CN112634200A - 钢中带状组织评价方法 - Google Patents
钢中带状组织评价方法 Download PDFInfo
- Publication number
- CN112634200A CN112634200A CN202011391287.7A CN202011391287A CN112634200A CN 112634200 A CN112634200 A CN 112634200A CN 202011391287 A CN202011391287 A CN 202011391287A CN 112634200 A CN112634200 A CN 112634200A
- Authority
- CN
- China
- Prior art keywords
- ferrite
- strip
- level
- tissue
- band
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 36
- 239000010959 steel Substances 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims description 19
- 229910000859 α-Fe Inorganic materials 0.000 claims abstract description 132
- 239000000463 material Substances 0.000 claims abstract description 90
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 230000008520 organization Effects 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 41
- 230000000007 visual effect Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 28
- 230000000149 penetrating effect Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000035515 penetration Effects 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 4
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 229910001566 austenite Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229910001563 bainite Inorganic materials 0.000 description 2
- 229910001562 pearlite Inorganic materials 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种钢中带状组织评价方法，属于钢铁组织检测技术领域。钢中带状组织评价方法包括素材标记、深度学习以及带状组织评价。素材标记：选择多个带状组织图片作为训练素材；对每个训练素材中的铁素体带状组织进行标记，包括对组织边界进行标记，并结合尺寸信息对组织级别进行标记。深度学习：采用深度神经网络模型对标记后的每个训练素材依次进行识别学习，包括利用每个训练素材的尺寸信息、组织边界信息以及组织级别信息进行初始化，得到带状组织识别模型。带状组织评价：以带状组织图片作为待评价素材，采用带状组织识别模型对待评价素材的铁素体带状组织进行分析。该评价方法重复性高且能有效避免主观判断的不确定性。
Description
技术领域
本申请涉及钢铁组织检测技术领域，具体而言，涉及一种钢中带状组织评价方法。
背景技术
钢在热加工过程中，铁素体沿着加工变形方向从奥氏体中呈带状析出，还没有分解的奥氏体被分割成带状，当冷却到珠光体、贝氏体等转变温度时，呈带状的过冷奥氏体转化为带状珠光体、贝氏体等组织，即形成铁素体和第二类组织带。带状组织即是指钢在塑性加工的过程中，显微偏析区形变伸长并最终形成的与加工方向平行的该显微组织交替带。
带状组织的存在使钢的组织不均匀，并影响钢材性能，形成各向异性，降低钢的塑性、冲击韧性和断面收缩率，造成冷弯不合、冲压废品率高、热处理时钢材容易变形等不良后果，影响钢的使用寿命。
目前，常用的带状组织评定方法为GB/T 34474.1-2017《钢中带状组织的评定第1部分：标准评级图法》中的比较法。进行带状组织评定时，先要找到检验面上带状组织最严重的视场，然后通过人工与标准评级图谱进行比较，得到带状组织级别。但是，人工判断的结果有很大的不确定性，使得带状组织评定结果波动较大。
发明内容
本申请的目的在于提供一种钢中带状组织评价方法，重复性高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中带状组织评价方法，包括：
素材标记：选择多个带状组织图片作为训练素材；对每个训练素材中的铁素体带状组织进行标记，包括对组织边界进行标记，并结合尺寸信息对组织级别进行标记。
深度学习：采用深度神经网络模型对标记后的每个训练素材依次进行识别学习，包括利用每个训练素材的尺寸信息、组织边界信息以及组织级别信息进行初始化，得到带状组织识别模型。
带状组织评价：以带状组织图片作为待评价素材，采用带状组织识别模型对待评价素材的铁素体带状组织进行分析。
本申请实施例提供的钢中带状组织评价方法，有益效果包括：
通过素材标记对带状组织图片中铁素体带状组织的组织边界及组织级别进行标记；采用深度神经网络模型对标记后的素材进行识别学习，利用标记后的素材的尺寸信息、组织边界信息以及组织级别信息进行初始化建立识别模型，使得采用带状组织识别模型能够实现对待评价素材的铁素体带状组织进行分析。利用建立的识别模型进行识别分析的方式，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。
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为本申请实施例钢中带状组织评价方法的流程图。
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“特征1和/或特征2”，均是指可以单独地为“特征1”、单独地为“特征2”、“特征1”加“特征2”，该三种情况。
另外，在本申请的描述中，除非另有说明，“以上”、“以下”和“以内”均是包含本数的表达；“数值a～数值b”的范围包括两端值“a”和“b”，“数值a～数值b+计量单位”中的“计量单位”代表“数值a”和“数值b”二者的“计量单位”。
下面对本申请实施例的钢中带状组织评价方法进行具体说明。
本申请实施例提供一种钢中带状组织评价方法，包括素材标记、深度学习以及带状组织评价。
素材标记包括：选择多个带状组织图片作为训练素材，对每个训练素材中的铁素体带状组织进行标记。其中，对铁素体带状组织进行标记包括：包括对组织边界进行标记，并结合尺寸信息对组织级别进行标记。
需要说明的是，在本申请的实施例中，进行组织级别标记时的组织级别结果，是由人工对作为训练素材的带状组织图片通过现有的比较法判断得到的结果。示例性地，在人工判断级别时，以0.5级作为判定结果间隔，并通过3位以上经验丰富的作业人员对其级别进行确定，最后以占比最高的判定级别作为人工分析级别。
深度学习包括：采用深度神经网络模型对标记后的每个训练素材依次进行识别学习。其中，对标记后的每个训练素材进行识别学习包括：利用每个训练素材的尺寸信息、组织边界信息以及组织级别信息进行初始化，得到带状组织识别模型。
带状组织评价包括：以带状组织图片作为待评价素材，采用带状组织识别模型对待评价素材的铁素体带状组织进行分析。
本申请中，素材标记时，对带状组织图片中的铁素体带状组织的组织边界及组织级别进行了标记，使得从带状组织图片中能够获取铁素体带状组织的尺寸信息的同时，还能够获取铁素体带状组织的组织边界信息以及组织级别信息。深度学习时，通过对图片的信息进行读取，结合尺寸信息、组织边界信息以及组织级别信息，能够确认带状组织区域。通过深度神经网络模型对带状区域的特征进行学习，以实现对模型的初始化训练和学习，得到能够对带状组织图片中铁素体带状组织进行识别的带状组织识别模型。带状组织评价时，通过输入作为待评价素材的带状组织图片，结合待评价素材的尺寸信息，利用带状组织识别模型能够对带状组织进行识别并判定组织边界。根据判定的组织边界，能够确定带状组织的区域形态，通过进一步运算能够实现带状组织的组织分布以及组织级别的判断，从而能够实现输出组织边界、组织级别以及带状组织最严重视场位置。
研究发现，目前常用的带状组织评定方法中，通常采用直径尺寸为800μm的圆形视场。以铁素体带的宽度方向为第一预设方向，以铁素体带的长度方向为第二预设方向。在圆形视场中，当在铁素体带在第一预设方向上位于接近视场的边缘部位时，即使铁素体带的长度仅为几十微米，该铁素体带仍能贯穿视场。由于在通过人工与标准评级图谱进行比较判断确定带状组织的级别时，会考虑铁素体带贯穿视场的程度，导致确定的带状组织的级别容易偏高。
在一些示例性的实施方案中，采用带状组织识别模型对铁素体带状组织进行分析时，选择矩形区域作为检测视场。在矩形视场中，检测视场的长度和宽度分别保持一致。在进行检测识别时，将铁素体带的长度方向与矩形视场的长度方向保持较高的一致性时，能够有效避免使用圆形视场存在的上述问题。
考虑到矩形区域的长宽比一致性较高时，能够更好地集中反应该区域的带状组织情况。可选地，检测视场为正方形视场。
作为一种示例，检测视场为710μm*710μm的正方形视场，其视场面积与现有的直径为800μm的圆形视场的面积接近，具有较为合适的评价选取范围。
考虑到带状组织图片的形状与检测视场的形状对应，且带状组织图片中的带状组织的长度方向与带状组织图片的长度方向对应时，检测视场的长度方向能够较好地带状组织的长度方向对应，从而方便进行选择检测视场。
作为一种示例，在选择矩形区域作为检测视场的实施例中，使用的带状组织图片中，图片的长度方向与带状组织的长度方向接近。可选地，图片的长度方向与带状组织的长度方向之间的夹角不大于3°。
考虑到目前常用的带状组织评定方法中，由于在通过人工与标准评级图谱进行比较判断确定带状组织的级别时，会考虑铁素体带贯穿视场的程度、铁素体带的连续性和铁素体带的宽度，综合比较判断确定带状组织的级别。但是现有技术并没有统一的标准，确定如何结合铁素体带的上述状态进行组织的级别的判断，导致对带状组织的级别的评判的差异性较大。
在一些示例性的实施方案中，带状组织识别模型对铁素体带状组织行分析包括：分析检测视场内的铁素体带、贯穿视场的铁素体带、非贯穿视场的铁素体带、均匀铁素体带和不均匀铁素体带的数量，并按照级别划分标准对组织级别进行确定。
考虑到铁素体不一定完全为等轴状，单个铁素体其长宽比一般在(1：1)～(2：1)。而当铁素体呈带状时，其长宽比通常在3:1及以上。
作为一种示例，铁素体带是指由铁素体晶粒组成且长宽比不小于3的区域，避免将正常的等轴铁素体误判为铁素体带。
需要说明的是，在本申请的实施例中，铁素体及铁素体带的宽度，均是指其平均宽度。
考虑到在矩形视场中，检测视场的长度和宽度分别保持一致，当铁素体带的长度小于检测视场的长度时，该铁素体带可以完全分布在检测视场内。
作为一种示例，贯穿视场的铁素体带是指长度不小于检测视场的长度的铁素体带，非贯穿视场的铁素体带是指长度小于检测视场的长度的铁素体带，以便能够较为准确地判断铁素体带对检测视场的贯穿情况。
考虑到受晶粒不均的影响，相邻的铁素体带的宽度之比通常在(2：1)～(1：2)之间波动。而当相邻的铁素体带的宽度之比超出上述波动范围时，相邻两个铁素体带的宽度差异已经较为明显。
作为一种示例，均匀铁素体带是指与相邻铁素体带的宽度比在0.5～2.0之间的铁素体带，不均匀铁素体带是指与相邻铁素体带的宽度比在0.5～2.0之外的铁素体带，以便能够较为准确地对铁素体带的均匀性进行确定。
上述分析方法中，通过特定要求确定检测视场内的铁素体带，并将检测视场内的铁素体带特定的贯穿情况要求和带宽均匀性要求进行划分，能够较为准确地对检测视场内的铁素体带的状态进行确定。在此基础上，通过对特定状态的铁素体带的数量进行统计，再按照特定的级别划分标准对组织级别进行确定，使得评价结果统一且准确性更高。
可以理解的是，在本申请的实施例中，级别划分标准可以根据不同种类的铁素体带对钢材性能的影响程度进行确定。确定时，可以按照不同种类的铁素体带的数量确定组织级别，也可以将各个种类的铁素体带的数量按照一定的加权标准后进行组织级别的确定。
在一些示例性的实施方案中，级别划分标准为：将组织级别确定为0级、1级、2级、3级、4级或5级，其与现有的评级标准的级别较为对应。
作为一种示例，0级是指：检测视场内无铁素体带；1级是指：检测视场内仅有非贯穿视场的铁素体带；2级是指：检测视场内有非贯穿视场的铁素体带和1～2条贯穿视场的铁素体带，且铁素体带均为均匀铁素体带；3级是指：检测视场内有非贯穿视场的铁素体带和超过2条贯穿视场的铁素体带，且铁素体带均为均匀铁素体带；4级是指：检测视场内有2条以上贯穿视场的铁素体带且无非贯穿视场的铁素体带，且铁素体带均为均匀铁素体带；5级是指：检测视场内有2条以上贯穿视场的铁素体带且无非贯穿视场的铁素体带，且铁素体带均为不均匀铁素体带。
可以理解的是，在本申请的实施例中，采用带状组织识别模型对铁素体带状组织进行分析时，不限于将带状组织根据长宽比条件、贯穿情况和均匀性按照上述类别进行分类并进行统计，然后根据分类统计结果确定组织级别的方式。其也可以根据带状组织的其他条件和/或上述部分条件进行组织级别的确定，例如，也可以根据带状组织的分布面积和贯穿情况进行组织级别的确定。
考虑到深度学习过程中得到的带状组织识别模型，在进行识别分析时也存在一定的评定误差。为了将评定误差控制在一定标准内，在一些示例性的实施方案中，深度学习和组织评价之间还包括验证优化学习。
验证优化学习包括：选择多个带状组织图片作为验证素材，采用带状组织识别模型依次对每个验证素材的铁素体带状组织的组织级别进行分析，得到验证分析级别；当验证分析级别与人工分析级别的差别不满足验证标准时，重复深度学习步骤以优化带状组织识别模型。
在本申请中，验证分析级别与人工分析级别的差别不满足验证标准时，通过重复深度学习步骤，对带状组织识别模型进行迭代优化，使识别评定的准确性更高。
需要说明的是，在本申请的实施例中，人工分析级别是由人工对作为验证素材的带状组织图片通过现有的比较法判断得到的结果。示例性地，在人工判断级别时，以0.5级作为判定结果间隔，并通过3位以上经验丰富的作业人员对其级别进行确定，最后以占比最高的判定级别作为人工分析级别。
可以理解的是，在本申请的实施例中，验证标准可以根据评定应用场景对误差的期望范围进行调整。
作为一种示例，验证标准为：验证分析级别与人工分析级别相差在±0.5级以内的验证素材的占比在99％以上，且验证分析级别与人工分析级别相同的验证素材的占比在95％以上。
可以理解的是，在本申请的实施例中，由于深度学习步骤和验证优化学习步骤中需要使用到大量的素材，在进行素材标记之前，还包括素材收集步骤。素材收集步骤包括按照预设选择标准，选择多个用于素材的带状组织图片。
考虑到钢种的铁素体带状组织的组织级别分布较宽，素材中具有合适的组织级别宽度要求时，在深度学习时对不同组织级别的铁素体带状组织均能够进行足够的学习和训练，使得采用得到的带状组织识别模型进行验证优化学习和带状组织评价时，对不同组织级别的铁素体带状组织均能够较好地实现识别和评判。
在一些示例性的实施方案中，用于学习的多个素材中：组织级别的分布范围为0～5级，其能够较好地覆盖现有的钢材中的铁素体带状组织的级别分布情况。
示例性地，以0.5级作为间隔，用于学习的多个素材中，包括铁素体带状组织的组织级别分别为0级、0.5级、1级、1.5级、2级、2.5级、3级、3.5级、4级、4.5级以及5级的多个带状组织图片。
作为一种示例，用于训练素材的多个带状组织图片中，0级、0.5级、1级、1.5级、2级、2.5级以及3级的图片各自不少于1000张，3.5级、4级、4.5级以及5级的图片各自不少于500张，保证能够为深度学习提供充足的素材。
需要说明的是，由于组织级别在3级以上的钢材在生产中较为少见，作为一种示例，通过对钢材进行拉拔后高温退火，得到组织级别在3级以上的素材。
在本申请的实施例中，素材收集中铁素体带状组织的组织级别，示例性地为在素材标记中通过组织级别的判断方法进行确认的结果，以使得素材标记后组织级别的分布情况与素材收集时组织级别的分布要求能够较好地对应。
进一步地，考虑到钢种的不同以及碳含量的不同，可能使得钢中的铁素体带状组织的形态或识别准确性呈现出一定的不同。
在一些可能的实施方案中，用于学习的素材中，碳含量分布范围为0.40～0.60％。
示例性地，用于学习的素材选自多个钢种，例如选自40Cr钢、45钢、48MnV钢和55SiCr钢。
需要说明的是，在本申请的实施例中，用于学习的素材是指用于深度学习的训练素材以及用于验证优化学习的验证素材，即训练素材和验证素材均需要满足上述要求。
考虑到验证优化学习时需要达到一定的素材量，才能够更为准确地反映出评定分析的误差情况。
在一些可能的实施方案中，每次验证优化学习的验证素材的数量为M，每次验证优化之前的深度学习的训练素材的数量为N，M/N≥0.5。
可以理解的是，在本申请的实施例中，尺寸信息是指能够表示带状组织图片中比例尺寸的信息。其可以是带状组织图片的标尺信息，也可以是带状组织图片的像素信息。
作为一种示例，在进行素材收集时，准备的作为素材的带状组织图片，其图片中标示有标尺信息，该标尺信息例如以μm为单位进行标示，方便深度学习步骤中自动识别，也方便带状组织评价中人工读取。
可选地，标尺区域使用白色长方形底框，并统一标示在图片中例如右下角的固定位置，更方便在深度学习步骤中自动识别。
考虑到在进行深度学习、验证优化学习以及带状组织评价时，带状组织图片可能存在未加载标尺信息等尺寸信息的情况。
在一些可能的实施方案中，带状组织识别模型具有录入图像分辨率等像素信息的功能，方便在带状组织图片未加载标尺信息时，通过录入图像分辨率，从而以像素信息作为尺寸信息进行学习或识别。
请参阅图1，在一些示例性的实施方案中，本申请提供的钢中带状组织评价方法，其流程如下：
S01.素材收集：根据组织级别分布要求、碳含量分布要求以及钢种覆盖要求，收集多个带状组织图片。
S02.素材标记：选择多个带状组织图片作为训练素材，对组织边界及组织级别进行标记。
S03.深度学习：采用深度神经网络模型对标注后的每个训练素材依次进行识别学习，得到待评价的带状组织识别模型。
S04.验证优化学习：选择多个带状组织图片作为验证素材，采用带状组织识别模型依次对每个验证素材进行分析得到验证分析级别，人工对每个验证素材进行分析得到人工分析级别，将验证分析级别与人工分析级别进行比较。当验证分析级别与人工分析级别的差别不满足验证标准时，重复深度学习步骤得到优化后的带状组织识别模型。
S05.带状组织评价：以带状组织图片作为待评价素材，输入待评价素材的像素信息或者结合带状组织图片的标尺信息，采用深度神经网络模型对待评价素材的铁素体带状组织进行分析，输出组织边界、组织级别以及带状组织最严重视场位置。
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)
1.一种钢中带状组织评价方法，其特征在于，包括：
素材标记：选择多个带状组织图片作为训练素材；对每个所述训练素材中的铁素体带状组织进行标记，包括对组织边界进行标记，并结合尺寸信息对组织级别进行标记；
深度学习：采用深度神经网络模型对标记后的每个所述训练素材依次进行识别学习，包括利用每个所述训练素材的所述尺寸信息、所述组织边界信息以及所述组织级别信息进行初始化，得到带状组织识别模型；
带状组织评价：以带状组织图片作为待评价素材，采用所述带状组织识别模型对所述待评价素材的所述铁素体带状组织进行分析。
2.根据权利要求1所述的评价方法，其特征在于，所述带状组织识别模型对所述铁素体带状组织进行分析时，选择矩形区域作为检测视场。
3.根据权利要求2所述的评价方法，其特征在于，所述检测视场为710μm*710μm的正方形视场。
4.根据权利要求2所述的评价方法，其特征在于，使用的带状组织图片中，图片的长度方向与带状组织的长度方向接近；可选地，图片的长度方向与带状组织的长度方向之间的夹角不大于3°。
5.根据权利要求2所述的评价方法，其特征在于，所述带状组织识别模型对所述铁素体带状组织行分析包括：分析所述检测视场内的铁素体带、贯穿视场的铁素体带、非贯穿视场的铁素体带、均匀铁素体带和不均匀铁素体带的数量，并按照级别划分标准对组织级别进行确定；其中，
所述铁素体带是指：由铁素体晶粒组成且长宽比不小于3的区域；
所述贯穿视场的铁素体带是指：长度不小于所述检测视场的长度的所述铁素体带；
所述非贯穿视场的铁素体带是指：长度小于所述检测视场的长度的所述铁素体带；
所述均匀铁素体带是指：与相邻所述铁素体带的宽度比在0.5～2.0之间的所述铁素体带；
所述不均匀铁素体带是指：与相邻所述铁素体带的宽度比在0.5～2.0之外的所述铁素体带。
6.根据权利要求5所述的评价方法，其特征在于，所述级别划分标准为：将组织级别确定为0级、1级、2级、3级、4级或5级；其中，
0级是指：所述检测视场内无所述铁素体带；
1级是指：所述检测视场内仅有所述非贯穿视场的铁素体带；
2级是指：所述检测视场内有所述非贯穿视场的铁素体带和1～2条所述贯穿视场的铁素体带，且所述铁素体带均为均匀铁素体带；
3级是指：所述检测视场内有所述非贯穿视场的铁素体带和超过2条所述贯穿视场的铁素体带，且所述铁素体带均为均匀铁素体带；
4级是指：所述检测视场内有2条以上所述贯穿视场的铁素体带且无所述非贯穿视场的铁素体带，且所述铁素体带均为均匀铁素体带；
5级是指：所述检测视场内有2条以上所述贯穿视场的铁素体带且无所述非贯穿视场的铁素体带，且所述铁素体带均为不均匀铁素体带。
7.根据权利要求1所述的评价方法，其特征在于，用于学习的多个素材中：组织级别的分布范围为0～5级，和/或，碳含量分布范围为0.40～0.60％。
8.根据权利要求1～7任一项所述的评价方法，其特征在于，所述深度学习和所述组织评价之间还包括：
验证优化学习：选择多个带状组织图片作为验证素材，采用所述带状组织识别模型依次对每个所述验证素材的所述铁素体带状组织的组织级别进行分析，得到验证分析级别；当所述验证分析级别与人工分析级别的差别不满足验证标准时，重复所述深度学习步骤以优化所述带状组织识别模型。
9.根据权利要求8所述的评价方法，其特征在于，所述验证标准为：所述验证分析级别与所述人工分析级别相差在±0.5级以内的所述验证素材的占比在99％以上，且所述验证分析级别与所述人工分析级别相同的所述验证素材的占比在95％以上。
10.根据权利要求8所述的评价方法，其特征在于，每次所述验证优化学习的所述验证素材的数量为M，每次所述验证优化之前的所述深度学习的所述训练素材的数量为N，M/N≥0.5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011391287.7A CN112634200B (zh) | 2020-12-01 | 2020-12-01 | 钢中带状组织评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011391287.7A CN112634200B (zh) | 2020-12-01 | 2020-12-01 | 钢中带状组织评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112634200A true CN112634200A (zh) | 2021-04-09 |
| CN112634200B CN112634200B (zh) | 2024-06-11 |
Family
ID=75307307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011391287.7A Active CN112634200B (zh) | 2020-12-01 | 2020-12-01 | 钢中带状组织评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112634200B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112513A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
| CN115198063A (zh) * | 2022-09-19 | 2022-10-18 | 苏州创镕新材料科技有限公司 | 一种减少中高碳工具钢带状组织的方法 |
| CN115861304A (zh) * | 2023-02-20 | 2023-03-28 | 江苏金恒信息科技股份有限公司 | 一种基于图像处理的钢中带状组织检测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248721A (zh) * | 2016-07-08 | 2016-12-21 | 首钢总公司 | 一种结构钢棒材带状组织级别快速预报方法 |
| US20170343984A1 (en) * | 2016-05-24 | 2017-11-30 | Divergent Technologies, Inc. | Systems and methods for additive manufacturing of transport structures |
| CN110646424A (zh) * | 2018-12-29 | 2020-01-03 | 广东韶钢松山股份有限公司 | 一种金相组织各向异性快速定量评价方法 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| 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 |
| US20200210768A1 (en) * | 2018-12-18 | 2020-07-02 | Slyce Acquisition Inc. | Training data collection for computer vision |
| CN111398282A (zh) * | 2020-04-21 | 2020-07-10 | 广东韶钢松山股份有限公司 | 碳钢索氏体定量分析方法 |
| CN111539938A (zh) * | 2020-04-26 | 2020-08-14 | 中冶赛迪重庆信息技术有限公司 | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 |
| CN111539953A (zh) * | 2020-05-19 | 2020-08-14 | 广东韶钢松山股份有限公司 | 钢材脱碳层深度的检测方法 |
-
2020
- 2020-12-01 CN CN202011391287.7A patent/CN112634200B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170343984A1 (en) * | 2016-05-24 | 2017-11-30 | Divergent Technologies, Inc. | Systems and methods for additive manufacturing of transport structures |
| CN106248721A (zh) * | 2016-07-08 | 2016-12-21 | 首钢总公司 | 一种结构钢棒材带状组织级别快速预报方法 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| US20200210768A1 (en) * | 2018-12-18 | 2020-07-02 | Slyce Acquisition Inc. | Training data collection for computer vision |
| CN110646424A (zh) * | 2018-12-29 | 2020-01-03 | 广东韶钢松山股份有限公司 | 一种金相组织各向异性快速定量评价方法 |
| 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 |
| CN111398282A (zh) * | 2020-04-21 | 2020-07-10 | 广东韶钢松山股份有限公司 | 碳钢索氏体定量分析方法 |
| CN111539938A (zh) * | 2020-04-26 | 2020-08-14 | 中冶赛迪重庆信息技术有限公司 | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 |
| CN111539953A (zh) * | 2020-05-19 | 2020-08-14 | 广东韶钢松山股份有限公司 | 钢材脱碳层深度的检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112513A (zh) * | 2021-04-27 | 2021-07-13 | 汇鸿智能科技(辽宁)有限公司 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
| CN113112513B (zh) * | 2021-04-27 | 2024-08-30 | 汇鸿智能科技(辽宁)有限公司 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
| CN115198063A (zh) * | 2022-09-19 | 2022-10-18 | 苏州创镕新材料科技有限公司 | 一种减少中高碳工具钢带状组织的方法 |
| CN115861304A (zh) * | 2023-02-20 | 2023-03-28 | 江苏金恒信息科技股份有限公司 | 一种基于图像处理的钢中带状组织检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112634200B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112634200A (zh) | 钢中带状组织评价方法 | |
| EP2383569A1 (en) | Image analysis apparatus, image analysis method, image analysis program and recording medium | |
| CN102404602A (zh) | 一种基于清晰度测试卡的摄像机清晰度检测方法 | |
| CN109002974A (zh) | 一种钢卷表面质量分级判定方法及装置 | |
| CN116503397B (zh) | 基于图像数据的车内传输带缺陷检测方法 | |
| CN111402236B (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
| CN105719291A (zh) | 品种可选择的表面缺陷图像分类系统 | |
| CN106355739A (zh) | 一种检测纸币新旧的方法及装置 | |
| CN116309557B (zh) | 一种挖掘机履带板断裂检测方法 | |
| CN117635604A (zh) | 一种建筑工程钢结构焊接质量检测方法 | |
| CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
| CN115311284A (zh) | 用于玻璃纤维毡的生产质量检测方法 | |
| CN117689659A (zh) | 一种基于平板电子产品的生产质量监控方法 | |
| US7587279B2 (en) | Method for quantitative PCR data analysis system (QDAS) | |
| CN111539953B (zh) | 钢材脱碳层深度的检测方法 | |
| CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
| CN114594118A (zh) | 基于微束x射线荧光的铝合金组织显微偏析定量表征方法 | |
| CN101299242A (zh) | 一种人体肤色检测中阈值的确定方法及装置 | |
| 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 | |
| CN115841491A (zh) | 一种多孔金属材料的质量检测方法 | |
| CN113447512B (zh) | 一种亚共析钢带状组织的定量评定方法 | |
| CN113030422B (zh) | 基于表检仪检测的冷轧带钢质量判定的方法 | |
| CN114862754A (zh) | 钢材锈蚀程度的辨识方法、系统及存储介质 | |
| CN111398282B (zh) | 碳钢索氏体定量分析方法 | |
| CN115496706A (zh) | 一种基于数字图像处理的表面腐蚀比率测量方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 512000 special bar plant, MABA Town, Qujiang District, Shaoguan City, Guangdong Province Applicant after: Baowu jiefuyi Special Steel Co.,Ltd. Address before: 512000 special bar plant, MABA Town, Qujiang District, Shaoguan City, Guangdong Province Applicant before: BAOSTEEL SPECIAL STEEL SHAOGUAN Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |