CN111860176B - 一种非金属夹杂全视场定量统计分布表征方法 - Google Patents

一种非金属夹杂全视场定量统计分布表征方法 Download PDF

Info

Publication number
CN111860176B
CN111860176B CN202010575085.1A CN202010575085A CN111860176B CN 111860176 B CN111860176 B CN 111860176B CN 202010575085 A CN202010575085 A CN 202010575085A CN 111860176 B CN111860176 B CN 111860176B
Authority
CN
China
Prior art keywords
target detection
inclusion
nonmetallic
nonmetallic inclusion
sample
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
Application number
CN202010575085.1A
Other languages
English (en)
Other versions
CN111860176A (zh
Inventor
孙丹丹
万卫浩
王海舟
韩冰
李冬玲
董彩常
赵雷
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.)
Central Iron and Steel Research Institute
Original Assignee
Central Iron and Steel Research Institute
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 Central Iron and Steel Research Institute filed Critical Central Iron and Steel Research Institute
Priority to CN202010575085.1A priority Critical patent/CN111860176B/zh
Publication of CN111860176A publication Critical patent/CN111860176A/zh
Application granted granted Critical
Publication of CN111860176B publication Critical patent/CN111860176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • 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
    • 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
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/2202—Preparing specimens therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • 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
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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

Abstract

本发明公开了一种非金属夹杂全视场定量统计分布表征方法，该方法包括：步骤S1：建立由非金属夹杂、划痕和外来干扰图像构成的图像数据库；步骤S2，基于非金属夹杂特征图谱建立目标检测模型；步骤S3，对经过处理的待测金属材料表面进行全视场非金属夹杂特征数据的自动采集；步骤S4，对非金属夹杂进行精确到像素级别的分割和提取；步骤S5，大范围全视场非金属夹杂的原位定量统计分布表征。本发明提供的非金属夹杂全视场定量统计分布表征方法，通过建立目标检测模型，对金属材料中的非金属夹杂进行全视场识别、定位，能够提高识别准确度，避免人工识别造成误差，自动化水平较高。

Description

一种非金属夹杂全视场定量统计分布表征方法
技术领域
本发明涉及金属材料中非金属夹杂检测技术领域，特别是涉及一种非金属夹杂全视场定量统计分布表征方法。
背景技术
非金属夹杂分内生和外来夹杂，金属在脱氧形成的氧化物、钢凝固过程中硫、氮溶解度降低析出的硫化物、氮化物统称为内生夹杂物，金属在冶炼过程中引入的耐火材料、炉渣等为外来夹杂。一般认为非金属夹杂的数量、尺寸、成分、分布等是对钢性能产生影响重要因素之一。非金属夹杂物的存在，阻断了金属基体的连续性，使得基体之间的应力不能通过夹杂传递，在脆性和不变形夹杂与基体的界面处，容易产生应力，继而引发裂缝。非金属夹杂的颗粒的尺寸对强度的影响较大，总得来说，钢的强度随着非金属夹杂尺寸的减小而增大。因此，有必要进一步研究非金属夹杂的分布情况，从而考察各加工工艺的稳定性和可靠性。
国家标准GB/T10561.2017制定了钢中非金属夹杂含量的测定方法，即统计单一视场中的非金属夹杂，与标准图谱相比较，确定粗系、细系和夹杂级别。该方法需人工识别出视场内的夹杂种类，统计视场单一，检验整个抛光面需要耗时耗力，存在效率低的问题，不能定量整个抛光面夹杂尺寸分布情况，也不能反映整个抛光面夹杂分布的差异，无法快速实现材料表面非金属夹杂的统计定量分布。除此之外，多采用金相、Image-Pro Plus等软件自动识别夹杂种类、定量统计夹杂面积，软件对图像质量的要求较高，仍需辅以人工操作，因此也存在一定局限性。综上，传统的非金属夹杂的测定方法，已经不能满足材料工作者考察工艺、改善材料性能的需要。
发明内容
本发明的目的是提供一种非金属夹杂全视场定量统计分布表征方法，通过建立目标检测模型，对金属材料中的非金属夹杂进行全视场识别、定位，能够提高识别准确度，避免人工识别造成误差，自动化水平较高。
为实现上述目的，本发明提供了如下方案：
一种非金属夹杂全视场定量统计分布表征方法，该方法包括以下步骤：
S1)将标准金属材料试样表面用砂纸打磨，然后利用抛光机抛成镜面，对磨抛后的标准金属材料试样利用配制的电解液进行表面电解侵蚀，使得非金属夹杂物充分暴露，通过金相显微镜或扫描电镜获取非金属夹杂物形貌，得到由非金属夹杂、划痕和外来干扰图像构成的图像数据库；
S2)基于图像数据库，随机选取几个图像，对非金属夹杂进行标记，得到含有非金属夹杂形状标记框的图像，建立非金属夹杂特征图谱；基于非金属夹杂特征图谱建立目标检测模型；
S3)对待测金属材料进行打磨抛光以及电解侵蚀，通过Navigator-OPA高通量扫描电镜对经过处理的待测金属材料表面进行全视场非金属夹杂特征数据的自动采集；
S4)将步骤S3中获得的所有待测金属材料中的非金属夹杂特征数据输入到步骤S2建立的目标检测模型中，该模型首先对非金属夹杂进行识别，将划痕和外来干扰作为，然后对非金属夹杂进行精确到像素级别的分割和提取，得到标记了非金属夹杂的二值图像；
S5)对步骤S4中获得的二值图像进行非金属夹杂的统计分布分析，获取大范围全视场上的非金属夹杂的面积、数量、夹杂间距信息，将所有信息反映到全视场中，获得全视场上原位非金属夹杂的定量统计分布数据。
可选的，所述步骤S2中，基于非金属夹杂特征图谱建立目标检测模型，具体包括：
采用人工标记的方法，选取分非金属夹杂特征图谱中20％-30％的视场，标记不同类别非金属夹杂的位置信息，将标记后的非金属夹杂特征图谱作为目标检测样本；基于深度学习目标检测算法，将目标检测样本输入到U-Net目标检测网络中，得到建立目标检测模型。
可选的，所述基于深度学习目标检测算法，将目标检测样本输入到U-Net目标检测网络中，得到建立目标检测模型，具体包括：U-Net目标检测网络对输入的目标检测样本进行4000-40000次迭代训练，得到目标检测模型。
可选的，所述步骤S2中，将所述目标检测样本分为测试样本和训练样本，以所述训练样本为基础建立目标检测模型，利用所述测试样本对目标检测模型进行测试校验。
可选的，所述步骤S2中，U-Net目标检测网络选自U-Net网络框架，网络框架包括9个block，block之间通过4个max-pooling层与4个transposed convolution连接；block内部包括卷积层、ReLu激活函数、Dropout层，分别起到从浅层特征中提取深层特征、处理非线性问题、避免过拟合现象的作用，其中训练过程中Loss函数使用交叉熵，反向传播过程中优化函数使用Adam。
可选的，所述步骤S3中，所述对待测金属材料进行打磨抛光以及电解侵蚀，具体包括：将待测金属材料表面用砂纸打磨，然后利用抛光机抛成镜面，对磨抛后的标准金属材料试样利用配制的电解液进行表面电解侵蚀。
可选的，每个视场识别提取过程耗时0.102s，准确度达到99.2％。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的非金属夹杂全视场定量统计分布表征方法与现有技术比具有以下有益效果：通过人工标记标准金属材料试样中的非金属夹杂，将外来污染物和划痕作为背景，能够有效减少外来污染物和划痕对定量结果造成的影响；通过建立目标检测模型，能够对待测金属材料中的非金属夹杂进行精确的、像素级的分割和提取，基于深度学习目标检测算法能够减少人为识别造成主观误差，提高检测精度；此外，经过迭代训练的目标检测模型能够快速得到非金属夹杂的二值图像，完成大批量图像的定量结果，提高检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明非金属夹杂全视场定量统计分布表征方法的流程图；
图2为本发明实施例的随机挑选非金属夹杂特征图谱中的一幅；
图3为图1对应的人工标记图像；
图4为本发明实施例的特征识别提取网络U-Net；
图5为本发明实施例的待检测图像；
图6为图4对应的待测图像被识别和提取出非金属夹杂的特征图谱；
图7为本发明实施例的全视场上所有非金属夹杂面积分布的直方图；
图8为本发明实施例的全视场上所有非金属夹三维位置面分布图；
图9为本发明实施例的整个视场范围内非金属夹杂间距的直方图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种非金属夹杂全视场定量统计分布表征方法，通过建立目标检测模型，对金属材料中的非金属夹杂进行全视场识别、定位，能够提高识别准确度，避免人工识别造成误差，自动化水平较高。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的非金属夹杂全视场定量统计分布表征方法，包括以下步骤：
S1)将标准金属材料试样表面用砂纸打磨，然后利用抛光机抛成镜面，对磨抛后的标准金属材料试样利用配制的电解液进行表面电解侵蚀，使得非金属夹杂物充分暴露，通过金相显微镜或扫描电镜获取非金属夹杂物形貌，得到由非金属夹杂、划痕和外来干扰图像构成的图像数据库；
S2)基于图像数据库，随机选取几个图像，对非金属夹杂进行标记，得到含有非金属夹杂形状标记框的图像，建立非金属夹杂特征图谱；基于非金属夹杂特征图谱建立目标检测模型；
S3)对待测金属材料进行打磨抛光以及电解侵蚀，通过Navigator-OPA高通量扫描电镜对经过处理的待测金属材料表面进行全视场非金属夹杂特征数据的自动采集；
S4)将步骤S3中获得的所有待测金属材料中的非金属夹杂特征数据输入到步骤S2建立的目标检测模型中，该模型首先对非金属夹杂进行识别，将划痕和外来干扰作为，然后对非金属夹杂进行精确到像素级别的分割和提取，得到标记了非金属夹杂的二值图像；
S5)对步骤S4中获得的二值图像进行非金属夹杂的统计分布分析，获取大范围全视场上的非金属夹杂的面积、数量、夹杂间距信息，将所有信息反映到全视场中，获得全视场上原位非金属夹杂的定量统计分布数据。
其中，所述步骤S2中，基于非金属夹杂特征图谱建立目标检测模型，具体包括：
采用人工标记的方法，选取分非金属夹杂特征图谱中20％-30％的视场，标记不同类别非金属夹杂的位置信息，将标记后的非金属夹杂特征图谱作为目标检测样本；基于深度学习目标检测算法，将目标检测样本输入到U-Net目标检测网络中，得到建立目标检测模型。
所述基于深度学习目标检测算法，将目标检测样本输入到U-Net目标检测网络中，得到建立目标检测模型，具体包括：U-Net目标检测网络对输入的目标检测样本进行4000-40000次迭代训练，得到目标检测模型。
所述步骤S2中，将所述目标检测样本分为测试样本和训练样本，以所述训练样本为基础建立目标检测模型，利用所述测试样本对目标检测模型进行测试校验。
所述步骤S2中，U-Net目标检测网络选自U-Net网络框架，网络框架包括9个block，block之间通过4个max-pooling层与4个transposed convolution连接；block内部包括卷积层、ReLu激活函数、Dropout层，分别起到从浅层特征中提取深层特征、处理非线性问题、避免过拟合现象的作用，其中训练过程中Loss函数使用交叉熵，反向传播过程中优化函数使用Adam。
所述步骤S2中，如图2所示，随机选取标准特征图像数据集中非金属夹杂1500个，如图3所示，将非金属夹杂作为目标对数据集中的图像进行标记，得到含有非金属夹杂形状标记框的图像，标记信息包括目标的类别和位置信息，将标记后的特征图谱数据集生成目标检测样本库；如图4所示，建立U-Net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。
所述步骤S3中，所述对待测金属材料进行打磨抛光以及电解侵蚀，具体包括：将待测金属材料表面用砂纸打磨，然后利用抛光机抛成镜面，对磨抛后的标准金属材料试样利用配制的电解液进行表面电解侵蚀。
所述步骤S4中，每个视场识别提取过程耗时0.102s，准确度达到99.2％。
所述步骤S2中，如图2所示，随机选取标准特征图像数据集中非金属夹杂1500个，如图3所示，将非金属夹杂作为目标对分非金属夹杂特征图谱进行标记，得到含有非金属夹杂形状标记框的图像，标记信息包括目标的类别和位置信息，将标记后的特征图谱数据集生成目标检测样本；如图4所示，为建立U-Net目标检测网络。
所述步骤S3中，选择尺寸为10mm*15mm的待测样品，对待测耐候钢样品进行全自动扫描电镜采集，获得整个试样表面大尺寸全视场的图像，建立待测图像数据集。
所述步骤S4中，如图5所示，将所有待检测图像全部输入到建立的U-Net目标检测模型中进行检测，该网络首先实现对非金属夹杂精确的识别，消除外来污染物和划痕对定量结果的干扰，然后对夹杂进行精确到像素级别的分割和提取，如图6所示，经过自动识别和分割提取，即可得到标记了非金属夹杂的二值图像，每个视场识别提取过程耗时0.102s，准确度达到99.2％左右。
所述步骤S5中，对步骤S4中获得的二值图像，通过连通区域算法进行统计分布分析，获取大范围全视场上的非金属夹杂的面积、数量、夹杂间距等信息。如图7所示，为非金属夹杂面积分布直方图，反映了全视场大尺寸范围内每个非金属夹杂的面积分布情况。将所有信息反映到全视场中，获得全视场上非金属夹杂的位置分布情况，如图8所示，为整个视场范围内非金属夹杂三维分布图，可从图中找到任意位置非金属夹杂分布情况，如面积最大、最小的非金属夹杂对应的位置。
读取步骤四中获得的二值图像，确定每个夹杂中心点的坐标，以每一个夹杂中心自身为原点，计算5000像素区域内所有夹杂中心点到原点的距离，对每个区域内的距离排序，选择最小的距离为该区域内的夹杂间距，保存每个区域内到原点距离最短的距离为夹杂间距，整个视场范围内非金属夹杂间距如图9所示。
以耐候钢金属材料为例，表1为耐候钢的化学成分，表2展示了，在10mm*15mm样品范围内，非金属夹杂的统计分布情况，夹杂数量为10101个，总面积为41677平方微米，占整个样品的比例为0.027％，其中在对应位置处找到最大夹杂的面积为75平方微米。
表1耐候钢的化学成分
S3 Si Mn S P S3u S3r Ni
≤0.18 0.15～0.65 ≤1.4 ≤0.005 ≤0.035 0.3～0.5 0.45～0.75 0.08～0.25
由人工对2000个视场进行统计，统计结果与自动统计结果对比，如表3所示。人工统计出非金属夹杂个数为427个，网络识别为433个，其中415个识别正确，18个识别错误，人工标记夹杂总面积为1563μm2，网络提取出的夹杂总面积为1526μm2，由以上数据知，人工识别和自动识别结果基本一致。
表2自动统计的非金属夹杂数据信息
样品大小 个数 总面积 面积分数 单个夹杂最大值
10mm*15mm 10101 41677μm2 0.027％ 75μm2
表3自动定量统计结果与人工统计的信息对比
本发明提供的非金属夹杂全视场定量统计分布表征方法与现有技术比具有以下有益效果：通过人工标记标准金属材料试样中的非金属夹杂，将外来污染物和划痕作为背景，能够有效减少外来污染物和划痕对定量结果造成的影响；通过建立目标检测模型，能够对待测金属材料中的非金属夹杂进行精确的、像素级的分割和提取，基于深度学习目标检测算法能够减少人为识别造成主观误差，提高检测精度；此外，经过迭代训练的目标检测模型能够快速得到非金属夹杂的二值图像，完成大批量图像的定量结果，提高检测效率。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种非金属夹杂全视场定量统计分布表征方法，其特征在于，包括以下步骤：
S1)将标准金属材料试样表面用砂纸打磨，然后利用抛光机抛成镜面，对磨抛后的标准金属材料试样利用配制的电解液进行表面电解侵蚀，使得非金属夹杂物充分暴露，通过金相显微镜或扫描电镜获取非金属夹杂物形貌，得到由非金属夹杂、划痕和外来干扰图像构成的图像数据库；
S2)基于图像数据库，随机选取几个图像，对非金属夹杂进行标记，得到含有非金属夹杂形状标记框的图像，建立非金属夹杂特征图谱；基于非金属夹杂特征图谱建立目标检测模型，具体包括：
采用人工标记的方法，选取分非金属夹杂特征图谱中20％-30％的视场，标记不同类别非金属夹杂的位置信息，将标记后的非金属夹杂特征图谱作为目标检测样本；基于深度学习目标检测算法，将目标检测样本输入到U-Net目标检测网络中，得到建立目标检测模型；其中，U-Net目标检测网络选自U-Net网络框架，网络框架包括9个block，block之间通过4个max-pooling层与4个transposed convolution连接；block内部包括卷积层、ReLu激活函数、Dropout层，分别起到从浅层特征中提取深层特征、处理非线性问题、避免过拟合现象的作用，其中训练过程中Loss函数使用交叉熵，反向传播过程中优化函数使用Adam；
S3)对待测金属材料进行打磨抛光以及电解侵蚀，通过Navigator-OPA高通量扫描电镜对经过处理的待测金属材料表面进行全视场非金属夹杂特征数据的自动采集；
S4)将步骤S3中获得的所有待测金属材料中的非金属夹杂特征数据输入到步骤S2建立的目标检测模型中，该模型首先对非金属夹杂进行识别，将划痕和外来干扰作为背景，然后对非金属夹杂进行精确到像素级别的分割和提取，得到标记了非金属夹杂的二值图像；
S5)对步骤S4中获得的二值图像进行非金属夹杂的统计分布分析，获取大范围全视场上的非金属夹杂的面积、数量、夹杂间距信息，将所有信息反映到全视场中，获得全视场上原位非金属夹杂的定量统计分布数据。
2.根据权利要求1所述的非金属夹杂全视场定量统计分布表征方法，其特征在于，所述基于深度学习目标检测算法，将目标检测样本输入到U-Net目标检测网络中，得到建立目标检测模型，具体包括：U-Net目标检测网络对输入的目标检测样本进行4000-40000次迭代训练，得到目标检测模型。
3.根据权利要求1所述的非金属夹杂全视场定量统计分布表征方法，其特征在于，所述步骤S2中，将所述目标检测样本分为测试样本和训练样本，以所述训练样本为基础建立目标检测模型，利用所述测试样本对目标检测模型进行测试校验。
4.根据权利要求1所述的非金属夹杂全视场定量统计分布表征方法，其特征在于，所述步骤S3中，所述对待测金属材料进行打磨抛光以及电解侵蚀，具体包括：将待测金属材料表面用砂纸打磨，然后利用抛光机抛成镜面，对磨抛后的标准金属材料试样利用配制的电解液进行表面电解侵蚀。
5.根据权利要求1所述的非金属夹杂全视场定量统计分布表征方法，其特征在于，所述步骤S4中，每个视场识别提取过程耗时0.102s，准确度达到99.2％。
CN202010575085.1A 2020-06-22 2020-06-22 一种非金属夹杂全视场定量统计分布表征方法 Active CN111860176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010575085.1A CN111860176B (zh) 2020-06-22 2020-06-22 一种非金属夹杂全视场定量统计分布表征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010575085.1A CN111860176B (zh) 2020-06-22 2020-06-22 一种非金属夹杂全视场定量统计分布表征方法

Publications (2)

Publication Number Publication Date
CN111860176A CN111860176A (zh) 2020-10-30
CN111860176B true CN111860176B (zh) 2024-02-02

Family

ID=72988002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010575085.1A Active CN111860176B (zh) 2020-06-22 2020-06-22 一种非金属夹杂全视场定量统计分布表征方法

Country Status (1)

Country Link
CN (1) CN111860176B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577981A (zh) * 2020-12-02 2021-03-30 南京钢铁股份有限公司 一种快速鉴别钢中大型外来夹杂物来源的方法
EP4191224A1 (en) * 2021-12-03 2023-06-07 Blueacre Technology Ltd Method and system for determining the structure of a conductive material
CN114324437B (zh) * 2021-12-29 2024-03-22 钢研纳克检测技术股份有限公司 一种钢中夹杂物原位统计分布的表征方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10274650A (ja) * 1997-03-28 1998-10-13 Nittetsu Hokkaido Seigyo Syst Kk 金属材料中の非金属介在物検査方法および装置
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
CN109583425A (zh) * 2018-12-21 2019-04-05 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法
CN110579473A (zh) * 2019-09-03 2019-12-17 钢研纳克检测技术股份有限公司 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
CN111257317A (zh) * 2020-02-19 2020-06-09 广东韶钢松山股份有限公司 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10274650A (ja) * 1997-03-28 1998-10-13 Nittetsu Hokkaido Seigyo Syst Kk 金属材料中の非金属介在物検査方法および装置
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
CN109583425A (zh) * 2018-12-21 2019-04-05 西安电子科技大学 一种基于深度学习的遥感图像船只集成识别方法
CN110579473A (zh) * 2019-09-03 2019-12-17 钢研纳克检测技术股份有限公司 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
CN111257317A (zh) * 2020-02-19 2020-06-09 广东韶钢松山股份有限公司 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于人工智能非金属夹杂物的检测与研究;傅向葵;傅一迪;;中国冶金(第11期) *

Also Published As

Publication number Publication date
CN111860176A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111860176B (zh) 一种非金属夹杂全视场定量统计分布表征方法
US11506650B2 (en) Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials
CN104718428B (zh) 图案的检查、测量装置及程序
CN114926463B (zh) 一种适用于芯片电路板的生产质量检测方法
CN110544231B (zh) 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法
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
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
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
CN111060442B (zh) 一种基于图像处理的油液颗粒检测方法
CN113822889B (zh) 一种热轧钢板表面缺陷检测方法
CN104880389A (zh) 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统
CN109815870B (zh) 细胞表型图像定量分析的高通量功能基因筛选方法及系统
CN114910480A (zh) 一种基于机器视觉的晶圆表面缺陷检测方法
CN112070788B (zh) 基于分块梯度分割的快速统计形变孪晶的图像处理方法
CN111402236A (zh) 一种基于图像灰度值的热轧带钢表面缺陷分级方法
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
CN115690670A (zh) 一种晶圆瑕疵智能识别方法和系统
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN111738131A (zh) 一种合金两相微结构参数特征提取方法
CN108182676B (zh) 一种精子碎片化率检测方法、装置、设备及可读存储介质
CN115841491B (zh) 一种多孔金属材料的质量检测方法
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN109615630A (zh) 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法
CN115345846A (zh) 一种中低碳钢晶粒度智能评级方法及系统

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
CB02 Change of applicant information

Address after: 100000 No. 76 South College Road, Beijing, Haidian District

Applicant after: General Iron and Steel Research Institute Co.,Ltd.

Address before: 100000 No. 76 South College Road, Beijing, Haidian District

Applicant before: CENTRAL IRON AND STEEL Research Institute

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant