行比对,得到每一张新图片的晶粒度级别Gi;对交叉切割后识别结果数据采用面积法倒推处理计算(公式(1)),有效保证了最终检测结果的精确度,相对于传统的比较法极大地降低了误差,提高了准确性。尤其是对于组织不均匀的钢材的晶粒度级别的判定,提供了新的方法,极大地提高了精准度,解决了现有技术中,对于钢材组织不均匀采用传统比较法评级偏差大的问题。
在本申请的其他实施例中,上述每一张新图片的长或宽均在待识别素材图片的长或宽的1/4~3/4范围内。
将每一张新图片的长或宽均在待识别素材图片的长或宽的1/4~3/4范围内能够使得切割时每相邻的两个新图片在长度方向和宽度方向均有重叠。
在本申请的其他实施例中,上述每一张新图片的大小均相等。
将每一张新图片的大小设置为相等,更加容易切割。
在本申请的其他实施例中,上述与标准素材图片进行比对还包括:神经网络模型输出与待识别素材图片最接近的至少两个标准素材图片的晶粒度Gi以及相似度概率百分比Si,并按照公式(2)求加权平均值,得到待识别素材图片的平均晶粒度级别G0:
公式(2)中:n≥2。
通过输出与待识别素材图片最接近的至少两个标准素材图片的晶粒度Gi以及相似度概率百分比Si,并对至少两个相似度概率百分比和晶粒度Gi求加权平均值,能够进一步地避免由于钢材组织不均匀导致的素材库比对偏差,从而能够提高晶粒度识别精度,同时避免了计算误差。
在本申请的其他实施例中,上述将待识别素材图片导入深度神经网络模型包括:
在深度神经网络模型中输入待识别素材图片以及待识别素材图片的单像素长度。
利用深度神经网络模型,采用比较法进行钢材晶粒度素材的评级,符合国家标准中评级规则,同时又减少了人工比较法引入的人的误差,评级速度快、效率高。有效地解决了现有技术中由于钢材组织不均匀引起的评级偏差大的问题。
第二方面,本申请提供一种钢材晶粒度检测方法,包括:
收集钢材晶粒度的标准素材图片库;
对标准素材的晶粒度级别定值;
建立深度神经网络模型;以及
采用上述的利用深度神经网络模型识别素材晶粒度的方法识别钢材素材晶粒度。
该方法能够有效地避免由于钢材组织不均匀导致的素材库比对偏差,从而能够提高晶粒度识别精度,同时避免了计算误差。
在本申请的其他实施例中,上述建立深度神经网络模型包括:将标准素材图片、标准素材的晶粒度级别导入深度神经网络模型进行训练;利用深度神经网络的训练模型初始化测试用的神经网络,建立深度神经网络模型。
在本申请的其他实施例中,上述对标准素材的晶粒度级别定值包括:对每一张标准素材图片采用垂直直线法、交叉直线法、分布三圆法进行截点,统计截线长度a1、a2、a3、a4、a5、a6、a7以及截点数n1、n2、n3、n4、n5、n6、n7,并根据公式(3)计算平均截距然后按照公式(4)计算晶粒度级别Gi;
垂直直线和交叉直线截点可精确测量非均匀等轴晶粒平均截距,消除晶粒取向引入的偏差;分布三圆截点可自动补偿偏离等轴晶面引起的误差,同时可解决直线截点端部不明显的问题。本申请实施方式对每一张标准素材图片采用垂直直线法、交叉直线法、分布于三圆法分别进行截点,能够有效地避免上述单个方法带来的缺陷,从而提高定值结果的准确性。
在本申请的其他实施例中,上述对标准素材的晶粒度级别定值包括:对每一张标准素材图片进行多次定值,对多次定值结果求平均值。
在本申请的其他实施例中,上述当多次定值得到的多个结果之间相差小于等于0.5级时,对多个结果求平均值。
通过收集钢材晶粒度的标准素材图片库并通过截点法多次测定确定参考值,能够进一步地提高素材库的准确性,从而有助于避免由于组织不均匀带来的评级偏差,进一步提高晶粒度识别精度,同时避免了计算误差。
附图说明
为了更清楚地说明本申请实施方式的技术方案,下面将对实施方式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示出了本申请实施方式提供的对标准素材的晶粒度级别定值时的示意图。
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,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,以下对在附图中提供的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。
本申请实施方式提供一种利用深度神经网络模型识别素材晶粒度的方法,包括:
将待识别素材图片导入深度神经网络模型,与标准素材图片进行比对;
比对包括:将待识别素材图片切割成多个新图片,将每一张新图片与标准素材图片进行比对,得到每一张新图片的晶粒度级别Gi;然后按照公式(1)计算待识别素材图片的晶粒度级别G;
公式(1)中:n为新图片的总数量;
切割时每相邻的两个新图片在长度方向和宽度方向均有重叠;多个新图片涵盖了待识别素材图片的全部内容;每一张新图片与待识别素材图片均为等比例。
该方法,对待识别素材图片进行比对识别时,将待识别素材图片切割成多个新图片,切割时每相邻的两个新图片在长度方向和宽度方向均有重叠;多个新图片涵盖了待识别素材图片的全部内容;每一张新图片与待识别素材图片均为等比例。然后将每一张新图片与标准素材图片进行比对,得到每一张新图片的晶粒度级别Gi;对交叉切割后识别结果数据采用面积法倒推处理计算(公式(1)),有效保证了最终检测结果的精确度,相对于传统的比较法极大地降低了误差,提高了准确性。尤其是对于组织不均匀的钢材的晶粒度级别的判定,提供了新的方法,极大地提高了精准度,解决了现有技术中,对于钢材组织不均匀采用传统比较法评级偏差大的问题。
本申请的一些实施方式提供一种钢材晶粒度检测方法,包括以下步骤:
步骤S1、收集钢材晶粒度的标准素材图片库。
进一步地,收集收集钢材晶粒度的标准素材图片,并建立标准素材图片库。
收集素材时,钢材试样原始状态包括轧制态、铸造态、锻打态以及热处理态等不同类型。
进一步地,晶粒度类型涵盖不同类型晶粒度,包含铁素体晶粒度和奥氏体晶粒度,其中奥氏体晶粒度应包括铁氧化法、直接淬硬法等不同类型方法下的晶粒度,尤其是对于奥氏体晶粒度还应包含无孪晶和有孪晶的奥氏体晶粒度,钢种方面应包含低碳、中碳、高碳、高合金等不同元素组分的材料。
进一步地,各类型素材应不少于5张,总素材库3000张以上。
进一步地,素材收集按照铁素体晶粒度和奥氏体晶粒度分别收集,其中铁素体晶粒度2000张以上,奥氏体晶粒度中氧化法500张以上,直接淬硬法500张以上。
进一步地,其中铁素体晶粒度应涵盖不同碳含量的试样素材,其中碳含量在0-0.05%,0.05-0.1%,0.1-0.15%,0.15-0.20%,0.20-0.25%,0.25-0.35%,0.35-0.45%,>0.45%,各个范围素材不应少于200张。奥氏体晶粒度氧化法和直接淬硬法分别涵盖0-0.1%,0.1-0.2%,0.2-0.3%,0.3-0.4%,0.4-0.5%,0.5-0.6%,0.6-0.7%,0.7-0.8%,0.8-0.9%,0.9-1.0%,>1.0%,各个范围素材不应少于40张。
进一步地,铁素体和奥氏体晶粒度均至少涵盖6-10级晶粒度级别(最小间隔0.5级),对于其他级别晶粒度,可采用较大倍数(200倍、500倍、100倍等)或较小倍数(12.5倍、50倍等),保证素材中晶粒大小适中,不会因为晶粒过小导致晶粒难以分辨,晶粒过大导致素材图片中晶粒数量太少代表性不够。
步骤S2、对标准素材的晶粒度级别定值。
进一步地,对标准素材的晶粒度级别定值包括:对每一张标准素材图片采用垂直直线法、交叉直线法、分布三圆法进行截点,统计截线长度a1、a2、a3、a4、a5、a6、a7以及截点数n1、n2、n3、n4、n5、n6、n7,并根据公式(3)计算平均截距然后按照公式(4)计算晶粒度级别Gi。
Gi=-6.643856lgl-3.288 (4)。
垂直直线和交叉直线截点可精确测量非均匀等轴晶粒平均截距,消除晶粒取向引入的偏差;分布三圆截点可自动补偿偏离等轴晶面引起的误差,同时可解决直线截点端部不明显的问题。本申请实施方式对每一张标准素材图片采用垂直直线法、交叉直线法、分布三圆法分别进行截点,能够有效地避免上述单个方法带来的缺陷,从而提高定值结果的准确性。
示例性地,参照图1,对待识别素材图片采用垂直直线(l1、l2),交叉直线(l3、l4)、交叉三圆(l5、l6、l7)共七条截线进行截点统计并计算平均截距,并根据截点法晶粒度计算公式计算出平均晶粒度级别。
具体如下:
l1:截线长度a1,截点数n1;
l2:截线长度a2,截点数n2;
l3:截线长度a3,截点数n3;
l4:截线长度a4,截点数n4;
l5:截线长度a5,截点数n5;
l6:截线长度a6,截点数n6;
l7:截线长度a7,截点数n7;
进一步地,对标准素材的晶粒度级别定值还包括:对每一张标准素材图片进行多次定值,对多次定值结果求平均值。
进一步地,当多次定值得到的多个结果之间相差小于等于0.5级时,对多个结果求平均值。当多次定值得到的多个结果之间相差大于0.5级时,需要增加定值的次数,取其中几个结果之间相差小于等于0.5级的定值,求平均值。
示例性地,5名检验员分别采用前述的三种方法截点并取平均值,得到晶粒度级别定值。单张图片5名检验员的重复性小于等于0.5级时取平均值作为参考值,5名检验员的重复性大于0.5级时,则增加检验员检测,最终取结果最稳定的5个值得平均值作为参考值。
具体如下:
5名检验员采用上述截点方法各自独立进行平均晶粒度级别检测,得出,按照从小到大排序,依次记为G1、G2、G3、G4、G5;
若G5-G1≤0.5,则对上述的5个平均晶粒度级别取平均值,最终该待识别素材图片的标准素材平均晶粒度级别参考值为:
若G5-G1>0.5,则需增加4名检验员采用前述截点方法独立进行平均晶粒度级别评定,得出共9个平均晶粒度级别,按照从小到大排序,依次为G1、G2、G3、G4、G5、G6、G7、G8、G9;选取这9个值中相差小于等于0.5级的5个相对更加稳定的值,求平均值。例如,上述9个值中,G3、G4、G5、G6、G7最大值与最小值之间相差小于等于0.5级。则以G3、G4、G5、G6、G7为样本值,求平均值。
则该待识别素材图片的标准素材平均晶粒度级别参考值为:
通过收集钢材晶粒度的标准素材图片库并通过截点法多次测定确定参考值,能够进一步地提高素材库的准确性,从而有助于避免由于组织不均匀带来的评级偏差,进一步提高晶粒度识别精度,同时避免了计算误差。
步骤S3、建立深度神经网络模型。
进一步地,建立深度神经网络模型包括:将前述步骤S1和S2得到的标准素材图片、标准素材的晶粒度级别导入深度神经网络模型进行训练;利用深度神经网络的训练模型初始化测试用的神经网络,建立深度神经网络模型。
利用深度神经网络模型,采用比较法进行钢材晶粒度素材的评级,符合国家标准中评级规则,同时又减少了人工比较法带来的引入的人的误差,评级速度快、效率高。有效地解决了现有技术中由于钢材组织不均匀引起的评级偏差大的问题。
步骤S4、识别钢材素材晶粒度。
进一步地,将待识别素材图片导入深度神经网络模型,与标准素材图片进行比对。
进一步地,比对包括:将待识别素材图片切割成多个新图片,将每一张新图片与标准素材图片进行比对,得到每一张新图片的晶粒度级别Gi;然后按照公式(1)计算待识别素材图片的晶粒度级别G;
公式(1)中:n为新图片的总数量;
切割时每相邻的两个新图片在长度方向和宽度方向均有重叠;多个新图片涵盖了待识别素材图片的全部内容;每一张新图片与待识别素材图片均为等比例。
通过将待识别素材图片切割成多个新图片,将每一张新图片与标准素材图片进行比对,能够有效提高识别精度,尤其是减少组织微观不均匀导致的素材库比对偏差。
进一步地,每一张新图片的长或宽均在待识别素材图片的长或宽的1/4~3/4范围内。
进一步地,每一张新图片的尺寸均相等。
示例性地,沿一张待识别素材图片的长度和宽度方向分别均匀地将待识别素材图片切割成5份,从而得到25张新的图片。每一张新的图片的长和宽均为原待识别素材图片的长和宽的1/2。在切割时,在后的一张新的图片的起始点重叠在前一张新图片上,从而保证切割后的每一张新图片的大小均相等,均为原待识别素材图片的1/2等比例图片。
采用上述的方法切割得到多张新图片,然后对多张新图片进行独立比对评级从而能够减小由于素材组织不均匀带来的偏差,从而提高晶粒度识别精度。
进一步地,与标准素材图片进行比对还包括:神经网络模型输出与待识别素材图片最接近的至少两个标准素材图片的晶粒度Gi以及相似度概率百分比Si,并按照公式(2)求加权平均值,得到待识别素材图片的平均晶粒度级别G0。该平均晶粒度级别G0作为待识别素材图片最终的晶粒度级别值。
公式(2)中:n≥2。
通过输出与待识别素材图片最接近的至少两个标准素材图片的晶粒度Gi以及相似度概率百分比Si,并对至少两个相似度概率百分比Si和晶粒度Gi求加权平均值,能够进一步地避免由于钢材组织不均匀导致的素材库比对偏差,从而能够提高晶粒度识别精度,同时避免了计算误差。
进一步地,在本申请一些实施方式中,神经网络模型输出与待识别素材图片最接近的五个标准素材图片的晶粒度Gi以及相似度概率百分比Si,并按照公式(2)求加权平均值,得到待识别素材图片的平均晶粒度级别G0。
示例性地,神经网络模型输出与待识别素材图片最接近的五个标准素材图片及其晶粒度分别为:
标准素材图片N1:晶粒度G1,相似度百分比S1;
标准素材图片N2:晶粒度G2,相似度百分比S2;
标准素材图片N3:晶粒度G3,相似度百分比S3;
标准素材图片N4:晶粒度G4,相似度百分比S4;
标准素材图片N5:晶粒度G5,相似度百分比S5;
对五个概率百分比求加权平均值,求得该待识别素材图片的晶粒度级别G0为:
通过输出待识别素材图片最接近的五个标准素材图片的晶粒度Gi以及相似概率百分比Si,并对五个相似度概率百分比Si和晶粒度Gi求加权平均值,从而能够进一步地避免由于组织不均匀带来的评级偏差,进一步提高晶粒度识别精度,同时避免了计算误差。
以上所述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)
2.根据权利要求1所述的识别素材晶粒度的方法,其特征在于,
每一张所述新图片的长或宽均在所述待识别素材图片的长或宽的1/4~3/4范围内。
3.根据权利要求2所述的识别素材晶粒度的方法,其特征在于,
每一张所述新图片的尺寸均相等。
5.根据权利要求4所述的识别素材晶粒度的方法,其特征在于,
将待识别素材图片导入深度神经网络模型包括:
在所述深度神经网络模型中输入待识别素材图片以及待识别素材图片的单像素长度。
6.一种钢材晶粒度检测方法,其特征在于,包括:
收集钢材晶粒度的标准素材图片库;
对标准素材的晶粒度级别定值;
建立深度神经网络模型;以及
采用权利要求1~5任一项所述识别素材晶粒度的方法识别钢材素材晶粒度。
7.根据权利要求6所述的钢材晶粒度检测方法,其特征在于,
所述建立深度神经网络模型包括:将标准素材图片、标准素材的晶粒度级别导入深度神经网络模型进行训练;利用所述深度神经网络的训练模型初始化测试用的神经网络,建立深度神经网络模型。
9.根据权利要求6或8所述的钢材晶粒度检测方法,其特征在于,
所述对标准素材的晶粒度级别定值包括:对每一张标准素材图片进行多次定值,对所述多次定值结果求平均值。
10.根据权利要求9所述的钢材晶粒度检测方法,其特征在于,
当所述多次定值得到的多个结果之间相差小于等于0.5级时,对多个结果求平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567339.5A CN111680696B (zh) | 2020-06-19 | 2020-06-19 | 识别素材晶粒度的方法以及钢材晶粒度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567339.5A CN111680696B (zh) | 2020-06-19 | 2020-06-19 | 识别素材晶粒度的方法以及钢材晶粒度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111680696A true CN111680696A (zh) | 2020-09-18 |
CN111680696B CN111680696B (zh) | 2023-06-30 |
Family
ID=72455949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567339.5A Active CN111680696B (zh) | 2020-06-19 | 2020-06-19 | 识别素材晶粒度的方法以及钢材晶粒度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111680696B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138145A (zh) * | 2021-04-28 | 2021-07-20 | 辽宁忠旺集团有限公司 | 一种大直径铝合金铸锭晶粒度检验装置及自动检验方法 |
CN117969356A (zh) * | 2024-04-01 | 2024-05-03 | 陕西天成航空材料股份有限公司 | 一种钛合金平均晶粒度的检测方法及检测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001242163A (ja) * | 2000-02-28 | 2001-09-07 | Nisshin Steel Co Ltd | シャドーマスク用熱延材の清浄度測定方法 |
CN1327151A (zh) * | 2000-06-01 | 2001-12-19 | 大连理工大学 | 一种用计算机测量晶粒度的方法和装置 |
CN101949810A (zh) * | 2010-08-12 | 2011-01-19 | 中国石油天然气集团公司 | 一种针状铁素体型管线钢组织鉴别和评定方法 |
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 |
CN110503645A (zh) * | 2019-08-29 | 2019-11-26 | 国合通用(青岛)测试评价有限公司 | 基于卷积神经网络对金相图片晶粒度进行判定的方法 |
CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及系统 |
-
2020
- 2020-06-19 CN CN202010567339.5A patent/CN111680696B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001242163A (ja) * | 2000-02-28 | 2001-09-07 | Nisshin Steel Co Ltd | シャドーマスク用熱延材の清浄度測定方法 |
CN1327151A (zh) * | 2000-06-01 | 2001-12-19 | 大连理工大学 | 一种用计算机测量晶粒度的方法和装置 |
CN101949810A (zh) * | 2010-08-12 | 2011-01-19 | 中国石油天然气集团公司 | 一种针状铁素体型管线钢组织鉴别和评定方法 |
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 |
CN110503645A (zh) * | 2019-08-29 | 2019-11-26 | 国合通用(青岛)测试评价有限公司 | 基于卷积神经网络对金相图片晶粒度进行判定的方法 |
CN110956092A (zh) * | 2019-11-06 | 2020-04-03 | 江苏大学 | 一种基于深度学习的智能金相检测评级方法及系统 |
Non-Patent Citations (3)
Title |
---|
曹勇;: "304不锈钢晶粒度评定研究及性能评价" * |
毕革平;陈金哲;谭文华;李俏;: "晶粒度测定标准比对分析" * |
陈文,杨晓敏,滕奇志: "一种新的铝合金晶界检测算法及应用" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138145A (zh) * | 2021-04-28 | 2021-07-20 | 辽宁忠旺集团有限公司 | 一种大直径铝合金铸锭晶粒度检验装置及自动检验方法 |
CN117969356A (zh) * | 2024-04-01 | 2024-05-03 | 陕西天成航空材料股份有限公司 | 一种钛合金平均晶粒度的检测方法及检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111680696B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082482A (zh) | 一种金属表面缺陷检测方法 | |
CN115063404B (zh) | 基于x射线探伤的耐候钢焊缝质量检测方法 | |
CN111680696A (zh) | 识别素材晶粒度的方法以及钢材晶粒度检测方法 | |
CN111950330A (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109063734B (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
CN111860176B (zh) | 一种非金属夹杂全视场定量统计分布表征方法 | |
CN113516228A (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN109447026B (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN113884430A (zh) | 一种基于图像识别的金属腐蚀程度的综合评价方法及装置 | |
CN117148804A (zh) | 结合应用需求的特种钢材冶炼控制方法及系统 | |
CN109344558B (zh) | 一种基于理想点法的钢筋混凝土中钢筋锈蚀的物元模型评价方法 | |
CN115760956A (zh) | 高碳铬轴承钢不同级别碳化物带状图像的定量评级方法 | |
CN110646424A (zh) | 一种金相组织各向异性快速定量评价方法 | |
CN115545112A (zh) | 一种大量地下水实时自动监测数据自动识别和处理的方法 | |
CN114972353A (zh) | 一种金属高压特种管件质量评估方法及系统 | |
CN115100188A (zh) | 一种层次化缺陷分析的钢板表面质量自动分级与判定方法 | |
CN114139292A (zh) | 一种基于大数据分析平台下的钢板预处理漆膜厚度的过程控制方法 | |
CN113159230A (zh) | 一种基于深度学习的金相评级分类方法 | |
CN105488336A (zh) | 一种测定9Cr铁素体耐热钢硬度不均匀性的方法 | |
CN111369508A (zh) | 一种金属三维点阵结构的缺陷检测方法及系统 | |
CN113030422B (zh) | 基于表检仪检测的冷轧带钢质量判定的方法 | |
CN118013426B (zh) | 钢铁产品夹杂因果效应优化方法、系统、电子设备及介质 |
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 |