CN112001446A - 高铬马氏体耐热钢组织老化等级的确定方法及装置 - Google Patents
高铬马氏体耐热钢组织老化等级的确定方法及装置 Download PDFInfo
- Publication number
- CN112001446A CN112001446A CN202010864816.4A CN202010864816A CN112001446A CN 112001446 A CN112001446 A CN 112001446A CN 202010864816 A CN202010864816 A CN 202010864816A CN 112001446 A CN112001446 A CN 112001446A
- Authority
- CN
- China
- Prior art keywords
- data set
- neural network
- training
- convolutional neural
- network model
- 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.)
- Pending
Links
- 229910000734 martensite Inorganic materials 0.000 title claims abstract description 71
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 70
- 229910052804 chromium Inorganic materials 0.000 title claims abstract description 70
- 239000011651 chromium Substances 0.000 title claims abstract description 70
- 239000010959 steel Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000032683 aging Effects 0.000 title claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 114
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 150
- 230000008569 process Effects 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 238000002203 pretreatment Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010200 validation analysis Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了高铬马氏体耐热钢的组织老化等级的确定方法及装置，其中，方法包括：获取待处理的高铬马氏体耐热钢组织的微观组织图像；对微观组织图像进行预处理，得到预处理后的微观组织图像；预处理至少包括：转换为单通道灰度图像；将预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到微观组织图像代表的高铬马氏体耐热钢组织的老化等级。由于训练完成的卷积神经网络确定高铬马氏体耐热钢组织的老化等级的过程，不依赖研究人员的专业水平，从而，避免确定的等级误差较大的问题。由于神经网络模型具有计算速度快的特点，因此，可以提高对高铬马氏体耐热钢组织的老化等级的确定速度，进而提高确定效率。
Description
技术领域
本申请涉及图像识别领域，尤其涉及高铬马氏体耐热钢组织老化等级的确定方法及装置。
背景技术
高铬马氏体耐热钢，例如，以P91和P92为代表的高铬马氏体耐热钢，因其优良的抗蠕变性能和低廉的造价被广泛应用于超(超)临界机组的主蒸汽管道、再热热段管道等关键承压部件。然而，在长时经受高温高压等极端服役条件的耦合作用下，承压部件会发生不同程度的材料组织老化及损伤，给机组安全运行带来极大隐患。因此，研究高铬马氏体耐热钢组织在服役过程中的老化与损伤具有重要的意义。
目前，对高铬马氏体耐热钢组织的老化与损伤等级的确定方法，主要是现场覆膜，或者，取样并实验室金相观察，然后通过专家进行分析判定得到。
由于人工确定等级的主观性较强，对研究人员专业技术水平和实践经验依赖性较大，从而导致确定的等级结果的误差较大；另外，由于人工观察和分析手段复用性低，导致等级的确定效率较低。
发明内容
本申请提供了高铬马氏体耐热钢组织老化等级的确定方法及装置，目的在于解决确定的等级结果的误差较大以及等级的确定效率较低的问题。
为了实现上述目的，本申请提供了以下技术方案：
本申请提供了一种高铬马氏体耐热钢的组织老化等级的确定方法，包括：
获取待处理的高铬马氏体耐热钢组织的微观组织图像；
对所述微观组织图像进行预处理，得到预处理后的微观组织图像；所述预处理至少包括：转换为单通道灰度图像；
将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。
可选的，所述获取待处理的高铬马氏体耐热钢组织的微观组织图像，包括：
获取所述待处理的高铬马氏体耐热钢组织的放大倍数；
将金相显微镜在所述放大倍数下得到的所述组织的图像，作为所述微观组织图像。
可选的，所述完成训练的卷积神经网络模型指：对预先构建的卷积神经网络模型进行训练得到的卷积神经网络模型；
对预先构建的卷积神经网络模型进行训练的过程，包括：
获取高铬马氏体耐热钢组织的原始数据集；所述原始数据集包括：多张微观组织图像以及每张微观组织图像对应的人工标注等级；
在所述原始数据集中的微观组织图像包含文字的情况下，剔除所述文字，得到初始数据集；
将所述初始数据集中的一部分数据作为初始训练数据集，另一部分数据作为初始验证数据集；
对所述初始训练数据集和所述初始验证数据集中的微观组织图像分别进行预处理，得到预处理后的训练数据集和预处理后的验证数据集；所述预处理至少包括：转换为单通道灰度图像；
采用预处理后的训练数据集，对预先构建的卷积神经网络模型进行迭代训练，得到每次训练得到的卷积神经网络模型的参数；
依据每次训练得到的卷积神经网络模型的参数，确定迭代训练过程中目标次训练得到的卷积神经网络模型，并作为所述预设卷积神经网络模型；所述目标次训练得到的卷积神经网络模型指：在所述预处理后的验证数据集上的等级确定准确率最高的卷积神经网络模型。
可选的，将所述初始训练数据集中的微观组织图像进行预处理，包括：
将所述初始训练数据集中的微观组织图像转换为单通道灰度图像，得到灰度转换后的训练数据集；
对所述灰度转换后的训练数据集中的每张微观组织图像，裁剪为预设大小的图像，得到裁剪后的训练数据集；
对所述裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，得到预处理后的训练数据集。
本申请还提供了一种高铬马氏体耐热钢的组织老化等级的确定装置，包括：
获取模块，用于获取待处理的高铬马氏体耐热钢组织的微观组织图像；
预处理模块，用于对所述微观组织图像进行预处理，得到预处理后的微观组织图像；所述预处理至少包括：转换为单通道灰度图像；
执行模块，用于将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。
可选的，所述获取模块，用于获取待处理的高铬马氏体耐热钢组织的微观组织图像，包括：
所述获取模块，具体用于获取所述待处理的高铬马氏体耐热钢组织的放大倍数；将金相显微镜在所述放大倍数下得到的所述组织的图像，作为所述微观组织图像。
可选的，所述完成训练的卷积神经网络模型指：对预先构建的卷积神经网络模型进行训练得到的卷积神经网络模型；所述装置还包括：
训练模块，用于对预先构建的卷积神经网络模型进行训练的过程，包括：
所述训练模块，具体用于获取高铬马氏体耐热钢组织的原始数据集；所述原始数据集包括：多张微观组织图像以及每张微观组织图像对应的人工标注等级；
在所述原始数据集中的微观组织图像包含文字的情况下，剔除所述文字，得到初始数据集；
将所述初始数据集中的一部分数据作为初始训练数据集，另一部分数据作为初始验证数据集；
对所述初始训练数据集和所述初始验证数据集中的微观组织图像分别进行预处理，得到预处理后的训练数据集和预处理后的验证数据集；所述预处理至少包括：转换为单通道灰度图像；
采用预处理后的训练数据集，对预先构建的卷积神经网络模型进行迭代训练，得到每次训练得到的卷积神经网络模型的参数；
依据每次训练得到的卷积神经网络模型的参数，确定迭代训练过程中目标次训练得到的卷积神经网络模型，并作为所述预设卷积神经网络模型；所述目标次训练得到的卷积神经网络模型指：在所述预处理后的验证数据集上的等级确定准确率最高的卷积神经网络模型。
可选的，所述训练模块，用于将所述初始训练数据集中的微观组织图像进行预处理，包括：
所述训练模块，具体用于将所述初始训练数据集中的微观组织图像转换为单通道灰度图像，得到灰度转换后的训练数据集；对所述灰度转换后的训练数据集中的每张微观组织图像，裁剪为预设大小的图像，得到裁剪后的训练数据集；对所述裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，得到预处理后的训练数据集。
本申请还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行上述任一所述的一种高铬马氏体耐热钢的组织老化等级的确定方法。
本申请还提供了一种设备，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一高铬马氏体耐热钢的组织老化等级的确定方法。
本申请所述的高铬马氏体耐热钢组织老化等级的确定方法及装置，获取待处理的高铬马氏体耐热钢组织的微观组织图像；对所述微观组织图像进行预处理，得到预处理后的微观组织图像；将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。即本申请通过微观组织图像，并采用完成训练的神经网络模型，确定高铬马氏体耐热钢组织的老化等级。
一方面，由于训练完成的卷积神经网络确定高铬马氏体耐热钢组织的老化等级的过程，不依赖研究人员的专业水平，从而，避免了现有技术由于依赖研究人员的专业水平导致的得到的等级误差较大的问题。另一方面，由于神经网络模型具有计算速度快的特点，因此，本申请可以提高对高铬马氏体耐热钢组织的老化等级的确定速度，进而提高确定效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种对预先构建的卷积神经网络模型的训练过程示意图；
图2为本申请实施例公开的卷积神经网络的结构示意图；
图3为本申请实施例公开的一种高铬马氏体耐热钢组织老化等级的确定方法的流程图；
图4为本申请实施例公开的一种微观组织图像的示意图；
图5为本申请实施例公开的一种高铬马氏体耐热钢组织老化等级的确定装置的结构图；
图6为本申请实施例公开的一种设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。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，都属于本申请保护的范围。
图1为本申请实施例提供的对预先构建的卷积神经网络模型的训练方法，可以包括以下步骤：
S101、获取高铬马氏体耐热钢组织的原始数据集。
在本步骤中，原始数据集包括：高铬马氏体耐热钢组织的微观组织图像以及每张微观组织图像的分级标注结果。其中，高铬马氏体耐热钢组织的微观组织图像的获取方式包括：金相显微镜在预设放大倍数下得到的预设高铬马氏体耐热钢组织的图像。其中，原始数据集中的全部微观组织图像的大小相同。
在实际中，预设放大倍数可以采用a表示，其中，a的可选取值为：50<a<1000。当然，在实际中，a还可以为其他取值，本实施例不对a的具体取值作限定。
S102、在原始数据集中的微观组织图像包含文字的情况下，剔除文字，得到初始数据集。
在实际中，原始数据集中某些微观组织图像上含有文字，在本步骤中，将含有文字的微观组织图像中的文字剔除。为了描述方便，将经过本步骤处理得到的数据集，称为初始数据集。
S103、将初始数据集中的一部分数据作为初始训练数据集，另一部分数据作为初始验证数据集。
S104、对初始训练数据集和初始验证数据集中的微观组织图像分别进行预处理，得到预处理后的训练数据集和预处理后的验证数据集。
在本实施例中，对初始训练数据集中微观组织图像进行的预处理包括：将初始训练数据集中的每张微观组织图像由三通道的灰度图像转换为单通道的灰度图像，得到灰度转换后的训练数据集。对灰度转换后的训练数据集中的每张微观组织图像，按照步长m裁剪为不同的n×n×1图像，其中m和n的取值可以包括：100<m<400，100<n<800，得到裁剪后的训练数据集。对裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，使得一张微观组织图像处理后，得到多张不同的对比度的微观组织图像和多张不同的饱和度微观组织图像，为了描述方便，将经过本步骤处理得到的训练数据集，称为预处理后的训练数据集。
在本实施例中，对初始验证数据集的预处理可以包括：将初始验证集中的每张微观组织图像由三通道灰度图像转换为单通道灰度图像，得到预处理后的验证数据集。
需要说明的是，上述S102～S104都是可选步骤。即在实际中，可以不执行S102～S104，在该情况下，S105中则采用原始数据集，对预先构建的卷积神经网络模型进行训练。
S105、采用预处理后的训练数据集，对预先构建的卷积神经网络模型进行训练。
在本实施例中，预先构建的卷积神经网络的构建方式，可以利用PyTorch高级深度学习框架进行构建。当然，在实际中，还可以通过其他方式构建，本实施例不对具体的构建方式作限定。
在本实施例中，预先构建的卷积神经网络模型架构如图2所示，网络包括：输入卷积层、残差模块、平均池化层和输出层。
图2所示的18层网络仅包含卷积层和全连接层，池化层，批量归一化层以及激活层在示意图中不显式画出。
其中，输入卷积层采用7×7卷积核，其他卷积层Conv均采用3×3卷积核。第1～5个卷积层(包含输入层卷积)均含有64个卷积核，第6～10个卷积层(含一个下采样卷积层，图中不标示)有128个卷积核，第11～15个卷积层(含一个下采样卷积层，图中不标示)含有256个卷积核，第16～20个卷积层(含一个下采样卷积层，图中不标示)。且每次卷积操作后，接批量归一化，再接Relu激活函数(图中不标示)。每两个卷积层，与后接的批量归一化层，激活层，形成一个残差模块(网络后部的部分残差模块还包含一个下采样卷积层)，残差模块的输出与输入相加，成为残差连接，在图中以从输入直接连接到输出的弧线表示残差连接。
全连接层，输入神经元个数为512，输出神经元的数量为预设等级总数量，例如，事先设定分为5个等级，则输出神经元的数量为5。
在本实施例中，为了提高对构建的卷积神经网络模型的训练速度，可以采用预训练的卷积神经网络模型的参数，初始化本申请构建的卷积神经网络模型的参数。其中，预训练的卷积神经网络模型与本申请构建的卷积神经网络模型除输出层不同外，其他的架构相同。并且，预训练的卷积神经网络模型是已经在其他场景完成训练的卷积神经网络模型。
当然，在实际中，也可以采用随机方式初始化本申请构建的卷积神经网络模型的参数，本实施例不对本申请构建的卷积神经网络模型的参数的初始化方式作限定。
可选的，为了提高训练完成的卷积神经网络模型的等级确定准确率，在本步骤中，可以将预处理后的训练数据集中的微观组织图像的顺序打乱，并通过打乱微观组织图像顺序的训练数据集，对卷积神经网络模型进行迭代训练。其中，最大迭代次数的取值可以为500，当然，在实际中，最大迭代次数还可以为其他取值，本实施例不对最大迭代次数的取值作限定。
其中，每次训练过程中，由于输入卷积神经网络模型中的图像都被全部计算一篇，如果一次训练过程中，输入卷积神经网络模型的图像数量太大，计算机的计算量就太大。因此，在本实施例中，对于每次训练，将微观组织图像顺序打乱后的训练数据集中的一批图像，作为卷积神经网络模型的输入图像。其中，一批图像的数量可以为16、32或64，其中，每张微观组织图像的大小可以为448×448×1。
具体的，对于每次训练过程，都可以采用随机梯度下降法对卷积神经网络模型进行训练。其中，一次训练过程可以包括：输入卷积神经网络模型的一批图像，经过卷积神经网络模型的计算，输出向量。其中，输出向量包括一批图像中每张微观组织图像分别对应的分级结果。依据预处理后的训练数据集中当前输入批次的微观组织图像的等级标注结果，构建期望向量。以交叉熵为损失函数(交叉熵可以不添加正则项)，计算输出向量与期望向量间的损失函数值，并通过反向传播算法，更新卷积神经网络模型的参数，得到本次训练得到的卷积神经网络模型的参数，并对本次训练得到的卷积神经网络模型的参数进行保存。
在训练迭代次数未达到预设的最大迭代次数的情况，继续对卷积神经网络模型进行训练，直至训练的迭代次数达到最大次数，训练过程结束。
在本实施例中，依据迭代训练过程中每次训练得到的卷积神经网络模型的参数，确定目标次训练得到的卷积神经网络模型为完成训练的卷积神经网络模型。其中，目标次训练得到的卷积神经网络模型为在验证数据集上确定等级的准确率最高的卷积神经网络模型。
精确率与召回率是衡量分类任务的一般指标，精确率代表模型输出中，正确结果的占比，衡量模型的正确性；召回率代表所有数据中，正确输出的占比，代表模型是否能覆盖所有正确样例，衡量模型的查全性。
在本实施例中，对完成训练的卷积神经网络(Best_Model)，在验证数据集中各等级的微观组织图像的等级确定的精确率和召回率，进行了统计。同时由人类专家对模型的错误输出进行复核，如果人类专家认为模型的某一个错误输出是合理的，则错误结果数-1，正确结果数+1。在专家复核后再次计算准确率与召回率(即复核准确率和复核召回率)。统计结果如表1所示。
表1不同等级的马氏体微观组织图像在Best_Model下的等级确定准确率与召回率
从表1中可以看到，专家复核结果表示：每个老化等级中，模型错误输出的结果经专家复核，都是合理的。因此，表1中复核准确率的取值为1，召回率的取值为1。其中，复核准确率的取值为1代表模型当前输出的准确率为100％，也就是说模型当前输出的结果全部正确。召回率的取值为1代表召回率为100％，即模型对所有现有数据的判定结果全部正确，没有遗漏。
因此，表1反映出了所有微观组织图像老化等级的确定精确率和召回率均达到100％。
需要说明的是，在本实施例中，如果直接采用原始数据集，对构建的卷积神经网络模型进行训练，则可以直接将达到最大迭代次数的卷积神经网络模型，作为完成训练的卷积神经网络。
本实施例的有益效果包括：
在本实施例中，对原始数据集中的微观组织图像进行预处理，其中，预处理可以包括：对灰度转换后的训练数据集中的每张微观组织图像，按照步长m裁剪为不同的n×n×1图像，得到裁剪后的训练数据集，使得裁剪后的训练数据集包含的图像数量增多，从而，可以提高训练完成的卷积神经网络模型确定等级的准确性。
此外，在本实施例中，对裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，使得一张微观组织图像处理后，得到多张不同的对比度的微观组织图像和多张不同的饱和度微观组织图像，得到预处理后的训练数据集，使得预处理后的训练数据集中，使得采用预处理后的训练数据集对构建的卷积神经网络模型进行训练，增加了卷积神经网络模型的学习难度，从而，可以提高完成训练的卷积神经网络模型在测试过程确定等级的准确性。
图3为本申请实施例提供的一种高铬马氏体耐热钢组织老化等级的确定方法，可以包括以下步骤：
S301、获取待处理的高铬马氏体耐热钢组织的微观组织图像。
在本步骤中，待处理的高铬马氏体耐热钢组织指待确定等级的高铬马氏体耐热钢组织。
可选的，在本步骤中，微观组织图像的获取方式可以包括：获取待处理的高铬马氏体耐热钢组织的放大倍数；将金相显微镜在所述放大倍数下得到的所述组织的图像，作为所述微观组织图像。
如图4所示，直观展示本申请实施例提供的微观组织图像的示意图。
本步骤的具体实现方式为现有技术，这里不再赘述。
S302、对获取的微观组织图像进行预处理。
在本步骤中，预处理可以包括：在微观组织图像中包括文字的情况下，剔除文字。并将删除文字后得到的微观组织图像转换为单通道灰度图像。
在本实施例中，剔除文字是可选的操作，在实际中，与可以不剔除文字。
S302、将微观组织图像输入完成训练的卷积神经网络模型，得到微观组织图像代表的高铬马氏体耐热钢组织的老化等级。
在本实施例中，完成训练的卷积神经网络可以为图1对应的实施例训练得到的卷积神经网络。
图5为本申请实施例提供的一种高铬马氏体耐热钢组织老化等级的确定装置，可以包括：获取模块501、预处理模块502和执行模块503；其中，
获取模块501，用于获取待处理的高铬马氏体耐热钢组织的微观组织图像。
预处理模块502，用于对所述微观组织图像进行预处理，得到预处理后的微观组织图像；所述预处理至少包括：转换为单通道灰度图像。
执行模块503，用于将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。
可选的，所述获取模块501，用于获取待处理的高铬马氏体耐热钢组织的微观组织图像，包括：
所述获取模块501，具体用于获取所述待处理的高铬马氏体耐热钢组织的放大倍数；将金相显微镜在所述放大倍数下得到的所述组织的图像，作为所述微观组织图像。
可选的，所述完成训练的卷积神经网络模型指：对预先构建的卷积神经网络模型进行训练得到的卷积神经网络模型；所述装置还包括：
训练模块，用于对预先构建的卷积神经网络模型进行训练的过程，包括：
所述训练模块，具体用于获取高铬马氏体耐热钢组织的原始数据集；所述原始数据集包括：多张微观组织图像以及每张微观组织图像对应的人工标注等级；
在所述原始数据集中的微观组织图像包含文字的情况下，剔除所述文字，得到初始数据集；
将所述初始数据集中的一部分数据作为初始训练数据集，另一部分数据作为初始验证数据集；
对所述初始训练数据集和所述初始验证数据集中的微观组织图像分别进行预处理，得到预处理后的训练数据集和预处理后的验证数据集；所述预处理至少包括：转换为单通道灰度图像；
采用预处理后的训练数据集，对预先构建的卷积神经网络模型进行迭代训练，得到每次训练得到的卷积神经网络模型的参数；
依据每次训练得到的卷积神经网络模型的参数，确定迭代训练过程中目标次训练得到的卷积神经网络模型，并作为所述预设卷积神经网络模型；所述目标次训练得到的卷积神经网络模型指：在所述预处理后的验证数据集上的等级确定准确率最高的卷积神经网络模型。
可选的，所述训练模块，用于将所述初始训练数据集中的微观组织图像进行预处理，包括：
所述训练模块，具体用于将所述初始训练数据集中的微观组织图像转换为单通道灰度图像，得到灰度转换后的训练数据集；对所述灰度转换后的训练数据集中的每张微观组织图像，裁剪为预设大小的图像，得到裁剪后的训练数据集；对所述裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，得到预处理后的训练数据集。
高铬马氏体耐热钢的组织老化等级的确定装置包括处理器和存储器，上述获取模块501、预处理模块502和执行模块503等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高确定效率。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述高铬马氏体耐热钢的组织老化等级的确定方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述高铬马氏体耐热钢的组织老化等级的确定方法。
本发明实施例提供了一种设备，如图6所示，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的高铬马氏体耐热钢的组织老化等级的确定方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取待处理的高铬马氏体耐热钢组织的微观组织图像；
对所述微观组织图像进行预处理，得到预处理后的微观组织图像；所述预处理至少包括：转换为单通道灰度图像；
将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算设备可读取存储介质中。基于这样的理解，本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书的各个实施例中记载的特征可以相互替换或者组合，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种高铬马氏体耐热钢的组织老化等级的确定方法，其特征在于，包括：
获取待处理的高铬马氏体耐热钢组织的微观组织图像；
对所述微观组织图像进行预处理，得到预处理后的微观组织图像；所述预处理至少包括：转换为单通道灰度图像；
将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理的高铬马氏体耐热钢组织的微观组织图像，包括：
获取所述待处理的高铬马氏体耐热钢组织的放大倍数；
将金相显微镜在所述放大倍数下得到的所述组织的图像，作为所述微观组织图像。
3.根据权利要求1所述的方法，其特征在于，所述完成训练的卷积神经网络模型指：对预先构建的卷积神经网络模型进行训练得到的卷积神经网络模型；
对预先构建的卷积神经网络模型进行训练的过程，包括：
获取高铬马氏体耐热钢组织的原始数据集；所述原始数据集包括：多张微观组织图像以及每张微观组织图像对应的人工标注等级；
在所述原始数据集中的微观组织图像包含文字的情况下，剔除所述文字，得到初始数据集；
将所述初始数据集中的一部分数据作为初始训练数据集，另一部分数据作为初始验证数据集；
对所述初始训练数据集和所述初始验证数据集中的微观组织图像分别进行预处理，得到预处理后的训练数据集和预处理后的验证数据集；所述预处理至少包括：转换为单通道灰度图像；
采用预处理后的训练数据集，对预先构建的卷积神经网络模型进行迭代训练，得到每次训练得到的卷积神经网络模型的参数；
依据每次训练得到的卷积神经网络模型的参数，确定迭代训练过程中目标次训练得到的卷积神经网络模型，并作为所述预设卷积神经网络模型；所述目标次训练得到的卷积神经网络模型指：在所述预处理后的验证数据集上的等级确定准确率最高的卷积神经网络模型。
4.根据权利要求3所述的方法，其特征在于，将所述初始训练数据集中的微观组织图像进行预处理，包括：
将所述初始训练数据集中的微观组织图像转换为单通道灰度图像，得到灰度转换后的训练数据集；
对所述灰度转换后的训练数据集中的每张微观组织图像，裁剪为预设大小的图像，得到裁剪后的训练数据集；
对所述裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，得到预处理后的训练数据集。
5.一种高铬马氏体耐热钢的组织老化等级的确定装置，其特征在于，包括：
获取模块，用于获取待处理的高铬马氏体耐热钢组织的微观组织图像；
预处理模块，用于对所述微观组织图像进行预处理，得到预处理后的微观组织图像；所述预处理至少包括：转换为单通道灰度图像；
执行模块，用于将所述预处理后的微观组织图像输入完成训练的卷积神经网络模型，得到所述微观组织图像代表的高铬马氏体耐热钢组织的老化等级。
6.根据权利要求5所述的装置，其特征在于，所述获取模块，用于获取待处理的高铬马氏体耐热钢组织的微观组织图像，包括：
所述获取模块，具体用于获取所述待处理的高铬马氏体耐热钢组织的放大倍数；将金相显微镜在所述放大倍数下得到的所述组织的图像，作为所述微观组织图像。
7.根据权利要求5所述的装置，其特征在于，所述完成训练的卷积神经网络模型指：对预先构建的卷积神经网络模型进行训练得到的卷积神经网络模型；所述装置还包括：
训练模块，用于对预先构建的卷积神经网络模型进行训练的过程，包括：
所述训练模块，具体用于获取高铬马氏体耐热钢组织的原始数据集；所述原始数据集包括：多张微观组织图像以及每张微观组织图像对应的人工标注等级；
在所述原始数据集中的微观组织图像包含文字的情况下，剔除所述文字，得到初始数据集；
将所述初始数据集中的一部分数据作为初始训练数据集，另一部分数据作为初始验证数据集；
对所述初始训练数据集和所述初始验证数据集中的微观组织图像分别进行预处理，得到预处理后的训练数据集和预处理后的验证数据集；所述预处理至少包括：转换为单通道灰度图像；
采用预处理后的训练数据集，对预先构建的卷积神经网络模型进行迭代训练，得到每次训练得到的卷积神经网络模型的参数；
依据每次训练得到的卷积神经网络模型的参数，确定迭代训练过程中目标次训练得到的卷积神经网络模型，并作为所述预设卷积神经网络模型；所述目标次训练得到的卷积神经网络模型指：在所述预处理后的验证数据集上的等级确定准确率最高的卷积神经网络模型。
8.根据权利要求7所述的装置，其特征在于，所述训练模块，用于将所述初始训练数据集中的微观组织图像进行预处理，包括：
所述训练模块，具体用于将所述初始训练数据集中的微观组织图像转换为单通道灰度图像，得到灰度转换后的训练数据集；对所述灰度转换后的训练数据集中的每张微观组织图像，裁剪为预设大小的图像，得到裁剪后的训练数据集；对所述裁剪后的训练数据集中的每张微观组织图像进行对比度和饱和度处理，得到预处理后的训练数据集。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1～4任意一项权利要求所述的一种高铬马氏体耐热钢的组织老化等级的确定方法。
10.一种设备，其特征在于，所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1～4中任一项权利要求所述的一种高铬马氏体耐热钢的组织老化等级的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010864816.4A CN112001446A (zh) | 2020-08-25 | 2020-08-25 | 高铬马氏体耐热钢组织老化等级的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010864816.4A CN112001446A (zh) | 2020-08-25 | 2020-08-25 | 高铬马氏体耐热钢组织老化等级的确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001446A true CN112001446A (zh) | 2020-11-27 |
Family
ID=73470368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010864816.4A Pending CN112001446A (zh) | 2020-08-25 | 2020-08-25 | 高铬马氏体耐热钢组织老化等级的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001446A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837269A (zh) * | 2021-09-23 | 2021-12-24 | 中国特种设备检测研究院 | 基于双线性卷积神经网络的金相组织识别方法 |
| CN114324361A (zh) * | 2021-12-31 | 2022-04-12 | 大连理工大学 | 一种金相组织劣化评级方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102692425A (zh) * | 2012-06-28 | 2012-09-26 | 武汉大学 | 基于析出相面积分数的t/p91钢老化评级方法 |
| CN107843706A (zh) * | 2016-09-20 | 2018-03-27 | 中国科学院金属研究所 | 基于布氏硬度组织和析出相特征综合的火电发电厂用t/p92耐热钢老化评级方法 |
| CN107976432A (zh) * | 2017-10-16 | 2018-05-01 | 华南理工大学 | 一种基于支持向量机的耐热钢老化等级测量方法 |
| CN108647718A (zh) * | 2018-05-10 | 2018-10-12 | 江苏大学 | 一种不同材料金相组织自动分类评级的方法 |
| CN109086547A (zh) * | 2018-08-23 | 2018-12-25 | 华南理工大学 | 一种金属老化等级测量方法 |
| WO2019085793A1 (zh) * | 2017-11-01 | 2019-05-09 | 腾讯科技（深圳）有限公司 | 图像分类方法、计算机设备及计算机可读存储介质 |
| CN109900699A (zh) * | 2019-03-27 | 2019-06-18 | 国网湖南省电力有限公司 | 基于复合绝缘子粉化分级的老化程度确定方法 |
| 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
- 2020-08-25 CN CN202010864816.4A patent/CN112001446A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102692425A (zh) * | 2012-06-28 | 2012-09-26 | 武汉大学 | 基于析出相面积分数的t/p91钢老化评级方法 |
| CN107843706A (zh) * | 2016-09-20 | 2018-03-27 | 中国科学院金属研究所 | 基于布氏硬度组织和析出相特征综合的火电发电厂用t/p92耐热钢老化评级方法 |
| CN107976432A (zh) * | 2017-10-16 | 2018-05-01 | 华南理工大学 | 一种基于支持向量机的耐热钢老化等级测量方法 |
| WO2019085793A1 (zh) * | 2017-11-01 | 2019-05-09 | 腾讯科技（深圳）有限公司 | 图像分类方法、计算机设备及计算机可读存储介质 |
| CN108647718A (zh) * | 2018-05-10 | 2018-10-12 | 江苏大学 | 一种不同材料金相组织自动分类评级的方法 |
| CN109086547A (zh) * | 2018-08-23 | 2018-12-25 | 华南理工大学 | 一种金属老化等级测量方法 |
| CN109900699A (zh) * | 2019-03-27 | 2019-06-18 | 国网湖南省电力有限公司 | 基于复合绝缘子粉化分级的老化程度确定方法 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837269A (zh) * | 2021-09-23 | 2021-12-24 | 中国特种设备检测研究院 | 基于双线性卷积神经网络的金相组织识别方法 |
| CN114324361A (zh) * | 2021-12-31 | 2022-04-12 | 大连理工大学 | 一种金相组织劣化评级方法及装置 |
| CN114324361B (zh) * | 2021-12-31 | 2024-03-15 | 大连理工大学 | 一种金相组织劣化评级方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110457432B (zh) | 面试评分方法、装置、设备及存储介质 | |
| CN108171358B (zh) | 成绩预测方法及装置、存储介质、电子设备 | |
| CN109635939B (zh) | 一种基于裁剪的卷积神经网络的确定方法及装置 | |
| CN109658921B (zh) | 一种语音信号处理方法、设备及计算机可读存储介质 | |
| CN112001446A (zh) | 高铬马氏体耐热钢组织老化等级的确定方法及装置 | |
| CN112365885B (zh) | 唤醒模型的训练方法、装置和计算机设备 | |
| CN110413775A (zh) | 一种数据打标签分类方法、装置、终端及存储介质 | |
| KR102314572B1 (ko) | 인공지능 기반의 언어 능력 평가 방법 및 시스템 | |
| CN111091278A (zh) | 机械设备异常检测的边缘检测模型构建方法及装置 | |
| Golovko et al. | A new technique for restricted Boltzmann machine learning | |
| CN117077579B (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
| CN117708656B (zh) | 一种面向单源域的滚动轴承跨域故障诊断方法 | |
| CN113723535A (zh) | 基于CycleGAN深度学习的细胞微核组学图像处理方法及存储介质 | |
| CN110321430A (zh) | 域名识别和域名识别模型生成方法、装置及存储介质 | |
| CN114898775B (zh) | 一种基于跨层交叉融合的语音情绪识别方法及系统 | |
| CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
| CN116858785A (zh) | 土壤镍浓度反演方法、装置、存储介质和计算机设备 | |
| CN111680132A (zh) | 一种用于互联网文本信息的噪声过滤和自动分类方法 | |
| CN117969094A (zh) | 一种滚动轴承故障诊断方法、装置及系统 | |
| CN117951308A (zh) | 一种零样本知识图谱补全方法及装置 | |
| CN116955624A (zh) | 文本的识别方法、装置、处理器以及电子设备 | |
| CN110109904B (zh) | 一种面向环保大数据的水质软测量方法 | |
| CN116595541A (zh) | 基于Transformer的源代码漏洞检测方法、装置、计算机设备及介质 | |
| CN111241843A (zh) | 基于复合神经网络的语义关系推断系统和方法 | |
| CN108446890A (zh) | 一种审批模型训练方法、计算机可读存储介质及终端设备 |
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 |