CN112395932B - 一种金属材料中显微组织全视场定量统计分布表征方法 - Google Patents

一种金属材料中显微组织全视场定量统计分布表征方法 Download PDF

Info

Publication number
CN112395932B
CN112395932B CN202010575070.5A CN202010575070A CN112395932B CN 112395932 B CN112395932 B CN 112395932B CN 202010575070 A CN202010575070 A CN 202010575070A CN 112395932 B CN112395932 B CN 112395932B
Authority
CN
China
Prior art keywords
pearlite
bainite
full
metal material
field
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
CN202010575070.5A
Other languages
English (en)
Other versions
CN112395932A (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 CN202010575070.5A priority Critical patent/CN112395932B/zh
Publication of CN112395932A publication Critical patent/CN112395932A/zh
Application granted granted Critical
Publication of CN112395932B publication Critical patent/CN112395932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G01N2223/09—Investigating materials by wave or particle radiation secondary emission exo-electron emission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/10—Different kinds of radiation or particles
    • G01N2223/102—Different kinds of radiation or particles beta or electrons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/605—Specific applications or type of materials phases
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Immunology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)

Abstract

本发明公开了一种金属材料中显微组织全视场定量统计分布表征方法，该方法包括：步骤a：建立标准特征图像数据集，包括铁素体、珠光体和贝氏体组织的图像；步骤b，建立基于深度学习的特征识别提取模型；步骤c，待测金属材料中的显微组织特征图谱的全视场自动采集；步骤d，珠光体、贝氏体的分类识别和分割提取；步骤e，大范围全视场显微组织的原位定量统计分布表征。本发明提供的金属材料中显微组织全视场定量统计分布表征方法，基于深度学习理论，对金属材料显微组织进行全视场自动识别、定位、提取和统计表征，消除人工选择视场带来的主观性误差，解决人工识别、测量、统计显微组织带来的效率低的问题，具有全面、准确、自动、高效的特点。

Description

一种金属材料中显微组织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显微组织检测识别技术领域，特别是涉及一种金属材料中显微组织全视场定量统计分布表征方法。
背景技术
对金属材料而言，材料的性能很大程度上取决于微观结构中各相的分布、形状、大小和比例，因此正确识别并表征这些显微组织是至关重要的。目前常采用的评价和定量方法有以下两种：一是按照国家标准GB/T13299—91中制定的钢的显微组织评定方法，即统计单一视场中的组织特征与标准图谱特征比较，确定系列和级别，该方法首先需要人工判断视场内的显微组织类型，且统计视场单一，检验全视场、大尺寸范围显微组织的分布状态需耗时耗力，存在效率低的问题，不能评价整个面夹杂尺寸分布情况，也不能反映整个分布的差异，无法快速实现材料表面显微组织的统计定量分布；第二种方法是定量显微组织，目前定量多采用金相、Image-Pro Plus等常用的软件自动识别、定量分析，一方面软件对图像质量的要求较高，另一方面整个定量过程仍需辅以人工操作，因此该方法也存在一定局限性。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。
随着科技的发展，图像识别技术的智能化水平不断提升，其中深度学习具有强大的自适应、自学习以及并行处理能力。把深度学习的方法应用到材料显微组织表征中，使机器自动学习数据中的特征，避免了人工选择和人工判断的失误，达到快速判断与精确定量微观组织的目的。Navigator-OPA高通量扫描电镜具有高效、快速的特点，可以在短时间内获取大尺寸全视场扫描图像，提供了一种有效的方式获取数据集，解决了深度学习的数据来源问题。本发明主要利用上述介绍的高通量扫描电镜结合深度学习的方法，对材料中的显微组织进行分类识别、分割提取及定量统计表征。
发明内容
本发明的目的是提供一种金属材料中显微组织全视场定量统计分布表征方法，基于深度学习理论，对金属材料显微组织进行全视场自动识别、定位、提取和统计表征，消除人工选择视场带来的主观性误差，解决人工识别、测量、统计显微组织带来的效率低的问题，具有全面、准确、自动、高效的特点。
为实现上述目的，本发明提供了如下方案：
一种金属材料中显微组织全视场定量统计分布表征方法，该方法包括以下步骤：
a)建立标准特征图谱数据集：
获取整个标准金属材料试样表面的包括显微组织的图像，所述显微组织包括铁素体、珠光体和贝氏体组织；
b)建立基于深度学习的特征识别提取模型：
随机选取标准特征图像数据集中的图像，将珠光体、贝氏体为目标对数据集中的图像进行标记，得到含有珠光体、贝氏体形状标记框的图像，将标记后的特征图谱数据集生成目标检测样本库；建立深度学习U-Net目标检测网络，用获得的目标检测样本库训练网络得到目标检测模型；
c)待测金属材料中的显微组织特征图谱的全视场自动采集：
通过Navigator-OPA高通量扫描电镜对腐蚀后的待测金属材料表面进行全视场显微组织特征图谱自动采集；
d)珠光体、贝氏体的分类识别和分割提取：
将步骤c中获得的所有待测金属材料中的显微组织特征图谱输入到步骤b建立的U-Net目标检测网络，该网络对粘连的珠光体、贝氏体组织进行像素级的分割提取，同时分类识别出粘连在一起的珠光体、贝氏体组织；经过分割提取和分类识别，得到标记了珠光体和贝氏体组织的二值图像；
e)大范围全视场显微组织的原位定量统计分布表征：
通过连通区域算法处理步骤d中获得的二值图像，得到一个完整数据集，数据集中包含每个特征珠光体、贝氏体的尺寸、面积、位置信息，选择适当的面积作为统计单元，对数据集进行统计分布表征，获得全视场上珠光体和贝氏体的统计分布情况。
可选的，所述步骤a中，所述建立标准特征图谱数据集还包括：标准金属材料的制样方法：
打磨并抛光标准金属材料试样表面，采用机械抛光，抛光试剂采用金刚石研磨膏；对抛光后的标准金属材料试样表面进行化学腐蚀，使其表面显示清晰、完整的铁素体、珠光体和贝氏体组织；采用Navigator-OPA高通量全自动扫描电镜，获取整个试样表面的包括铁素体、珠光体和贝氏体组织的特征图谱，建立标准特征图谱数据集。
可选的，所述化学腐蚀采用的溶液为4％硝酸酒精溶液，浸蚀时间为10s-30s。
可选的，所述步骤b中，所述U-Net目标检测网络采用U-Net网络框架，其结构左侧为下采样层，由卷积层和池化层交替组合，激活函数使用ReLu，通过对输入的图像进行路径收缩，从而捕捉全局内容，右侧为上采样层，由卷积层和反卷积层交替组合，训练过程中对下采样的特征图进行路径扩张，从而精确定位图像的每个像素。
可选的，所述步骤b中，还包括对标准特征图谱数据集中含有珠光体、贝氏体的图像进行预处理，具体为翻转、平移、裁剪和缩放。
可选的，所述步骤b中，所述目标检测样本库分为训练集和测试集，其中训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。
可选的，所述步骤c中，采用标准金属材料的制样方法中相同的处理手段对待测金属材料进行处理。
可选的，所述步骤d中，二值图像的像素为1024*1024。
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：本发明提供的金属材料中显微组织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：
第一，现行的方法主要依靠人工或者通过人工与机器结合的方式完成，由于人工操作，统计误差比较大，现行的图像识别软件，分割多采用传统的算法，不能有效分类分割显微组织复杂多样、黏连的形态，从而影响整体的统计精度；本发明基于高通量扫描电镜，结合深度学习的图像分割提取算法与数学统计算法，建立的目标检测模型能有效实现对复杂显微组织的分类识别与分割提取，避免人工参与和判断，使定量结果准确度更高。
第二，现行的显微组织定量方法主要依靠人工，或者通过人工与机器结合的方式完成，工作量大、效率低下；本发明基于深度学习的图像分割提取算法结合数学统计算法，能够在短时间内用训练好的目标检测模型，完成大批量图像的定量结果，实现了全视场内珠光体、贝氏体组织的自动快速分类识别和分割提取，极大提高了检测效率；
第三，现行的金相图像法主要是对单一视场进行图像分析，观察的视场面积和显微组织数量有限，本发明通过大范围全视场全自动采集，获得的材料较大区域内的特征图谱，本发明由于是全视场图像进行显微组织统计分析，极大地消除了单一视场观察出现的统计不完整的现象，因此，本发明具有统计的视场大、效率高、信息全的优点，统计的数据更为准确可靠。
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为本发明金属材料中显微组织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显微组织特征图谱中的一幅；
图3为图2对应的人工标记图像；
图4为人工标记后的图像经过数据增广得到的图像
图5为本发明实施例的特征识别提取网络U-Net；
图6为本发明实施例的待检测图像；
图7(a)为图6对应的待测图像被识别和提取出珠光体特征图谱；
图7(b)为图6对应的待测图像被识别和提取出贝氏体特征图谱；
图8(a)为本发明实施例的全视场上所有珠光体面分布图；
图8(b)为本发明实施例的全视场上所有贝氏体面分布图；
图9为本发明实施例的全视场上所有贝氏体三维面分布图。
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金属材料中显微组织全视场定量统计分布表征方法，基于深度学习理论，对金属材料显微组织进行全视场自动识别、定位、提取和统计表征，消除人工选择视场带来的主观性误差，解决人工识别、测量、统计显微组织带来的效率低的问题，具有全面、准确、自动、高效的特点。
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，本发明提供的金属材料中显微组织全视场定量统计分布表征方法，包括以下步骤：
a)建立标准特征图谱数据集：
获取整个标准金属材料试样表面的包括显微组织的图像，所述显微组织包括铁素体、珠光体和贝氏体组织；还包括：标准金属材料的制样方法：
打磨并抛光标准金属材料试样表面，采用机械抛光，抛光试剂采用金刚石研磨膏；对抛光后的标准金属材料试样表面进行化学腐蚀，使其表面显示清晰、完整的铁素体、珠光体和贝氏体组织；采用Navigator-OPA高通量全自动扫描电镜，获取整个试样表面的包括铁素体、珠光体和贝氏体组织的特征图谱，建立标准特征图谱数据集；
b)建立基于深度学习的特征识别提取模型：
随机选取标准特征图谱数据集中的图像，将珠光体、贝氏体作为目标对数据集中的图像进行标记，得到含有珠光体、贝氏体形状标记框的图像，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；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，训练次数为4000～40000次；所述目标检测样本库分为训练集和测试集，其中训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度；建立的U-Net目标检测网络,具有所需训练集少，分割精度高的特点；其结构类似u型，由收缩和扩张两部分路径组成，左侧为下采样层，由卷积层和池化层交替组合，激活函数使用ReLu，通过输入的图像进行路径收缩，从而捕捉全局内容，右侧为上采样层，由卷积层和反卷积层交替组合，训练过程中对下采样的特征图进行路径扩张，从而精确定位图像的每个像素，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；
c)待测金属材料中的显微组织特征图谱的全视场自动采集：
采用与步骤a相同的制样方式，对待处理的金属材料样品制样，然后通过Navigator-OPA高通量扫描电镜对抛光完成的金属材料表面进行全视场显微组织特征图谱自动采集；
d)珠光体、贝氏体的分类识别和分割提取：
将步骤c中获得的所有待测金属材料中的显微组织特征图谱输入到步骤b建立的U-Net目标检测网络，该网络对粘连的珠光体、贝氏体组织进行像素级的分割提取，同时分类识别出粘连在一起的珠光体、贝氏体组织；经过分割提取和分类识别，得到标记了珠光体和贝氏体组织的二值图像；每个视场识别提取过程耗时0.15s，准确度达到90％以上；
e)大范围全视场显微组织的原位定量统计分布表征：
通过连通区域算法处理步骤d中获得的二值图像，得到一个完整数据集，数据集中包含每个特征珠光体、贝氏体的尺寸、面积、位置信息，选择适当的面积作为统计单元，对数据集进行统计分布表征，获得全视场上珠光体和贝氏体的统计分布情况。
其中，所述步骤a中，所述化学腐蚀采用的溶液为4％硝酸酒精溶液，浸蚀时间为10s-30s。
其中，所述步骤b中，还包括对标准特征图谱数据集中含有珠光体、贝氏体的图像进行预处理，具体为翻转、平移、裁剪和缩放。
所述步骤d中，二值图像的像素为1024*1024。
本实施例为高铁转向架用耐候钢，成分如表1所示。转向架作为连接车体和轨道的部分,在列车运行的过程中，起称重、牵引、导向和制动的作用，受到各种复杂载荷的作用力。目前高铁转向架用耐候钢材料依然依赖进口，与进口材料相比，国产耐候钢整体稳定性低、耐久性差，根本原因在于，国产材料内部微观尺度上成分、组织结构控制精度低、波动大。因此精细表征耐候钢的显微组织，对研究耐候钢稳定性和耐久性有重要意义。
表1耐候钢的化学成分
C Si Mn S P Cu Cr 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
从步骤a得到的数据中随机选取540张3072*3072像素图像，制作标准目标检测样本库，其中一张原图如图2所示，然后通过labelme进行人工标记，将珠光体、贝氏体作为目标，将铁素体作为背景，对随机选取540张图像进行标记，图2对应的标记结果如图3所示，得到了含有显微组织形状标记框的图像，标记信息包括目标的类别和位置信息；为了增加数据量以降低训练过程中可能出现的过拟合现象，本实验又标记后的图像进行了预处理，通过翻转、平移、旋转等进行了数据增广，对应增广后的结果如图4，将预处理后的特征图谱数据集生成目标检测样本库。
如图5所示，建立基于深度学习的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，训练次数为4000-40000次。上述U-Net网络的核心为卷积层和池化层；卷积层融合激活函数所具有的非线性特征，具有从浅层特征中抽象出更为复杂的深层特征；池化层可以减低维度，减少网络计算量，避免过拟合现象。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。
待测耐候钢轧板截面的尺寸为7mm*10mm，采用与步骤a相同的制样方式，用Navigator-OPA高通量扫描电镜对腐蚀后的样品进行全视场显微组织特征图谱自动采集，采集得到1025张8192*8192像素的图像，其中X方向视场个数为25，Y方向视场个数为41。
将步骤c中获得的1025张待检测图像裁剪成65600张1024*1024像素小视场图像。将裁剪后的待测试图像输入到步骤b建立的基于深度学习的U-Net目标检测模型中测试，该模型既能对黏连的珠光体、贝氏体组织进行分割和提取，又能分类识别珠光体、贝氏体复合组织。图6为其中一个待测试图像，经过分割提取和自动识别，得到了对应的标记了珠光体和贝氏体组织的二值图像，结果如图7(a)图7(b)所示。测试过程中，每个1024*1024像素小视场图像，识别提取过程耗时0.15s，准确度达到90％以上。
使用连通区域法对步骤d中获得的二值图像进行统计，获取完整的数据集，包括大尺寸范围内，全视场上的珠光体和贝氏体的位置、面积等信息。如图8(a)、图8(b)所示，是以面积2.24μm2为统计单元，得到的珠光体、贝氏体组织在7mm*10mm范围内分布情况。由图8(a)、图8(b)可知，贝氏体在轧板的边缘部位分布较少，在轧板的心部区域分布较多，分布最密集的部位在轧板的中心偏析带；珠光体的的分布与带状组织具有一致性。
对数据集进行数据处理，获得如图9所示的三维面分布图，显示了整个视场范围内贝氏体组织分布的规律。对使用连通区域算法得到的珠光体和贝氏体的面积信息进行统计，统计结果如表2所示。
表2全视场组织统计信息汇总
Figure BDA0002550684050000081
本发明提供的金属材料中显微组织全视场定量统计分布表征方法，基于深度学习原理，对珠光体、贝氏体组织进行标记、训练，获得对应的目标检测模型；把待测图像输入建立的目标检测模型中，获得了较大范围内全部珠光体、贝氏体组织的位置、面积等统计信息，实现了金属材料中珠光体、贝氏体组织的全视场定量统计分布表征。较常规的统计方法，该方法可自动对黏连成一体的珠光体、贝氏体进行分割提取和分类识别，具有准确、自动、高效的特点；较单一视场的的统计，该方法具有统计分布信息量大的特点，定量结果更准确可靠。本发明步骤c中通过Navigator-OPA高通量扫描电镜对腐蚀后的金属表面进行组织采集，短时间内连续采集，整体的采集速度比普通电镜快10倍，可获取大范围、全视场、单张像素值最高可以达到24576的图像信息，实现图像数据的高通量采集；将待测图像输入训练好的目标检测模型中，既能分类识别黏连的珠光体、贝氏体复杂组织，又能对珠光体、贝氏体组织进行分割和提取，准确率达到90％以上。步骤e中选择合适大小的区域作为统计单元，对数据集进行统计分析，将数据可视化，得到全视场、大尺寸范围内珠光体和贝氏体组织统计分布信息。综上，该方法用于全视场、大尺寸范围内，金属材料中珠光体和贝氏体组织的自动识别、分割提取、定量统计表征。
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)

1.一种金属材料中显微组织全视场定量统计分布表征方法，其特征在于，包括以下步骤：
a)建立标准特征图谱数据集：
获取整个标准金属材料试样表面的包括显微组织的图像，所述显微组织包括铁素体、珠光体和贝氏体组织；标准金属材料的制样方法包括：
打磨并抛光标准金属材料试样表面，采用机械抛光，抛光试剂采用金刚石研磨膏；对抛光后的标准金属材料试样表面进行化学腐蚀，使其表面显示清晰、完整的铁素体、珠光体和贝氏体组织，所述化学腐蚀采用的溶液为4％硝酸酒精溶液，浸蚀时间为10s-30s；采用Navigator-OPA高通量全自动扫描电镜，获取整个试样表面的包括铁素体、珠光体和贝氏体组织的特征图谱，建立标准特征图谱数据集；
b)建立基于深度学习的特征识别提取模型：
随机选取标准特征图像数据集中的图像，将珠光体、贝氏体为目标对数据集中的图像进行标记，得到含有珠光体、贝氏体形状标记框的图像，将标记后的特征图谱数据集生成目标检测样本库；建立深度学习U-Net目标检测网络，用获得的目标检测样本库训练网络得到目标检测模型；所述U-Net目标检测网络采用U-Net网络框架，其结构左侧为下采样层，由卷积层和池化层交替组合，激活函数使用ReLu，通过对输入的图像进行路径收缩，从而捕捉全局内容，右侧为上采样层，由卷积层和反卷积层交替组合，训练过程中对下采样的特征图进行路径扩张，从而精确定位图像的每个像素；
c)待测金属材料中的显微组织特征图谱的全视场自动采集：
通过Navigator-OPA高通量扫描电镜对腐蚀后的待测金属材料表面进行全视场显微组织特征图谱自动采集；
d)珠光体、贝氏体的分类识别和分割提取：
将步骤c中获得的所有待测金属材料中的显微组织特征图谱输入到步骤b建立的U-Net目标检测网络，该网络对粘连的珠光体、贝氏体组织进行像素级的分割提取，同时分类识别出粘连在一起的珠光体、贝氏体组织；经过分割提取和分类识别，得到标记了珠光体和贝氏体组织的二值图像；
e)大范围全视场显微组织的原位定量统计分布表征：
通过连通区域算法处理步骤d中获得的二值图像，得到一个完整数据集，数据集中包含每个特征珠光体、贝氏体的尺寸、面积、位置信息，选择适当的面积作为统计单元，对数据集进行统计分布表征，获得全视场上珠光体和贝氏体的统计分布情况。
2.根据权利要求1所述的金属材料中显微组织全视场定量统计分布表征方法，其特征在于，所述步骤b中，还包括对标准特征图谱数据集中含有珠光体、贝氏体的图像进行预处理，具体为翻转、平移、裁剪和缩放。
3.根据权利要求1所述的金属材料中显微组织全视场定量统计分布表征方法，其特征在于，所述步骤b中，所述目标检测样本库分为训练集和测试集，其中训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。
4.根据权利要求1所述的金属材料中显微组织全视场定量统计分布表征方法，其特征在于，所述步骤c中，采用标准金属材料的制样方法中相同的处理手段对待测金属材料进行处理。
5.根据权利要求1所述的金属材料中显微组织全视场定量统计分布表征方法，其特征在于，所述步骤d中，二值图像的像素为1024*1024。
CN202010575070.5A 2020-06-22 2020-06-22 一种金属材料中显微组织全视场定量统计分布表征方法 Active CN112395932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010575070.5A CN112395932B (zh) 2020-06-22 2020-06-22 一种金属材料中显微组织全视场定量统计分布表征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010575070.5A CN112395932B (zh) 2020-06-22 2020-06-22 一种金属材料中显微组织全视场定量统计分布表征方法

Publications (2)

Publication Number Publication Date
CN112395932A CN112395932A (zh) 2021-02-23
CN112395932B true CN112395932B (zh) 2022-09-13

Family

ID=74602982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010575070.5A Active CN112395932B (zh) 2020-06-22 2020-06-22 一种金属材料中显微组织全视场定量统计分布表征方法

Country Status (1)

Country Link
CN (1) CN112395932B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112819814A (zh) * 2021-02-25 2021-05-18 汇鸿智能科技(辽宁)有限公司 金相组织的识别方法、装置、计算机设备及存储介质
CN112819815A (zh) * 2021-02-25 2021-05-18 汇鸿智能科技(辽宁)有限公司 金相组织识别方法、装置、计算机设备及存储介质
CN113177574B (zh) * 2021-03-19 2022-08-16 华中科技大学 用于材料表征图像分析的视觉模型及其分析方法
CN112906639B (zh) * 2021-03-19 2024-02-20 北京科技大学 一种铬合金钢材中铁素体的图像识别方法及装置
CN113376015B (zh) * 2021-06-07 2023-04-07 北京科技大学 一种快速表征分析镍基单晶高温合金微观组织演变的方法
CN113740336B (zh) * 2021-09-03 2024-03-12 广东韶钢松山股份有限公司 一种直接获得连铸坯边部增碳的评价方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344874A (zh) * 2018-08-31 2019-02-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统
WO2019242178A1 (zh) * 2018-06-20 2019-12-26 湖南自兴智慧医疗科技有限公司 基于几何特征与区域融合的g显带粘连染色体分割方法、装置及染色体核型分析设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839279A (zh) * 2014-03-18 2014-06-04 湖州师范学院 一种目标检测中基于vibe的粘连目标分割方法
CN104535737B (zh) * 2014-12-19 2020-06-30 钢铁研究总院 材料原始位置统计分布分析映射表征方法
CN104880389B (zh) * 2015-04-01 2018-04-24 江苏大学 一种钢材晶粒混晶度的自动测量、精细分类方法及其系统
CN108226159B (zh) * 2017-12-29 2019-11-22 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
CN110619355B (zh) * 2019-08-28 2023-01-06 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
CN110579473B (zh) * 2019-09-03 2022-03-25 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
CN112990214A (zh) * 2021-02-20 2021-06-18 南京信息工程大学 一种医学图像特征识别预测模型

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019242178A1 (zh) * 2018-06-20 2019-12-26 湖南自兴智慧医疗科技有限公司 基于几何特征与区域融合的g显带粘连染色体分割方法、装置及染色体核型分析设备
CN109344874A (zh) * 2018-08-31 2019-02-15 华侨大学 一种基于深度学习的染色体自动分析方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Context-Aware U-Net for Biomedical Image Segmentation;J. Leng等;《2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)》;20190124;第2535-2538页 *
基于深度学习的细胞核图像分割方法研究;宁静艳;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20200615(第06期);第E060-22页 *

Also Published As

Publication number Publication date
CN112395932A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
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
US11506650B2 (en) Method for automatic quantitative statistical distribution characterization of dendrite structures in a full view field of metal materials
US10895521B2 (en) Full-view-field quantitative statistical distribution characterization method of precipitate particles in metal material
CN106153635B (zh) 一种镁及镁合金中缺陷的定量检测方法
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
CN111553303A (zh) 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN110232334A (zh) 一种基于卷积神经网络的钢结构锈蚀识别方法
CN103593668B (zh) 一种金属板材冲压接头力学性能试验裂纹自动识别方法
CN111860176B (zh) 一种非金属夹杂全视场定量统计分布表征方法
US20230184703A1 (en) Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning
CN110006751A (zh) 高强度钢中非金属夹杂物的评估方法
CN116883393B (zh) 一种基于无锚框目标检测算法的金属表面缺陷检测方法
CN112308819A (zh) 一种基于扫描电镜多特征灰度图像的孔隙识别方法
CN102914479A (zh) 布氏硬度自动测定方法
CN108765391A (zh) 一种基于深度学习的平板玻璃异物影像分析方法
CN112767345A (zh) 一种dd6单晶高温合金共晶缺陷检测和分割方法
CN116311237A (zh) 一种基于深度学习网络的钢铁微观组织识别算法
CN112200766A (zh) 基于区域关联神经网络的工业产品表面缺陷检测方法
CN111833335A (zh) 一种基于超分辨率重建的点阵结构缺陷检测方法及系统
Yang et al. Sparse microdefect evaluation system for large fine optical surfaces based on dark-field microscopic scattering imaging
CN115345846A (zh) 一种中低碳钢晶粒度智能评级方法及系统
CN109685008A (zh) 一种实时的视频目标检测方法
CN111982930B (zh) 一种关于din 50602-夹杂物k法级别快速定级的检验方法
CN115112509A (zh) 一种基于Mask R-CNN网络的材料表面压痕测量方法
CN114821079A (zh) 一种基于变分自编码器的岩石裂缝信息识别方法及系统

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