CN112906641B - 一种ebsd金相图像晶粒识别方法及装置 - Google Patents
一种ebsd金相图像晶粒识别方法及装置 Download PDFInfo
- Publication number
- CN112906641B CN112906641B CN202110297266.7A CN202110297266A CN112906641B CN 112906641 B CN112906641 B CN 112906641B CN 202110297266 A CN202110297266 A CN 202110297266A CN 112906641 B CN112906641 B CN 112906641B
- Authority
- CN
- China
- Prior art keywords
- image
- grain
- ebsd
- metallographic
- color
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001887 electron backscatter diffraction Methods 0.000 title claims abstract description 30
- 239000013078 crystal Substances 0.000 claims abstract description 60
- 239000003086 colorant Substances 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims description 48
- 238000001514 detection method Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 229910001069 Ti alloy Inorganic materials 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004626 scanning electron microscopy Methods 0.000 description 3
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 229910052719 titanium Inorganic materials 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
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)
Abstract
本发明公开了一种EBSD金相图像晶粒识别方法及装置,该方法包括:获取待检测的EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色;对EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像;对得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积;根据晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计。本发明提供的方法使得统计EBSD金相图像中有相同晶向的晶粒的数目和面积任务变得更加准确,便捷。
Description
技术领域
本发明涉及图像识别技术领域,特别涉及一种EBSD金相图像晶粒识别方法及装置。
背景技术
电子背散射衍射(EBSD)是一种非常强大的显微结构表征工具。EBSD是一种基于扫描电子显微镜(SEM),提供样品显微结构晶体学信息的技术。目前,EBSD已成为SEM中的一个出色的附件,常用来提供晶体学信息。EBSD广泛地应用于许多不同的领域,以帮助材料表征。在EBSD中,电子束与倾斜的晶态样品相互作用,形成衍射花样。衍射花样可以通过荧光屏探测到,它具有所产生处样品的晶体结构和取向特征。因此,衍射花样可用来确定晶体结构及取向、区分晶体上不同的相、表征晶界,以及提供有关局部结晶完整性的信息。
EBSD技术可实现全自动采集微区取向信息,样品制备较简单,数据采集速度快,分辨率高(空间分辨率和角分辨率分别能达到0.1μm和0.5°),为快速定量统计研究材料的微观组织结构和织构奠定了基础,已成为材料研究中一种有效的分析手段。EBSD测量的是样品中每一点的取向,那么不同点或不同区域的取向差异也就可以获得,从而可研究晶界或相界等界面。由于晶粒主要被定义为均匀结晶学取向的单元,EBSD是作为晶粒尺寸测量和形状分析的理想工具。
用EBSD技术采集到钛合金的微观结构图像后,一般采用channel5或者OIManalysis软件来分析晶粒的显微结构特征。目前这些分析软件可一次性给出所有晶粒大小,但面对提取某一特定晶向的晶粒数目,面积的任务却无能为力。如若材料研究人员想要只统计某一种晶向的晶粒的数目和晶粒尺寸,甚至晶粒形状,则只能手工在channel5或OIManalysis软件上点击统计。无疑,这样做耗时耗力。因此,如何用图像处理的方法自动分析晶粒成为一个值得研究的问题。
发明内容
本发明提供了一种EBSD金相图像晶粒识别方法及装置,以解决现有EBSD配套分析软件不能单独对某一晶向的晶粒数目和尺寸进行自动统计的问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种EBSD金相图像晶粒识别方法,包括:
获取待检测的电子背散射衍射EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色;
对EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像;
对得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积;
根据每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计。
进一步地,所述对EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像,包括:
对待检测的EBSD金相图像进行边缘扩充,得到边缘扩充后的图像;
对边缘扩充后的图像进行滤波,以去除图像噪声,得到去噪后的图像;
对去噪后的图像中不同颜色的区域进行分割,得到多张单一颜色图像。
进一步地,所述对待检测的EBSD金相图像进行边缘扩充,包括:
采用常数扩充方法,用像素值为0的像素作为工具,在待检测的EBSD金相图像的最上边,最下边,最左边和最右边分别扩充预设数量像素的宽度。
进一步地,所述对边缘扩充后的图像进行滤波,包括:
依次对边缘扩充后的图像进行均值滤波、中值滤波、高斯滤波和双边滤波。
进一步地,所述对得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,包括:
对得到的每一单一颜色图像中的晶粒轮廓进行检测;
针对当前单一颜色图像中检测出的晶粒轮廓,计算其中每一晶粒轮廓所围成的封闭区域的面积,统计出所围成的封闭区域面积大于当前单一颜色图像面积的一万分之一的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积。
进一步地,所述对得到的每一单一颜色图像中的晶粒轮廓进行检测,包括:
首先对得到的每一单一颜色图像分别进行预处理,得到预处理后的图像;然后对预处理后的图像中的晶粒轮廓进行检测;其中,所述预处理的过程为:依次对待预处理图像进行灰度化、高斯滤波、像素规范化、二值化和图像腐蚀。
另一方面,本发明还提供了一种EBSD金相图像晶粒识别装置,包括:
图像获取模块,用于获取待检测的电子背散射衍射EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色;
图像颜色分割模块,用于对所述图像获取模块所获取的EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像;
晶粒轮廓检测模块,用于对所述图像颜色分割模块得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积;
晶粒统计模块,用于根据所述晶粒轮廓检测模块检测出的每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计。
进一步地,所述图像颜色分割模块具体用于:
对待检测的EBSD金相图像进行边缘扩充,得到边缘扩充后的图像;
对边缘扩充后的图像进行滤波,以去除图像噪声,得到去噪后的图像;
对去噪后的图像中不同颜色的区域进行分割,得到多张单一颜色图像;
其中,所述对待检测的EBSD金相图像进行边缘扩充,包括:
采用常数扩充方法,用像素值为0的像素作为工具,在待检测的EBSD金相图像的最上边,最下边,最左边和最右边分别扩充预设数量像素的宽度;
所述对边缘扩充后的图像进行滤波,包括:
依次对边缘扩充后的图像进行均值滤波、中值滤波、高斯滤波和双边滤波。
进一步地,所述晶粒轮廓检测模块具体用于:
对得到的每一单一颜色图像中的晶粒轮廓进行检测;
针对当前单一颜色图像中检测出的晶粒轮廓,计算其中每一晶粒轮廓所围成的封闭区域的面积,统计出所围成的封闭区域面积大于当前单一颜色图像面积的一万分之一的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积。
进一步地,所述晶粒轮廓检测模块具体还用于:
首先对得到的每一单一颜色图像分别进行预处理,得到预处理后的图像;然后对预处理后的图像中的晶粒轮廓进行检测;其中,所述预处理的过程为:依次对待预处理图像进行灰度化、高斯滤波、像素规范化、二值化和图像腐蚀。
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:
本发明提出了一种以钛合金的EBSD金相图像为待处理数据,用图像处理的方法自动识别被渲染成不同颜色的晶粒,统计具有某一特定晶相的晶粒数目及晶粒大小的方法。利用图像自动识别的方式代替目前人工手动统计EBSD金相图像中有相同晶向的晶粒的数目和面积,提高了统计效率和准确率。使得统计EBSD金相图像中有相同晶向的晶粒的数目和面积任务变得更加准确,便捷。
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EBSD金相图像晶粒识别方法的流程图;
图2为本发明第二实施例提供的EBSD金相图像晶粒识别方法的流程图。
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
针对现有EBSD配套分析软件不能单独对某一晶向的晶粒数目和晶粒尺寸进行自动统计的技术问题,本实施例提供一种面向钛合金的EBSD金相图像晶粒识别方法,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。该EBSD金相图像晶粒识别方法的执行流程如图1所示,包括以下步骤:
S101,获取待检测的电子背散射衍射EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色。
S102,对EBSD金相图像中不同颜色区域进行分割得到多张单一颜色图像。
具体地,在本实施例中,上述S102包括以下步骤:
S1021,对待检测的EBSD金相图像进行边缘扩充,得到边缘扩充后的图像。
需要说明的是,若不对EBSD金相图像做边缘扩充的预处理操作,则难以避免部分晶粒边缘与金相图像边缘是重合的。如此一来,当在检测分割好的金相图像的晶粒轮廓和滤波去噪时,会带来难以处理的异常情况。对此,本实施例采用常数扩充方法向外扩充图像。在图像最上边,最下边,最左边,最右边都扩充10个像素的宽度。且考虑到钛合金的EBSD金相图像在整体上分为前景和背景区域,晶粒的边缘信息是存在于前景图像上,而背景在图像处理领域一般用黑色像素来呈现,所以用黑色像素作为工具扩充图像边缘,也即像素值是0。
S1022,对边缘扩充后的图像进行滤波,去除图像噪声,得到去噪后的图像。
需要说明的是,图像去噪是指减少图像中噪声的过程。钛合金的EBSD金相图像中的噪声是在扫描电镜扫描钛合金材料样品并成像的过程中产生的,由于客观实验条件的局限性,这样的噪声往往是不可避免的。经过分析,这种噪声与椒盐噪声有一定类似性。而椒盐噪声一般采用中值滤波的方式滤除。经过多次反复试验,针对钛合金的EBSD金相图像中的噪声,本实施例采用均值滤波,中值滤波,高斯滤波,双边滤波结合的方式进行去噪,也即依次对边缘扩充后的图像进行均值滤波、中值滤波、高斯滤波和双边滤波。此种方式达到的滤波效果最佳,可以为后续的图像分割过程提供最纯净的待处理图像。
S1023,对去噪后图像中不同颜色的区域进行分割,得到多张单一颜色图像。
需要说明的是,图像分割是将不同的对象划分为不同的部分,并将这些区域以明显的颜色或者记号标记出来。经过滤波后的待分割图像具有各段颜色区别明显的突出特点。在RGB颜色空间,利用每种颜色的R通道,G通道,B通道的灰度值范围作为分割阈值的参考。灰度值范围的下界作为低阈值,灰度值范围的上界作为高阈值。在原待分割图像上,利用低分割阈值和高分割阈值可生成对应某种颜色的掩码图。掩码图的大小和原待分割图像是相同大小。待分割图像和掩码图进行与处理后,便可生成只含某一种颜色的分割结果图。良好的图像分割为本实施例后续的钛合金晶粒识别奠定了基础。
S103,对得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积。
具体地,在本实施例中,上述S103包括以下步骤:
S1031,对得到的每一单一颜色图像分别进行预处理,得到预处理后的图像。
需要说明的是,图像分析中,图像质量的好坏直接影响识别算法的设计与效果的精度,因此在图像分析前,需要进行预处理。图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性、最大限度地简化数据,从而改进识别的可靠性。
具体地,在本实施例中,该图像预处理流程为:依次对待处理图像进行灰度化、高斯滤波、像素规范化、二值化和图像腐蚀,下面一一进行说明。
对彩色图像进行处理时,往往需对三个通道依次进行处理,时间开销会很大。因此,为提高整个方法的处理速度,需减少所需处理的数据量。对图像进行灰度化,即可以把R,G,B三个通道的灰度值设为相同值,减少处理时间。
图像的大多数噪声均属于高斯噪声。高斯滤波是一种线性平滑滤波,适用于消除图像的高斯噪声。噪声属于高频率部分。高斯滤波器平滑处理后可以降低噪声的影响,能够得到较好的图像边缘。
不同颜色段的灰度值具有较大的差别。在对图像做灰度化后,得到的灰度图的灰度值也具有较大差别,在0至255的灰度级上广泛分布。为了用统一的阈值对灰度图进行二值化,就需要对所有颜色段的灰度图做规范化处理,把像素统一置到128之上。规范化后的灰度图进行二值化时,能得到前景,背景准确分离的二值图像。
设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。在本实施例中,大于T的像素群即是目标区域。图像的二值化使图像中数据量大为减少,从而能凸显出目标的轮廓。
图像腐蚀是基本的形态学运算。将图像中的高亮区域或白色部分进行缩减细化。对前一步得到的二值图像进行腐蚀,可去除图像中过于细小的白色部分,可加快程序运行,提高运算效率。
S1032,对预处理后的图像中的晶粒轮廓进行检测。
需要说明的是,轮廓是形状分析,目标检测和识别的有用工具。轮廓是晶粒的典型特征。检测到金相图像中的晶粒轮廓,就可利用轮廓个数和轮廓所围面积来对晶粒进行统计。本设计使用OpenCV库中的轮廓检测函数findContours来从二值图像中快速,高效,准确地检测轮廓。此函数以Satoshi Suzuki等人于1985年提出的算法来实现,在图像处理领域被广泛使用。
S1033,针对当前单一颜色图像中检测出的晶粒轮廓,计算其中每一晶粒轮廓所围成的封闭区域的面积,统计所围成的封闭区域面积大于当前单一颜色图像面积的一万分之一的晶粒轮廓的个数和各晶粒轮廓围成的封闭区域的面积。
需要说明的是,虽然已经对原图进行了一系列有效的预处理,但在待检测的二值图像中仍存在部分过小的目标区域对晶粒检测带来干扰。于是,在实际检测程序中,本实施例对那些小于待检测二值图像尺寸的万分之一的目标区域进行舍弃。这样既能提高检测效率,又可以避免对尺寸较大晶粒出现漏检情况。
S104,根据每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计。
综上,本实施例的方法通过对EBSD原始金相图像进行预处理,以去除图像噪声,再对预处理后的金相图像进行颜色分割,将不同颜色区域进行分割。然后,将每一种彩色图像转为灰度图,进而转为二值图像。最后,利用晶粒的边界信息识别晶粒数目及大小。从而利用图像自动识别的方式代替目前人工手动统计有相同晶向的晶粒数目和面积,提高了统计效率和准确率。使得统计EBSD金相图像中有相同晶向的晶粒的数目和面积任务变得更加准确,便捷。
第二实施例
针对现有EBSD配套分析软件不能单独对某一晶向的晶粒数目和晶粒尺寸进行自动统计的技术问题,本实施例提供了一种面对钛合金的EBSD金相图像晶粒识别方法,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。该EBSD金相图像晶粒识别方法采用python语言和opencv库来实现;该EBSD金相图像晶粒识别方法的执行流程如图2所示,包括以下步骤:
S201,opencv的imread函数读取jpg格式的待处理钛合金EBSD金相图像;
S202,对读取到的图像用opencv的copyMakeBorder函数进行边缘扩充,分别在图像最上边,最下边,最左边,最右边扩充10个像素宽度的黑色像素;
S203,对在S202得到的图像进行滤波去噪,依次进行均值滤波,中值滤波,高斯滤波和双边滤波,滤波器的核大小都是5*5;
S204,从预先准备好的python文件导入分割晶粒的颜色空间的阈值列表;
S205,从阈值列表中读取一对阈值,并把这对阈值转化为numpy的数组形式,利用当前读取到的一对高阈值和低阈值分割S203得到的图像,分割得到一张掩码图mask,将该掩码图和S202得到的图像用opencv的bitwise_and函数进行与操作,得到只含一种颜色的图像,保存此图像;
S206,从阈值列表读取下一对阈值,循环执行S205;
S207,待S206执行完后,得到所有只含单一颜色的图像,将这批图像集中存在同一个文件夹位置,方便后续读取;
S208,从保存位置读取一张S207得到的图像;
S209,获取读入图像尺寸大小,创建一张与其相同尺寸的黑色底图并保存;
S2010,对S208读取的图像灰度化,接着进行核为5*5的高斯滤波,再接着进行像素规范化,将所有像素调至大于128,方便二值化;
S2011,选择合适的阈值(建议取20到30之间),对图像二值化,然后腐蚀二值图像,核大小是3*3,迭代次数是两次;
S2012,开始在上一步得到的图像中用opencv的findContours函数提取晶粒边界,提取到的边界以列表返回;
S2013,在for循环中,开始遍历S2012得到的边界,从第一条边界开始,用opencv的contourArea函数计算边界围成的封闭区域面积,若面积大于S208得到的图像面积的万分之一,则该封闭区域是一块较大的晶粒,记录下这块晶粒和它的面积,并在一张新的黑色底图上绘制该晶粒的轮廓,保存为一张图像;
S2014,开始遍历第二条边界,循环执行S2013,直至遍历所有边界;
S2015,绘制晶粒数目,面积的统计结果。
综上,本实施例的方法首先根据不同晶向在反极图中对应的颜色不同,预准备好分割不同颜色的阈值,接着对钛合金的EBSD原始金相图像进行预处理,以去除噪声,再对预处理后的金相图像进行颜色分割,将不同颜色区域进行分割。然后,将每一种彩色图像转为灰度图,进而转为二值图像。最后,利用晶粒丰富的边界信息识别晶粒数目及大小。从而利用图像自动识别的方式代替目前人工统计有相同晶向的晶粒数目和面积,提高了统计效率和准确率。使得统计EBSD金相图像中有相同晶向的晶粒的数目和面积任务变得更加准确,便捷。
第三实施例
本实施例提供了一种面对钛合金的EBSD金相图像晶粒识别装置,该面对钛合金的EBSD金相图像晶粒识别装置包括以下模块:
图像获取模块,用于获取待检测的电子背散射衍射EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色;
图像颜色分割模块,用于对所述图像获取模块所获取的EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像;
晶粒轮廓检测模块,用于对所述图像颜色分割模块得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积;
晶粒统计模块,用于根据所述晶粒轮廓检测模块检测出的每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计。
本实施例的面对钛合金的EBSD金相图像晶粒识别装置与上述第一实施例的面对钛合金的EBSD金相图像晶粒识别方法相对应;其中,本实施例的EBSD金相图像晶粒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EBSD金相图像晶粒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 (7)
1.一种EBSD金相图像晶粒识别方法,其特征在于,包括:
获取待检测的电子背散射衍射EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色;
对EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像;
对得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积;
根据每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计;
所述对EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像,包括:
对待检测的EBSD金相图像进行边缘扩充,得到边缘扩充后的图像;
对边缘扩充后的图像进行滤波,以去除图像噪声,得到去噪后的图像;
对去噪后的图像中不同颜色的区域进行分割,得到多张单一颜色图像;
所述对得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,包括:
对得到的每一单一颜色图像中的晶粒轮廓进行检测;
针对当前单一颜色图像中检测出的晶粒轮廓,计算其中每一晶粒轮廓所围成的封闭区域的面积,统计出所围成的封闭区域面积大于当前单一颜色图像面积的一万分之一的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积。
2.如权利要求1所述的EBSD金相图像晶粒识别方法,其特征在于,所述对待检测的EBSD金相图像进行边缘扩充,包括:
采用常数扩充方法,用像素值为0的像素作为工具,在待检测的EBSD金相图像的最上边,最下边,最左边和最右边分别扩充预设数量像素的宽度。
3.如权利要求1所述的EBSD金相图像晶粒识别方法,其特征在于,所述对边缘扩充后的图像进行滤波,包括:
依次对边缘扩充后的图像进行均值滤波、中值滤波、高斯滤波和双边滤波。
4.如权利要求1所述的EBSD金相图像晶粒识别方法,其特征在于,所述对得到的每一单一颜色图像中的晶粒轮廓进行检测,包括:
首先对得到的每一单一颜色图像分别进行预处理,得到预处理后的图像;然后对预处理后的图像中的晶粒轮廓进行检测;其中,所述预处理的过程为:依次对待预处理图像进行灰度化、高斯滤波、像素规范化、二值化和图像腐蚀。
5.一种EBSD金相图像晶粒识别装置,其特征在于,包括:
图像获取模块,用于获取待检测的电子背散射衍射EBSD金相图像;其中,在待检测的EBSD金相图像中具有不同晶向的晶粒被渲染成不同的颜色;
图像颜色分割模块,用于对所述图像获取模块所获取的EBSD金相图像中不同颜色的区域进行分割,得到多张单一颜色图像;
晶粒轮廓检测模块,用于对所述图像颜色分割模块得到的每一单一颜色图像中的晶粒轮廓进行检测,确定每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积;
晶粒统计模块,用于根据所述晶粒轮廓检测模块检测出的每一单一颜色图像中的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积,对EBSD金相图像中有相同晶向的晶粒的数目和面积进行统计;
所述图像颜色分割模块具体用于:
对待检测的EBSD金相图像进行边缘扩充,得到边缘扩充后的图像;
对边缘扩充后的图像进行滤波,以去除图像噪声,得到去噪后的图像;
对去噪后的图像中不同颜色的区域进行分割,得到多张单一颜色图像;
所述晶粒轮廓检测模块具体用于:
对得到的每一单一颜色图像中的晶粒轮廓进行检测;
针对当前单一颜色图像中检测出的晶粒轮廓,计算其中每一晶粒轮廓所围成的封闭区域的面积,统计出所围成的封闭区域面积大于当前单一颜色图像面积的一万分之一的晶粒轮廓的个数和各晶粒轮廓所围成的封闭区域的面积。
6.如权利要求5所述的EBSD金相图像晶粒识别装置,其特征在于,
所述对待检测的EBSD金相图像进行边缘扩充,包括:
采用常数扩充方法,用像素值为0的像素作为工具,在待检测的EBSD金相图像的最上边,最下边,最左边和最右边分别扩充预设数量像素的宽度;
所述对边缘扩充后的图像进行滤波,包括:
依次对边缘扩充后的图像进行均值滤波、中值滤波、高斯滤波和双边滤波。
7.如权利要求5所述的EBSD金相图像晶粒识别装置,其特征在于,所述晶粒轮廓检测模块具体还用于:
首先对得到的每一单一颜色图像分别进行预处理,得到预处理后的图像;然后对预处理后的图像中的晶粒轮廓进行检测;其中,所述预处理的过程为:依次对待预处理图像进行灰度化、高斯滤波、像素规范化、二值化和图像腐蚀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297266.7A CN112906641B (zh) | 2021-03-19 | 2021-03-19 | 一种ebsd金相图像晶粒识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297266.7A CN112906641B (zh) | 2021-03-19 | 2021-03-19 | 一种ebsd金相图像晶粒识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906641A CN112906641A (zh) | 2021-06-04 |
CN112906641B true CN112906641B (zh) | 2023-08-18 |
Family
ID=76106739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297266.7A Active CN112906641B (zh) | 2021-03-19 | 2021-03-19 | 一种ebsd金相图像晶粒识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906641B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116422851A (zh) * | 2023-04-26 | 2023-07-14 | 北京科技大学 | 基于定量评定铸坯晶粒分布的连铸工艺在线控制方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103940708A (zh) * | 2014-04-10 | 2014-07-23 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
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 |
CN105976349A (zh) * | 2015-03-10 | 2016-09-28 | 三星电子株式会社 | 使用高分辨率透射电子显微镜图像的晶粒分析方法和系统 |
CN106023134A (zh) * | 2016-04-29 | 2016-10-12 | 江苏大学 | 一种钢材晶粒的自动晶界提取方法 |
CN107274413A (zh) * | 2017-05-27 | 2017-10-20 | 江苏大学 | 一种钢材金相组织晶界自动提取方法 |
CN107976459A (zh) * | 2017-11-16 | 2018-05-01 | 北京科技大学 | 一种双相不锈钢铸态组织中两相比例的分析检测方法 |
CN108376656A (zh) * | 2018-02-08 | 2018-08-07 | 北京科技大学 | 基于二维x射线检测技术的超大晶粒尺寸的无损检测方法 |
JP2019015573A (ja) * | 2017-07-05 | 2019-01-31 | 日立金属株式会社 | 多結晶材料の解析方法 |
CN109342325A (zh) * | 2018-10-30 | 2019-02-15 | 南开大学 | 一种低维材料各向异性显微的成像方法和装置 |
CN110361385A (zh) * | 2019-07-08 | 2019-10-22 | 武汉科技大学 | 一种晶粒数据获取的方法及系统 |
CN112070788A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
CN112396618A (zh) * | 2020-11-12 | 2021-02-23 | 北京科技大学 | 一种基于图像处理的晶界提取及晶粒度测量方法 |
-
2021
- 2021-03-19 CN CN202110297266.7A patent/CN112906641B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103940708A (zh) * | 2014-04-10 | 2014-07-23 | 江苏大学 | 一种钢材全形态晶粒的快速测量、精细分类方法 |
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 |
CN105976349A (zh) * | 2015-03-10 | 2016-09-28 | 三星电子株式会社 | 使用高分辨率透射电子显微镜图像的晶粒分析方法和系统 |
CN106023134A (zh) * | 2016-04-29 | 2016-10-12 | 江苏大学 | 一种钢材晶粒的自动晶界提取方法 |
CN107274413A (zh) * | 2017-05-27 | 2017-10-20 | 江苏大学 | 一种钢材金相组织晶界自动提取方法 |
JP2019015573A (ja) * | 2017-07-05 | 2019-01-31 | 日立金属株式会社 | 多結晶材料の解析方法 |
CN107976459A (zh) * | 2017-11-16 | 2018-05-01 | 北京科技大学 | 一种双相不锈钢铸态组织中两相比例的分析检测方法 |
CN108376656A (zh) * | 2018-02-08 | 2018-08-07 | 北京科技大学 | 基于二维x射线检测技术的超大晶粒尺寸的无损检测方法 |
CN109342325A (zh) * | 2018-10-30 | 2019-02-15 | 南开大学 | 一种低维材料各向异性显微的成像方法和装置 |
CN110361385A (zh) * | 2019-07-08 | 2019-10-22 | 武汉科技大学 | 一种晶粒数据获取的方法及系统 |
CN112070788A (zh) * | 2020-09-03 | 2020-12-11 | 武汉工程大学 | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 |
CN112396618A (zh) * | 2020-11-12 | 2021-02-23 | 北京科技大学 | 一种基于图像处理的晶界提取及晶粒度测量方法 |
Non-Patent Citations (1)
Title |
---|
应用Canny算法和灰度等高线的金相组织封闭边缘提取;邓仕超等;《光学精密工程》;第18卷(第10期);2314-2323 * |
Also Published As
Publication number | Publication date |
---|---|
CN112906641A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017521779A (ja) | 画像解析を用いた核のエッジの検出 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
EP2572205A1 (en) | Methods and systems for identifying well wall boundaries of microplates | |
CN112614062A (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN116777907A (zh) | 一种钣金件质量检测方法 | |
CN102645436B (zh) | 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法 | |
CN112906641B (zh) | 一种ebsd金相图像晶粒识别方法及装置 | |
CN112396618B (zh) | 一种基于图像处理的晶界提取及晶粒度测量方法 | |
Soumya et al. | License plate detection and character recognition using contour analysis | |
Khamael et al. | Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images | |
CN116648723A (zh) | 材料微结构的分析方法和装置 | |
CN114693959A (zh) | 图像目标匹配定位方法、存储介质和计算机 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Balasubramani et al. | Defect identification in casting surface using image processing techniques | |
CN112465817B (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
CN112906639B (zh) | 一种铬合金钢材中铁素体的图像识别方法及装置 | |
CN114972453A (zh) | 改进的基于lsd与模板匹配的sar图像区域配准方法 | |
CN114550149A (zh) | 基于深度学习的指针仪表读数方法及系统 | |
CN111028258B (zh) | 一种大尺度灰度图像自适应阈值提取方法 | |
CN110415229B (zh) | 基于Haar特征和AdaBoost算法的纹理图像质量估计方法 | |
Chatterjee et al. | Phase extraction and boundary removal in dual phase steel micrographs | |
CN110223307B (zh) | 一种基于图像识别的血液细胞计数方法 | |
CN115331034A (zh) | 一种受干扰的测序图像的识别方法、装置、设备及介质 | |
Balasubramani et al. | 13 Defect Identification |
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 |