CN112906639A - 一种铬合金钢材中铁素体的图像识别方法及装置 - Google Patents
一种铬合金钢材中铁素体的图像识别方法及装置 Download PDFInfo
- Publication number
- CN112906639A CN112906639A CN202110295801.5A CN202110295801A CN112906639A CN 112906639 A CN112906639 A CN 112906639A CN 202110295801 A CN202110295801 A CN 202110295801A CN 112906639 A CN112906639 A CN 112906639A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- ferrite
- white
- alloy steel
- 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
- 229910000859 α-Fe Inorganic materials 0.000 title claims abstract description 68
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 55
- 239000010959 steel Substances 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 229910000599 Cr alloy Inorganic materials 0.000 title claims abstract description 49
- 239000000788 chromium alloy Substances 0.000 title claims abstract description 49
- 229910001563 bainite Inorganic materials 0.000 claims abstract description 30
- 239000000463 material Substances 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 25
- 238000003708 edge detection Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 230000007797 corrosion Effects 0.000 claims description 19
- 238000005260 corrosion Methods 0.000 claims description 19
- 230000003628 erosive effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000011651 chromium Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000001000 micrograph Methods 0.000 description 5
- 229910045601 alloy Inorganic materials 0.000 description 4
- 239000000956 alloy Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种铬合金钢材中铁素体的图像识别方法及装置,该方法包括:将原始金相显微图像转换为预设格式,得到样本图像;基于样本图像,获取包括铁素体区域和贝氏体区域的二值图像;提取二值图像中的各白色区域的封闭边界;计算出每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积符合要求,则在样本图像中绘制出该封闭边界,统计出面积符合要求的白色区域的总面积和总数目;计算出白色区域的总面积占整幅图像的面积占比,并保存白色区域数目以及绘制好边界的样本图像。本发明达到了为铬合金钢材研究提供基础数据的目的,为自动识别金相图像提供了借鉴。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种铬合金钢材中铁素体的图像识别方法及装置。
背景技术
CO2腐蚀问题已逐渐演变为当代石油和天然气工业中亟待解决的严重问题之一,研究开发高强度抗CO2腐蚀管线钢,实现较高的经济效益具有重大的现实意义。含Cr合金管线钢是现阶段结合安全性与经济性最为理想的抗CO2腐蚀管线钢。许多学者已研究开发含Cr合金管线钢并取得一定成果。
研究表明含Cr合金钢材料性能受微观结构的影响比较显著,在不同的热处理工艺下,含Cr合金管线钢组织中相的比例、晶粒尺寸及大角度晶界等特征发生改变,所体现的强度、硬度、塑性、韧性等性能也会存在明显的差异,因此,定量分析含Cr合金管线钢的组织微观结构参数至关重要。
传统的基于金相显微图的组织参数测定主要通过人工测量,如计点法、截线法或面积法,其准确性、一致性和重现性较差,且速度慢、效率低。
发明内容
本发明提供了一种铬合金钢材中铁素体的图像识别方法及装置,以解决现有的采用人工手动和观察测量为主的铬合金钢材金相显微图的组织参数测定方法的准确性、一致性和重现性较差且速度慢、效率低和主观因素强的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供一种铬合金钢材中铁素体的图像识别方法,包括:
将铬合金钢材原始金相显微图像转换为预设格式,得到待处理的样本图像;
基于所述样本图像,获取包括铁素体区域和贝氏体区域的二值图像;其中,在所述二值图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
提取所述二值图像中的各白色区域的封闭边界;计算出提取到的每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积在预设区间范围内,则根据当前封闭边界的位置坐标在所述样本图像中绘制出相应的封闭边界,并统计出面积在预设区间范围内的白色区域的总面积和总数目;
计算出白色区域的总面积占所述样本图像整幅图像的面积占比,并保存面积在预设区间范围内的白色区域的总数目,以及绘制好封闭边界的样本图像。
进一步地,基于所述样本图像,获取包括铁素体区域和贝氏体区域的二值图像,包括:
获取所述样本图像的灰度图;
对所述灰度图进行边缘检测;
对所述灰度图的边缘检测结果进行黑白像素反转;其中,在完成黑白像素反转的图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,得到包括铁素体区域和贝氏体区域的二值图像。
进一步地,对所述灰度图进行边缘检测,包括:
使用canny算子对所述灰度图进行边缘检测。
进一步地,对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,包括:
以3*3大小的核,对完成黑白像素反转的图像进行两次图像腐蚀;
对完成图像腐蚀的图像进行三次中值滤波和一次双边滤波;
以3*3大小的核,对完成滤波的图像进行两次图像膨胀。
进一步地,所述预设区间范围的下限值为所述样本图像像素面积的0.0252,所述预设区间范围的上限值为所述样本图像像素面积的90%。
另一方面,本发明还提供一种铬合金钢材中铁素体的图像识别装置,包括:
图像格式转换模块,用于将铬合金钢材原始金相显微图像转换为预设格式,得到待处理的样本图像;
图像处理模块,用于基于所述图像格式转换模块输出的样本图像,获取包括铁素体区域和贝氏体区域的二值图像;其中,在所述二值图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
铁素体区域边界提取及面积统计模块,用于提取所述图像处理模块输出的二值图像中的各白色区域的封闭边界;计算出提取到的每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积在预设区间范围内,则根据当前封闭边界的位置坐标在所述样本图像中绘制出相应的封闭边界,并统计出面积在预设区间范围内的白色区域的总面积和总数目;
面积占比计算及结果保存模块,用于计算出白色区域的总面积占所述样本图像整幅图像的面积占比,并保存面积在预设区间范围内的白色区域的总数目,以及绘制好封闭边界的样本图像。
进一步地,所述图像处理模块具体用于:
获取所述样本图像的灰度图;
对所述灰度图进行边缘检测;
对所述灰度图的边缘检测结果进行黑白像素反转;其中,在完成黑白像素反转的图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,得到包括铁素体区域和贝氏体区域的二值图像。
进一步地,所述图像处理模块具体还用于:
使用canny算子对所述灰度图进行边缘检测。
进一步地,所述图像处理模块具体还用于:
以3*3大小的核,对完成黑白像素反转的图像进行两次图像腐蚀;
对完成图像腐蚀的图像进行三次中值滤波和一次双边滤波;
以3*3大小的核,对完成滤波的图像进行两次图像膨胀。
进一步地,所述铁素体区域边界提取及面积统计模块所使用的所述预设区间范围的下限值为所述样本图像像素面积的0.0252,所述预设区间范围的上限值为所述样本图像像素面积的90%。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
1、本发明利用图像自动识别的方式代替人工检测,检测效率和准确率高。
2、本发明将canny算子及图像腐蚀和图像膨胀技术应用到铬合金钢材的铁素体自动识别中,提高了整体算法的鲁棒性及精度。
3、本发明对于检测中的小目标,根据材料研究实际需求而定义了小目标的尺寸,减少了不必要的运算量,提高了程序运行的时间效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明第一实施例提供的铬合金钢材中铁素体的图像识别方法的流程示意图;
图2为本发明第二实施例提供的铬合金钢材中铁素体的图像识别方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
针对当前在铬合金钢材金相显微图的组织参数测定任务中,仍主要以人工手动和观察测量为主,带来速度慢,准确性不高,主观因素强的问题,本实施例提供了一种铬合金钢材中铁素体的图像识别方法,通过组织结构分析,利用图像处理的方法代替人工识别,提高识别效率,准确率。该方法可以由电子设备实现,该电子设备可以是终端或者服务器。具体地,本实施例的铬合金钢材中铁素体的图像识别方法的执行流程如图1所示,包括以下步骤:
S101,将铬合金钢材原始金相显微图像转换为预设格式,得到样本图像。
其中,铬合金钢材原始金相显微图像为tiff格式,本实施例将获取的铬合金钢材原始金相显微图像转换为jpg格式的图像,作为后续待处理的样本图像。
S102,基于样本图像,获取包括铁素体区域和贝氏体区域的二值图像;其中,在所述二值图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域。
具体地,在本实施例中,上述S102的实现过程,包括:
S1021,获取所述样本图像的灰度图。
S1022,对所述灰度图进行边缘检测。
其中,本实施例使用canny算子对所述灰度图进行边缘检测,canny算子可满足边缘检测的三个标准且实现过程简单,在边缘检测中表现非常优秀。
S1023,对所述灰度图的边缘检测结果进行黑白像素反转;其中,在完成黑白像素反转的图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域。
S1024,对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,得到包括铁素体区域和贝氏体区域的二值图像。
其中,在本实施例中,对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,包括:以3*3大小的核,对完成黑白像素反转的图像进行两次图像腐蚀操作;对完成图像腐蚀操作的图像进行三次中值滤波和一次双边滤波操作;以3*3大小的核,对完成滤波操作的图像进行两次图像膨胀操作。
S103,提取所述二值图像中的各白色区域的封闭边界;计算出提取到的每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积在预设区间范围内,则根据当前封闭边界的位置坐标在样本图像中绘制出相应的封闭边界,并统计出面积在预设区间范围内的白色区域的总面积和总数目。
其中,在本实施例中,所述预设区间范围的下限值为所述样本图像像素面积的0.0252,所述预设区间范围的上限值为所述样本图像像素面积的90%。
S104,计算出白色区域的总面积占所述样本图像整幅图像的面积占比,并保存面积在预设区间范围内的白色区域的总数目,以及绘制好边界的样本图像。
综上,本实施例针对铬合金管线钢,通过组织结构分析、图像处理,探索出了可以高效识别铁素体相、精准计算两相占比以及晶粒度的方法。该方法根据铬合金钢材金相显微图中贝氏体纹理多且复杂,铁素体平整且简单的特点,对金相显微图做灰度化处理,在用性能优越的canny算子检测贝氏体边缘信息,然后对得到的图像做一系列腐蚀,滤波和膨胀操作,得到两相区域区分十分明显的二值图像,最后做铁素体区域的封闭边界检测,达到识别铁素体,计算晶粒度,两相占比的目的。本实施例的方法可以为铬合金钢材组织结构与力学性能关系分析提供基础数据,为设计所需要的强度塑性配比提供设计思路,同时在金相识别的智能化、自动化方向上提供参考,为自动识别金相图像提供借鉴。
第二实施例
针对当前在铬合金钢材金相显微图的组织参数测定任务中,仍主要以人工手动和观察测量为主,带来速度慢,准确性不高,主观因素强的问题,本实施例提供了一种铬合金钢材中铁素体的图像识别方法,通过组织结构分析,利用图像处理的方法代替人工识别,提高识别效率,准确率。该方法可以由电子设备实现,该电子设备可以是终端或者服务器。具体地,本实施例的铬合金钢材中铁素体的图像识别方法的执行流程如图2所示,包括以下步骤:
步骤一:获取铬合金钢材原始金相显微图像。
步骤二:对原始金相显微图像进行预处理,得到样本图像。
其中,铬合金钢材原始金相显微图像为tiff格式,本实施例将获取的铬合金钢材原始金相显微图像转换为jpg格式的图像,作为后续待处理的样本图像。
步骤三:以灰度图格式读取样本图像。
步骤四:使用canny算子检测图像边缘,并用opencv的bitwise_not函数对检测得到的二值图像进行黑白像素反转。
其中,本实施例的上述步骤四所使用的canny算子满足边缘检测的三个标准且实现过程简单,在边缘检测中表现非常优秀。步骤四中对图像进行黑白像素反转后,图像中的白色区域代表铁素体区域,黑色区域代表贝氏体区域。
而且,需要说明的是,本实施例是以阈值来检测原样本图像的边缘,所以设置合适的阈值至关重要。在canny算子的两个阈值中,经过实验,选择取minThreshold为30,取maxThreshold为150能有满意的分割结果。
但是,需要注意,对同一铬合金钢材区域,用扫描电镜以不同倍数采集到的金相图像会不同。以较低倍数采集到的金相图像的视野更广泛,以较高倍数采集到的金相图像视野更窄小但更关注局部区域的细节。因此,在实际工程中,更高倍数的金相图像的边缘检测的阈值可能会略不同于较低倍数的金相图像的边缘检测所需的阈值,对此,需要根据实际情况对阈值稍做调整。
步骤五:对步骤四得到的图像进行图像腐蚀,图像滤波和图像膨胀操作。
其中,在本实施例中,步骤五进行的图像腐蚀操作是以3*3大小的核,进行两次图像腐蚀操作,进行的图像滤波操作包括三次中值滤波和一次双边滤波,进行的图像膨胀操作是以3*3大小的核,进行两次图像膨胀操作。
步骤六:获取到图像的长度和宽度,并创建一张相同尺寸的黑色底图;
步骤七:用opencv的findContours函数对步骤五得到的二值图像提取白色区域的封闭边界,得到大量封闭边界,其中每一个封闭边界都以一组坐标表示。
步骤八:获取第一条边界,用opencv的contourArea函数计算该边界围成的白色区域面积,只有该面积不至于太小或太大,才会保留下来该区域面积,累加到总白色区域面积上,并对白色区域面积数目加一。
其中,在本实施例中,白色区域太小是指区域面积小于原样本图像像素面积的0.0252,白色区域太大是指区域面积大于原样本图像像素面积的90%。
步骤九:在底板图像上绘制出该区域并保存为新图像,并在原样本图像上绘制出该区域。
步骤十:循环执行步骤八及步骤九,直至遍历完所有的边界。
步骤十一:计算总白色区域占整幅图像的面积占比,保存白色区域数目,保存绘制好边界的原样本图像。
综上,本实施例针对铬合金管线钢,通过组织结构分析、图像处理,探索出了可以高效识别铁素体相、精准计算两相占比以及晶粒度的方法。该方法根据铬合金钢材金相显微图中贝氏体纹理多且复杂,铁素体平整且简单的特点,对金相显微图做灰度化处理,在用性能优越的canny算子检测贝氏体边缘信息,然后对得到的图像做一系列腐蚀,滤波和膨胀操作,得到两相区域区分十分明显的二值图像,最后做铁素体区域的封闭边界检测,达到识别铁素体,计算晶粒度,两相占比的目的。本实施例的方法可以为铬合金钢材组织结构与力学性能关系分析提供基础数据,为设计所需要的强度塑性配比提供设计思路,同时在金相识别的智能化、自动化方向上提供参考,为自动识别金相图像提供借鉴。
第三实施例
本实施例提供了一种铬合金钢材中铁素体的图像识别装置,包括以下模块:
图像格式转换模块,用于将铬合金钢材原始金相显微图像转换为预设格式,得到待处理的样本图像;
图像处理模块,用于基于所述图像格式转换模块输出的样本图像,获取包括铁素体区域和贝氏体区域的二值图像;其中,在所述二值图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
铁素体区域边界提取及面积统计模块,用于提取所述图像处理模块输出的二值图像中的各白色区域的封闭边界;计算出提取到的每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积在预设区间范围内,则根据当前封闭边界的位置坐标在所述样本图像中绘制出相应的封闭边界,并统计出面积在预设区间范围内的白色区域的总面积和总数目;
面积占比计算及结果保存模块,用于计算出白色区域的总面积占所述样本图像整幅图像的面积占比,并保存面积在预设区间范围内的白色区域的总数目,以及绘制好封闭边界的样本图像。
本实施例的铬合金钢材中铁素体的图像识别装置与上述第一实施例的铬合金钢材中铁素体的图像识别方法相对应;其中,本实施例的铬合金钢材中铁素体的图像识别装置中的各功能模块所实现的功能与上述第一实施例的铬合金钢材中铁素体的图像识别方法中的各流程步骤一一对应;故,在此不再赘述。
第四实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第五实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现上述实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例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,本发明实施例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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供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步骤。
还需要说明的是,在本文中,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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (10)
1.一种铬合金钢材中铁素体的图像识别方法,其特征在于,包括:
将铬合金钢材原始金相显微图像转换为预设格式,得到待处理的样本图像;
基于所述样本图像,获取包括铁素体区域和贝氏体区域的二值图像;其中,在所述二值图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
提取所述二值图像中的各白色区域的封闭边界;计算出提取到的每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积在预设区间范围内,则根据当前封闭边界的位置坐标在所述样本图像中绘制出相应的封闭边界,并统计出面积在预设区间范围内的白色区域的总面积和总数目;
计算出白色区域的总面积占所述样本图像整幅图像的面积占比,并保存面积在预设区间范围内的白色区域的总数目,以及绘制好封闭边界的样本图像。
2.如权利要求1所述的铬合金钢材中铁素体的图像识别方法,其特征在于,基于所述样本图像,获取包括铁素体区域和贝氏体区域的二值图像,包括:
获取所述样本图像的灰度图;
对所述灰度图进行边缘检测;
对所述灰度图的边缘检测结果进行黑白像素反转;其中,在完成黑白像素反转的图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,得到包括铁素体区域和贝氏体区域的二值图像。
3.如权利要求2所述的铬合金钢材中铁素体的图像识别方法,其特征在于,对所述灰度图进行边缘检测,包括:
使用canny算子对所述灰度图进行边缘检测。
4.如权利要求2所述的铬合金钢材中铁素体的图像识别方法,其特征在于,对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,包括:
以3*3大小的核,对完成黑白像素反转的图像进行两次图像腐蚀;
对完成图像腐蚀的图像进行三次中值滤波和一次双边滤波;
以3*3大小的核,对完成滤波的图像进行两次图像膨胀。
5.如权利要求1所述的铬合金钢材中铁素体的图像识别方法,其特征在于,所述预设区间范围的下限值为所述样本图像像素面积的0.0252,所述预设区间范围的上限值为所述样本图像像素面积的90%。
6.一种铬合金钢材中铁素体的图像识别装置,其特征在于,包括:
图像格式转换模块,用于将铬合金钢材原始金相显微图像转换为预设格式,得到待处理的样本图像;
图像处理模块,用于基于所述图像格式转换模块输出的样本图像,获取包括铁素体区域和贝氏体区域的二值图像;其中,在所述二值图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
铁素体区域边界提取及面积统计模块,用于提取所述图像处理模块输出的二值图像中的各白色区域的封闭边界;计算出提取到的每一封闭边界所围成的白色区域的面积,若当前封闭边界所围成的白色区域的面积在预设区间范围内,则根据当前封闭边界的位置坐标在所述样本图像中绘制出相应的封闭边界,并统计出面积在预设区间范围内的白色区域的总面积和总数目;
面积占比计算及结果保存模块,用于计算出白色区域的总面积占所述样本图像整幅图像的面积占比,并保存面积在预设区间范围内的白色区域的总数目,以及绘制好封闭边界的样本图像。
7.如权利要求6所述的铬合金钢材中铁素体的图像识别装置,其特征在于,所述图像处理模块具体用于:
获取所述样本图像的灰度图;
对所述灰度图进行边缘检测;
对所述灰度图的边缘检测结果进行黑白像素反转;其中,在完成黑白像素反转的图像中,白色区域代表铁素体区域,黑色区域代表贝氏体区域;
对完成黑白像素反转的图像依次进行图像腐蚀、图像滤波和图像膨胀,得到包括铁素体区域和贝氏体区域的二值图像。
8.如权利要求7所述的铬合金钢材中铁素体的图像识别装置,其特征在于,所述图像处理模块具体还用于:
使用canny算子对所述灰度图进行边缘检测。
9.如权利要求7所述的铬合金钢材中铁素体的图像识别装置,其特征在于,所述图像处理模块具体还用于:
以3*3大小的核,对完成黑白像素反转的图像进行两次图像腐蚀;
对完成图像腐蚀的图像进行三次中值滤波和一次双边滤波;
以3*3大小的核,对完成滤波的图像进行两次图像膨胀。
10.如权利要求6所述的铬合金钢材中铁素体的图像识别装置,其特征在于,所述铁素体区域边界提取及面积统计模块所使用的所述预设区间范围的下限值为所述样本图像像素面积的0.0252,上限值为所述样本图像像素面积的90%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295801.5A CN112906639B (zh) | 2021-03-19 | 2021-03-19 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295801.5A CN112906639B (zh) | 2021-03-19 | 2021-03-19 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906639A true CN112906639A (zh) | 2021-06-04 |
CN112906639B CN112906639B (zh) | 2024-02-20 |
Family
ID=76106685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295801.5A Active CN112906639B (zh) | 2021-03-19 | 2021-03-19 | 一种铬合金钢材中铁素体的图像识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906639B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822857A (zh) * | 2021-08-20 | 2021-12-21 | 南京钢铁股份有限公司 | 高镍铬铸铁轧辊的碳化物含量统计方法、存储介质及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1163941A (ja) * | 1997-08-11 | 1999-03-05 | Nireco Corp | フェライト脱炭層の深さ測定方法 |
JP2004325358A (ja) * | 2003-04-25 | 2004-11-18 | Nakayama:Kk | 鋳鉄成分比率測定装置及びその測定方法 |
JP2008267916A (ja) * | 2007-04-18 | 2008-11-06 | Nikon Corp | 成分比率測定装置、成分比率測定方法 |
CN103712988A (zh) * | 2013-12-11 | 2014-04-09 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种低碳钢中块状马氏体的定量测定方法 |
CN103761525A (zh) * | 2013-11-14 | 2014-04-30 | 江西理工大学 | 基于显微ct数字图像处理铝电解用阴极炭块组分检测方法 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
JP5864005B1 (ja) * | 2015-03-30 | 2016-02-17 | 三菱日立パワーシステムズ株式会社 | 画像処理方法、対象物の寿命評価方法及び画像処理システム |
CN106780526A (zh) * | 2016-11-21 | 2017-05-31 | 浙江工业大学 | 一种铁氧体圆片表面裂痕识别方法 |
CN107492088A (zh) * | 2016-06-11 | 2017-12-19 | 青岛华晶生物技术有限公司 | 一种妇科显微图像中白细胞自动识别与统计方法 |
CN108416771A (zh) * | 2018-03-07 | 2018-08-17 | 南京工业大学 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
CN108645763A (zh) * | 2018-05-15 | 2018-10-12 | 首钢集团有限公司 | 一种对双相钢中马氏体岛定量表征的方法 |
CN108711149A (zh) * | 2018-05-16 | 2018-10-26 | 郑州大学 | 基于图像处理的矿岩粒度检测方法 |
CN108806165A (zh) * | 2018-08-15 | 2018-11-13 | 重庆英卡电子有限公司 | 拍照式火焰探测系统及其控制方法 |
CN111650017A (zh) * | 2020-05-31 | 2020-09-11 | 河冶科技股份有限公司 | 高合金工具钢中残余奥氏体含量的检测方法 |
CN112395932A (zh) * | 2020-06-22 | 2021-02-23 | 钢铁研究总院 | 一种金属材料中显微组织全视场定量统计分布表征方法 |
-
2021
- 2021-03-19 CN CN202110295801.5A patent/CN112906639B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1163941A (ja) * | 1997-08-11 | 1999-03-05 | Nireco Corp | フェライト脱炭層の深さ測定方法 |
JP2004325358A (ja) * | 2003-04-25 | 2004-11-18 | Nakayama:Kk | 鋳鉄成分比率測定装置及びその測定方法 |
JP2008267916A (ja) * | 2007-04-18 | 2008-11-06 | Nikon Corp | 成分比率測定装置、成分比率測定方法 |
CN103761525A (zh) * | 2013-11-14 | 2014-04-30 | 江西理工大学 | 基于显微ct数字图像处理铝电解用阴极炭块组分检测方法 |
CN103712988A (zh) * | 2013-12-11 | 2014-04-09 | 攀钢集团攀枝花钢铁研究院有限公司 | 一种低碳钢中块状马氏体的定量测定方法 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
JP5864005B1 (ja) * | 2015-03-30 | 2016-02-17 | 三菱日立パワーシステムズ株式会社 | 画像処理方法、対象物の寿命評価方法及び画像処理システム |
CN107492088A (zh) * | 2016-06-11 | 2017-12-19 | 青岛华晶生物技术有限公司 | 一种妇科显微图像中白细胞自动识别与统计方法 |
CN106780526A (zh) * | 2016-11-21 | 2017-05-31 | 浙江工业大学 | 一种铁氧体圆片表面裂痕识别方法 |
CN108416771A (zh) * | 2018-03-07 | 2018-08-17 | 南京工业大学 | 一种基于单目相机的金属材料锈蚀面积检测方法 |
CN108645763A (zh) * | 2018-05-15 | 2018-10-12 | 首钢集团有限公司 | 一种对双相钢中马氏体岛定量表征的方法 |
CN108711149A (zh) * | 2018-05-16 | 2018-10-26 | 郑州大学 | 基于图像处理的矿岩粒度检测方法 |
CN108806165A (zh) * | 2018-08-15 | 2018-11-13 | 重庆英卡电子有限公司 | 拍照式火焰探测系统及其控制方法 |
CN111650017A (zh) * | 2020-05-31 | 2020-09-11 | 河冶科技股份有限公司 | 高合金工具钢中残余奥氏体含量的检测方法 |
CN112395932A (zh) * | 2020-06-22 | 2021-02-23 | 钢铁研究总院 | 一种金属材料中显微组织全视场定量统计分布表征方法 |
Non-Patent Citations (5)
Title |
---|
LUOFENG XIE 等: "A novel surface defect inspection algorithm for magnetic tile", 《APPLIED SURFACE SCIENCE》, vol. 375, pages 118 - 126, XP029530570, DOI: 10.1016/j.apsusc.2016.03.013 * |
喻金华;肖铁军;: "基于FPGA的图像滤波的流水线结构设计与实现", 计算机工程与设计, no. 18, pages 4192 - 4194 * |
覃文军;吴成东;赵姝颖;刘丽影;: "金相组织图像智能分析技术研究", 矿冶, no. 01, pages 84 - 88 * |
邓仕超 等: "应用Canny算法和灰度等高线的金相组织封闭边缘提取", 《光学精密工程》, vol. 18, no. 10, pages 2314 - 2323 * |
邓仕超;刘铁根;萧泽新;: "应用Canny算法和灰度等高线的金相组织封闭边缘提取", 光学精密工程, no. 10 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822857A (zh) * | 2021-08-20 | 2021-12-21 | 南京钢铁股份有限公司 | 高镍铬铸铁轧辊的碳化物含量统计方法、存储介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112906639B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049664B (zh) | 基于视觉的船舶发动机配件缺陷检测方法 | |
CN111931647B (zh) | 钢结构表面锈坑识别、提取与评价设备、方法及存储介质 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN111598856A (zh) | 基于缺陷导向多点定位神经网络的芯片表面缺陷自动检测方法及系统 | |
CN112037185B (zh) | 染色体分裂相图像筛选方法、装置及终端设备 | |
CN111027343B (zh) | 条形码区域定位方法和装置 | |
CN112906639B (zh) | 一种铬合金钢材中铁素体的图像识别方法及装置 | |
CN113128554A (zh) | 一种基于模板匹配的目标定位方法、系统、装置及介质 | |
CN114882040A (zh) | 一种基于模板匹配的污水处理检测方法 | |
CN112289377B (zh) | 检测图像上的亮斑的方法、装置和计算机程序产品 | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN114429577A (zh) | 一种基于高置信标注策略的旗帜检测方法及系统及设备 | |
CN115631197B (zh) | 一种图像处理方法、装置、介质、设备及系统 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN116882774A (zh) | 一种基于ais的渔船航行与作业影响评估方法 | |
CN112906641B (zh) | 一种ebsd金相图像晶粒识别方法及装置 | |
CN113537253B (zh) | 一种红外图像目标检测方法、装置、计算设备及存储介质 | |
CN112966690B (zh) | 基于无锚框和提议框的场景文字检测方法 | |
CN114240924A (zh) | 一种基于数字化技术的电网设备质量评估方法 | |
CN114692661A (zh) | 二维码识别方法、存储介质和计算机 | |
CN108573253B (zh) | 车牌字符二值图的生成方法 | |
CN111626256A (zh) | 基于扫描电镜图像的高精度硅藻检测识别方法及系统 | |
CN113450316B (zh) | 一种金属表面字符缺陷检测方法、系统、装置及存储介质 | |
CN109271986B (zh) | 一种基于Second-Confirm的数字识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |