CN115038965A - 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置 - Google Patents
金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置 Download PDFInfo
- Publication number
- CN115038965A CN115038965A CN202180010846.1A CN202180010846A CN115038965A CN 115038965 A CN115038965 A CN 115038965A CN 202180010846 A CN202180010846 A CN 202180010846A CN 115038965 A CN115038965 A CN 115038965A
- Authority
- CN
- China
- Prior art keywords
- phase
- image
- phases
- metallographic structure
- feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 187
- 239000007769 metal material Substances 0.000 title claims abstract description 128
- 239000000463 material Substances 0.000 title claims description 111
- 238000004364 calculation method Methods 0.000 claims abstract description 110
- 238000003384 imaging method Methods 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims description 112
- 238000011158 quantitative evaluation Methods 0.000 claims description 49
- 229910000859 α-Fe Inorganic materials 0.000 claims description 41
- 239000013078 crystal Substances 0.000 claims description 39
- 229910000734 martensite Inorganic materials 0.000 claims description 35
- 238000011156 evaluation Methods 0.000 claims description 30
- 229910000831 Steel Inorganic materials 0.000 claims description 25
- 239000010959 steel Substances 0.000 claims description 25
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 17
- 230000003287 optical effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 239000000203 mixture Substances 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 230000000052 comparative effect Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 208000035126 Facies Diseases 0.000 description 7
- 238000011282 treatment Methods 0.000 description 7
- 230000003750 conditioning effect Effects 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 238000010422 painting Methods 0.000 description 6
- 238000005498 polishing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 229910000885 Dual-phase steel Inorganic materials 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000005728 strengthening Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 229910001562 pearlite Inorganic materials 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000006104 solid solution Substances 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- G01N2021/8405—Application to two-phase or mixed materials, e.g. gas dissolved in liquids
-
- 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
- G01N2223/418—Imaging electron microscope
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Food Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Nonlinear Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
金相组织的相的分类方法包括:特征值计算步骤,其中,对拍摄金属材料的金相组织而得到的图像的像素计算一个以上的特征值;和相分类步骤,其中,对于以被赋予了金相组织的多个相的标签的特征值作为输入、以各相的标签作为输出进行学习后的学习完成模型,输入在特征值计算步骤中计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对图像的金相组织的相进行分类。
Description
技术领域
本发明涉及金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置。
背景技术
近年来,从保护地球环境的观点考虑,为了减少排出的污染物质而实施废气限制。另外,对汽车强烈要求通过车身的轻量化来提高燃料效率。用于使车身轻量化的有力方法之一有车身所使用的薄钢板的高强度化,在汽车中高强度钢板的使用量逐年增加。
通常,钢板等金属材料即使具有相同的组成,特性也强烈依赖于光学显微镜或电子显微镜水平下的等级(mm~μm等级)的金相组织。因此,在开发高强度钢板的情况下,可以使用利用固溶强化元素的添加所产生的固溶强化的方法、利用析出强化元素的添加所产生的析出物的析出强化方法等改变组成的方法。另外,除了这些方法以外,还可以使用通过在相同组成下改变热处理条件而使最终实现的金相组织变化来提高机械特性的方法。
这样,为了开发高强度钢板,不仅组成的控制是重要的,而且金相组织的控制也是重要的,因此,利用光学显微镜或电子显微镜等观察金属材料并对其金相组织进行定量评价是重要的。实际上,在材料开发的现场,经常实施改变了热处理条件的金属材料的组织观察。
在对钢板等金属材料实施公知的研磨方法和蚀刻方法等试样调节后利用电子显微镜等公知的拍摄装置进行组织的观察时,通常由于各相中对比度不同,因此能够进行各相的判别。例如,当利用公知的方法对钢铁材料中由铁素体相和珠光体相构成的代表性的钢板进行试样调节后利用光学显微镜拍摄时,铁素体相以灰色的对比度被观察到,珠光体相以黑色的对比度被观察到。因此,能够进行铁素体相与珠光体相的判别。通过利用这样的方法反复实施金相组织的观察,控制因热处理条件而变化的组织,尝试实现作为原材料所要求的材料特性,这样的材料开发经常进行。
在此,为了将材料特性与金相组织结合起来,定量地评价所观察的金相组织变得重要。例如,在由铁素体相和马氏体相构成的代表性的双相钢板中,已知其抗拉强度强烈依赖于马氏体相的相分率。以往,为了由拍摄金相组织而得到的图像定量地评价这些相的相分率,通过手涂对各相进行颜色区分,并数出颜色区分后的各颜色的面积,由此测定各相的相分率。但是,在该方法中,相的识别根据操作人员而不同,因此每个操作人员的误差大,另外,手涂也需要大量的时间。因此,即使是在相同的组成和相同的热处理条件下制造的钢板,误差也大,并且在1张图像的分析中需要非常多的时间,因此实际上几乎未实施该方法。
作为代替这样的误差大、另外需要大量时间的手涂的金相组织的定量评价方法,可以列举亮度值的二值化。在该方法中,对所拍摄的金相组织的图像确定亮度值的阈值,以成为二色的方式使用计算机等转换图像,由此仅提取特定的相,通过求出各颜色的面积来测定相分率。该方法在金相组织的每个相中亮度值明显不同的情况下,能够准确地实施相的分类。另外,由于作为操作仅确定亮度值的阈值,因此与上述的手涂相比,能够以非常快的速度定量评价金相组织。但另一方面,在金属材料中,各相的亮度值的差异不明确的情况多,在亮度值的差异不明确的情况下,误差变大,因此不能精度良好地分类的情况多。
在计算机的性能飞跃地提高的最近,开发出了使用更高级的计算技术而不是上述列举的手涂或单纯的亮度值的二值化,在不包含人为要素的情况下分析图像的技术。例如,在专利文献1中公开了以下的技术。首先,将人体表面的部位的图像转换为相反色空间中的图像,将相反色空间中的图像的相反色空间的成分各自分解为不同的空间频率的子带图像。然后,对该子带图像计算与人体表面的部位对应的特征值,根据该特征值评价人体表面的部位的外观。通过使用该技术,可以由人皮肤的图像客观且高速地评价皮肤的状态、质感等。
另外,在专利文献2中公开了以下的技术。首先,对拍摄组织而得到的1张组织图像,在使二值化的基准值不同的同时进行多次二值化处理,由此生成多个二值化图像。接着,对该多个二值化图像分别计算出孔状区域的数量,确定对多个二值化的基准值与孔状区域的数量的对应关系赋予特征的特征数,生成与该特征数对应的输出信息。
现有技术文献
专利文献
专利文献1:日本特开2018-121752号公报
专利文献2:国际公开第2017/010397号
发明内容
发明所要解决的问题
但是,在专利文献1中公开的技术终归是用于评价人皮肤的技术,因此难以应用于钢板等金属材料的组织。另外,对于在专利文献2中公开的技术也同样,由于是用于分析生物细胞的图像的技术,因此难以应用于钢板等金属材料的组织。
本发明是鉴于上述问题而完成的,其目的在于提供能够定量且高速地评价金属材料中重要的金相组织的金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置。
用于解决问题的方法
为了解决上述问题并且实现目的,本发明的金相组织的相的分类方法的特征在于,包括:特征值计算步骤,其中,对拍摄金属材料的金相组织而得到的图像的像素计算一个以上的特征值;和相分类步骤,其中,对于以被赋予了上述金相组织的多个相的标签的特征值作为输入、以各相的标签作为输出而进行了学习的学习完成模型,输入在上述特征值计算步骤中计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对上述图像的金相组织的相进行分类。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,包括在上述相分类步骤之前对上述图像的像素的亮度值进行调节的图像预处理步骤。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,在上述图像预处理步骤中,对上述图像的亮度值的直方图进行均衡化。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,在上述图像预处理步骤中,除去上述图像的平均亮度值。
为了解决上述问题并且实现目的,本发明的金相组织的相的分类方法中,对于从一个金属材料拍摄上述金属材料的金相组织而得到的多个图像,对两个以上的金相组织的相进行分类,其特征在于,包括:图像预处理步骤,其中,从上述多个图像中选择一个或规定数量的图像,对所选择的图像的像素的亮度值进行调节;特征值计算步骤,其中,对于在上述图像预处理步骤中进行了预处理的图像的像素计算一个以上的特征值;相分类步骤,其中,对于以被赋予了上述金相组织的多个相的标签的特征值作为输入、以各相的标签作为输出而进行了学习的学习完成模型,输入在上述特征值计算步骤中计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对上述图像的金相组织的相进行分类;误差评价值计算步骤,其中,对于在上述相分类步骤中分类后的金相组织的各相,对每个像素确定正误,计算误差评价值;预处理调节步骤,其中,以使在上述误差评价值计算步骤中计算出的误差评价值变小的方式变更上述图像预处理步骤的预处理参数,重复进行上述特征值计算步骤、上述相分类步骤和上述误差评价值计算步骤来调节上述预处理参数,将在上述预处理调节步骤中调节后的预处理参数确定为固定值,对拍摄上述金属材料的金相组织而得到的多个图像全部进行上述图像预处理步骤、上述特征值计算步骤和上述相分类步骤。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,上述特征值计算步骤计算以下中的一个以上的特征值:表示上述图像的亮度值的恒等特征值;表示上述图像的规定范围内的亮度值的平均值的平均(Mean)特征值;表示在上述图像的规定范围内越靠近中心则加权越大的亮度值的平均值的高斯(Gausian)特征值;表示上述图像的规定范围内的亮度值的中心值的中间(Median)特征值;表示上述图像的规定范围内的亮度值的最大值的最大(Max)特征值;表示上述图像的规定范围内的亮度值的最小值的最小(Min)特征值;表示上述图像的亮度值的微分值的导数(Derivative)特征值;通过将上述导数特征值相加而得到的导数相加特征值。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,上述规定范围为包含小于上述金相组织的预先指定的一个或多个相中结晶粒径较小一方的上述结晶粒径的1/2的大小并且包含小于结晶粒径较大一方的上述结晶粒径的1/2的大小的范围。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,上述金属材料为双相钢板,在上述相分类步骤中,对铁素体相和马氏体相进行分类。
另外,本发明的金相组织的相的分类方法的特征在于,在上述发明中,上述学习完成模型为包含决策树、随机森林或神经网络的机器学习模型。
为了解决上述问题并且实现目的,本发明的金相组织的相的分类装置的特征在于,具备:特征值计算部,其对拍摄金属材料的金相组织而得到的图像的像素计算一个以上的特征值;和相分类部,其对于以被赋予了上述金相组织的预先指定的一个或多个相的标签的特征值作为输入、以各相的标签作为输出而进行了学习的学习完成模型,输入由上述特征值计算部计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对上述图像的金相组织的相进行分类。
另外,本发明的金相组织的相的分类装置的特征在于,在上述发明中,还具备调节上述图像的像素的亮度值的图像预处理部和调节上述图像预处理部的预处理参数的预处理调节部。
为了解决上述问题并且实现目的,本发明的金相组织的相的学习方法的特征在于,包括:相指定步骤,其中,对于拍摄金属材料的金相组织而得到的图像,对与上述金相组织的预先指定的一个或多个相对应的像素赋予各相的标签;特征值计算步骤,其中,对于赋予了各相的标签的像素计算一个以上的特征值;和模型生成步骤,其中,以被赋予了各相的标签的上述特征值作为输入、以各相的标签作为输出而进行学习,由此生成学习完成模型。
为了解决上述问题并且实现目的,本发明的金相组织的相的学习装置的特征在于,具备:相指定部,其对于拍摄金属材料的金相组织而得到的图像,对与上述金相组织的预先指定的一个或多个相对应的像素赋予各相的标签;特征值计算部,其对赋予了各相的标签的像素计算一个以上的特征值;和模型生成部,其以被赋予了各相的标签的上述特征值作为输入、以各相的标签作为输出而进行学习,由此生成学习完成模型。
为了解决上述问题并且实现目的,本发明的金属材料的材料特性预测方法为对金属材料的材料特性进行预测的金属材料的材料特性预测方法,其中,在上述金相组织的相的分类方法之后,包括:定量评价步骤,其中,通过计算分类后的各相的大小、面积率或形状来计算金相组织的定量评价值;数据选择步骤,其中,从上述定量评价值和预先准备的上述金属材料的材料特性中选择出在上述金属材料的材料特性的预测中使用的数据;模型生成步骤,其中,使用所选择的数据来生成预测上述金属材料的材料特性的预测模型;以及材料特性预测步骤,其中,使用所生成的预测模型对上述金属材料的材料特性进行预测。
为了解决上述问题并且实现目的,本发明的金属材料的材料特性预测装置为对金属材料的材料特性进行预测的金属材料的材料特性预测装置,其中,具备:输入部,其输入进行了金相组织的相的分类的图像;定量评价部,其通过计算分类后的各相的大小、面积率或形状来计算金相组织的定量评价值;数据记录部,其将上述定量评价值记录于数据库中;数据选择部,其从记录于上述数据库中的上述定量评价值和上述金属材料的材料特性中选择出在上述金属材料的材料特性的预测中使用的数据;模型生成部,其使用所选择的数据来生成预测上述金属材料的材料特性的预测模型;材料特性预测部,其使用所生成的预测模型对上述金属材料的材料特性进行预测;以及输出部,其输出所预测的上述金属材料的材料特性。
发明效果
根据本发明的金相组织的相的学习方法、金相组织的相的分类方法、金相组织的相的学习装置、金相组织的相的分类装置,由金相组织的图像求出各相的特征值,学习该特征值与各相的对应关系,由此能够定量且高速地评价金属材料中重要的金相组织。
另外,根据本发明的金相组织的相的学习方法、金相组织的相的分类方法、金相组织的相的学习装置、金相组织的相的分类装置,即使是不同的金属材料,也能够使组织图像的亮度水平最佳化,因此能够高精度地进行组织图像的相的分类。
另外,根据本发明的金属材料的材料特性预测方法和金属材料的材料特性预测装置,能够根据金相组织的相的分类结果高效地实施定量评价。因此,通过导出定量评价值与金属材料的材料特性的相关,能够准确地预测金属材料的材料特性。由此,在观察金相组织的图像的同时,能够掌握金属材料的材料特性,因此能够提高金属材料(例如钢板)开发的效率性。
附图说明
图1为表示本发明的实施方式的金相组织的相的学习装置的概略性构成的框图。
图2为表示本发明的实施方式1的和金相组织的相的分类装置的概略性构成的框图。
图3为表示本发明的实施方式2的和金相组织的相的分类装置的概略性构成的框图。
图4为表示本发明的实施方式的金相组织的相的学习方法的流程的流程图。
图5为表示本发明的实施方式1的和金相组织的相的分类方法的流程的流程图。
图6为表示本发明的实施方式2的和金相组织的相的分类方法的流程的流程图。
图7为表示本发明的实施方式的金属材料的材料特性预测装置的概略性构成的框图。
图8为表示本发明的实施方式的金属材料的材料特性预测方法的流程的流程图。
图9为本发明的金相组织的相的学习方法的实施例,是表示在图像输入步骤中利用扫描电子显微镜拍摄的图像和该图像的亮度值的谱线轮廓的图。
图10为本发明的金相组织的相的学习方法的实施例,是表示在图像预处理步骤中进行背景除去后的图像和该图像的亮度值的谱线轮廓的图。
图11为本发明的金相组织的相的学习方法的实施例,是表示在相指定步骤中指定的铁素体相和马氏体相的图。
图12为本发明的金相组织的相的学习方法的实施例,是表示在特征值计算步骤中计算出的恒等特征值、高斯特征值和平均特征值的图。
图13为本发明的金相组织的相的学习方法的实施例,是表示在模型生成步骤中生成的决策树的图。
图14为本发明的金相组织的相的分类方法的实施例,是表示在特征值计算步骤中计算出的恒等特征值、高斯特征值和平均特征值的图。
图15为本发明的金相组织的相的分类方法的实施例,是表示原始图像、实施例的分类结果和比较例的分类结果的图。
图16为本发明的金相组织的相的分类方法的实施例,是表示原始图像、背景除去后的图像、实施例的分类结果和比较例的分类结果的图。
图17为本发明的金属材料的材料特性预测方法的实施例,是表示根据图15的(b)和图16的(c)的组织图像计算出的铁素体相的圆度的直方图的图。
图18为本发明的金属材料的材料特性预测方法的实施例,是表示利用由预测模型生成部生成的预测模型(神经网络模型)得到的抗拉强度的预测结果的图。
具体实施方式
参照附图对本发明的实施方式的金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置进行说明。
本实施方式的金相组织的相的学习方法和学习装置为对在控制作为结构构件、汽车用构件等各种制品的原材料使用的金属材料的特性方面成为重要信息的金相组织的相进行学习的方法和装置。另外,本实施方式的金相组织的相的分类方法和分类装置为根据金相组织的相的学习方法和学习装置的学习结果对金相组织的相进行分类的方法和装置。需要说明的是,在本实施方式中进行相的学习和分类的金属材料例如为由铁素体相和马氏体相构成的双相钢板(DP钢板)。以下,对金相组织的相的学习装置和分类装置的构成进行说明,然后对使用这些装置的学习方法和分类方法进行说明。然后,对金属材料的材料特性预测装置的构成进行说明,然后对使用该装置的材料特性预测方法进行说明。
(金相组织的相的学习装置)
参照图1对金相组织的相的学习装置(以下称为“学习装置”)1进行说明。学习装置1具备输入部10、输出部20和运算部30。
输入部10为对运算部30输入拍摄金属材料的金相组织而得到的图像(以下称为“组织图像”)的输入单元。该组织图像可以通过在该组织图像的拍摄中广泛使用的光学显微镜或扫描电子显微镜等公知的拍摄装置获得。
通常,在组织图像的拍摄时实施试样调节,但该试样调节可以使用公知的方法。例如,在利用扫描电子显微镜拍摄的情况下,作为公知的试样调节,可以列举如下的方法。首先,利用砂纸将试样片粗研磨,然后通过使用0.5μm~2.0μm的氧化铝研磨剂的抛光进行研磨直至试样表面成为镜面为止。然后,在1%硝酸乙醇溶液等稀腐蚀溶液中侵蚀约1秒。该试样调节的实施不是必须的,但优选进行镜面研磨直至预先存在的试样表面的伤痕消失为止。
另外,组织图像的拍摄时的倍率、光学显微镜下的光源的强度、电子显微镜下的加速电压等拍摄条件没有特别限定,操作人员可以根据成为分析对象的金相组织来设定。另外,在拍摄组织图像时,优选在以使各相的对比度变得明确的方式进行对比度的调节后进行拍摄。需要说明的是,组织图像不限于由拍摄装置获得,也可以由预先拍摄并保存的外部或内部的记录介质(例如硬盘、USB存储器等)获得,并输入到输入部10中。
输出部20为输出由运算部30得到的运算结果的输出单元。输出部20例如由显示器、打印机或智能手机等构成。输出部20输出例如由图像预处理部31进行了预处理的组织图像、由特征值计算部33计算出的金相组织的相的特征值、由模型生成部34得到的金相组织的各相的学习结果等。需要说明的是,基于输出部20的输出形式没有特别限定,例如可以以文本文件、图像文件等数据、投影到输出装置的形式输出。
运算部30例如通过包含CPU(Central Processing Unit,中央处理器)等的处理器和包含RAM(Random Access Memory,随机存取存储器)、ROM(Read Only Memory,只读存储器)等的存储器(主存储部)实现。运算部30将程序加载到主存储部的工作区域并执行,通过程序的执行来控制各构成部等,由此实现与规定目的一致的功能。另外,运算部30通过执行上述程序,作为图像预处理部31、相指定部32、特征值计算部33和模型生成部34发挥功能。需要说明的是,各部的详细在后面进行说明(参照图4)。
(金相组织的相的分类装置(实施方式1))
参照图2对实施方式1的金相组织的相的分类装置(以下称为“分类装置”)2进行说明。分类装置2具备输入部40、输出部50和运算部60。
输入部40为对运算部60输入金属材料的组织图像的输入单元。该组织图像可以通过在该组织图像的拍摄中广泛使用的光学显微镜或扫描电子显微镜等公知的拍摄装置获得。输入到输入部40中的组织图像与输入到输入部10的组织图像同样地实施试样调节。该试样调节的方法与对输入到输入部10的组织图像的试样调节的方法相同。另外,关于输入到输入部40中的组织图像的拍摄时的拍摄条件、对比度调节、从记录介质的组织图像的获得,也与输入到输入部10的组织图像的情况相同。
输出部50为输出由运算部60得到的运算结果的输出单元。输出部50例如由显示器、打印机或智能手机等构成。输出部50例如输出由图像预处理部61进行了预处理的组织图像、由特征值计算部62计算出的金相组织的各相的特征值、由相分类部63得到的金相组织的相的分类结果等。需要说明的是,基于输出部50的输出形式没有特别限定,例如可以以文本文件、图像文件等数据、投影到输出装置的形式输出。
运算部60与运算部30同样地例如通过包含CPU等的处理器和包含RAM、ROM等的存储器实现。运算部60将程序加载到主存储部的工作区域并执行,通过程序的执行来控制各构成部等,由此实现与规定目的一致的功能。另外,运算部60通过执行上述程序作为图像预处理部61、特征值运算部62和相分类部63发挥功能。需要说明的是,各部的详细在后面进行说明(参照图5)。
(金相组织的相的分类装置(实施方式2))
参照图3对实施方式2的金相组织的相的分类装置(以下称为“分类装置”)3进行说明。分类装置3具备输入部70、输出部80和运算部90。
输入部70是对运算部90输入金属材料的组织图像的输入单元。该组织图像可以通过在该组织图像的拍摄中广泛使用的光学显微镜或扫描电子显微镜等公知的拍摄装置获得。输入到输入部70中的组织图像与输入到输入部10、40中的组织图像同样地实施试样调节。该试样调节的方法与对输入到输入部10、40中的组织图像进行的试样调节的方法相同。另外,对于输入到输入部70中的组织图像的拍摄时的拍摄条件、对比度调节、从记录介质的组织图像的获得,也与输入到输入部10、40中的组织图像的情况相同。
输出部80为输出由运算部90得到的运算结果的输出单元。输出部80例如由显示器、打印机或智能电话等构成。输出部80例如输出由图像预处理部91进行了预处理的组织图像、由特征值计算部92计算出的金相组织的各相的特征值、由相分类部93得到的金相组织的相的分类结果。另外,输出部80还输出由误差评价值计算部94计算出的误差评价值、由预处理调节部95调节后的预处理条件(预处理参数)等。需要说明的是,基于输出部80的输出形式没有特别限定,例如可以以文本文件、图像文件等数据、投影到输出装置的形式输出。
运算部90与运算部30、60同样地例如通过包含CPU等的处理器和包含RAM、ROM等的存储器实现。运算部90将程序加载到主存储部的工作区域并执行,通过程序的执行来控制各构成部等,由此实现与规定目的一致的功能。另外,运算部90通过执行上述程序,作为图像预处理部91、特征值计算部92、相分类部93、误差评价值计算部94和预处理调节部95发挥功能。需要说明的是,各部的详细在后面进行说明(参照图6)。
(金相组织的相的学习方法)
参照图4对使用学习装置1的金相组织的相的学习方法进行说明。金相组织的相的学习方法依次进行图像输入步骤、图像预处理步骤、相指定步骤、特征值计算步骤和模型生成步骤。需要说明的是,根据需要,可以在图像预处理步骤之前进行利用公知的方法对试样的表面进行研磨等的试样调节步骤和利用光学显微镜或扫描电子显微镜等公知的拍摄装置对金属材料的组织图像进行拍摄的拍摄步骤。
<图像输入步骤>
在图像输入步骤中,输入部10将根据需要实施了试样调节的组织图像输入到运算部30中(步骤S1)。
<图像预处理步骤>
在图像预处理步骤中,图像预处理部31进行组织图像的预处理(步骤S2)。在此,对于由输入部10输入的组织图像(原始图像),由于拍摄前的试样调节方法的差异、以及拍摄时的光源的强度、对比度调节,即使在利用相同的拍摄装置对相同试样进行拍摄的情况下,每个拍摄图像中对比度不同的情况也多。另外,对于由输入部10输入的组织图像,即使是相同图像内的相同的相,在光学显微镜的情况下由于光源的位置的差异,在电子显微镜的情况下由于检测器的位置的差异等,也存在亮度值根据图像内的位置而不同的情况。当像这样亮度值不同时,不仅降低学习效率,而且也成为相的分类时的误差的原因。因此,在图像预处理步骤中,通过调节组织图像的像素的亮度值来进行组织图像的预处理。
作为组织图像的预处理,例如可以列举以下的处理(1)~(3)。以下的处理(1)~(3)可以组合多个作为预处理来进行,或者也可以仅以一个(例如仅恒等处理)作为预处理来进行。但是,在拍摄金相组织的情况下,由于每个组织图像中亮度值不同或者亮度值根据相同的图像内的位置而不同的情况多,因此优选至少实施以下的处理(1)~(3)中的背景除去处理。另外,除了以下的处理(1)~(3)以外,也可以进行将整体的亮度值的最大值和最小值除去规定范围的量的处理。
(1)恒等处理
在恒等处理中,将输入的组织图像本身作为输出返回。
(2)背景除去处理
在背景除去处理中,除去组织图像的平均亮度值(背景)。利用光学显微镜或电子显微镜拍摄的组织图像存在组织图像整体具有一定以上的亮度值、每个组织图像所具有的亮度值的绝对值大幅不同的情况。另外,还存在如下情况:由于光源或检测器的位置不同,一部分看上去较亮、一部分看上去较暗。因此,在背景除去处理中,预先确定x像素×y像素的矩形区域,在其中求出亮度值的最小值,利用适当的函数(例如一次函数等)对其像素间进行内插,利用该插值函数减去全部像素的亮度值,由此进行亮度值的调节。需要说明的是,“像素数x”和“像素数y”可以由操作人员对每个组织图像任意设定,但优选例如设定为金相组织的多个相中结晶粒径较小一方的结晶粒径的大小程度。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。需要说明的是,背景除去处理的详细在后面进行说明(参照图9和图10)。
(3)直方图的均衡化处理
在直方图的均衡化处理中,使组织图像的亮度值的直方图均衡化。利用光学显微镜或电子显微镜拍摄的组织图像的亮度值的分布在每个组织图像中平均值和标准偏差大幅不同的情况多。因此,进行使直方图的平均值和标准偏差一致的标准化,使组织图像的亮度值的平均值和偏差均匀化。
<相指定步骤>
在相指定步骤中,相指定部32对于拍摄金属材料的金相组织而得到的组织图像,对与金相组织的预先指定的一个或特定的相对应的像素赋予各相的标签(步骤S3)。需要说明的是,例如在DP钢板的情况下,“对组织图像的各相的像素赋予各相的标签”表示在组织图像内确定与铁素体相和马氏体相对应的像素,使组织图像的像素与铁素体相和马氏体相相关。需要说明的是,相指定步骤的详细在后面进行说明(参照图11)。
<特征值计算步骤>
在特征值计算步骤中,特征值计算部33对在相指定步骤中赋予了各相的标签的像素计算一个以上的特征值(步骤S4)。在特征值计算步骤中,例如计算以下的特征值(1)~(8)中的一个以上的特征值。
(1)恒等特征值
恒等特征值为表示组织图像的亮度值本身的特征值。
(2)平均特征值
平均特征值为表示组织图像的规定范围内的亮度值的平均值的特征值。即,平均特征值为从组织图像的各相中取出规定范围“像素数x×像素数y”并对其中的亮度值进行平均而得到的值。“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,平均特征值也可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
在此,“组织图像中所包含的噪声”表示例如在组织图像中亮度值急剧变高的部分(例如参照图10的(b)的A部)。另外,“使像素数x、y大于噪声”表示大于噪声的宽度(参照该图的(b)的B部)。
(3)高斯特征值
高斯特征值为表示在组织图像的规定范围内越靠近中心则加权越大的亮度值的平均值的特征值。即,高斯特征值为从组织图像的各相中取出规定范围“像素数x×像素数y”、并取出越是中心的像素则加权越大的平均值而得到的值。“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,高斯特征值也可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
另外,在计算高斯特征值时,操作人员可以任意设定对中心的像素赋予何种程度的加权,但优选使用由下式(1)表示的高斯函数。
A·exp(-(Δx2+Δy2))…(1)
需要说明的是,上式(1)的Δx和Δy可以如下式(2)、(3)所示。
Δx=xi-xc…(2)
Δy=yi-yc…(3)
其中,xc、yc:矩形中心坐标
xi、yi:矩形位置坐标
(4)中间特征值
中间特征值为表示组织图像的规定范围内的亮度值的中心值的特征值。即,中间特征值为从组织图像的各相中取出规定范围“像素数x×像素数y”、并从其中的亮度值取出中心地而得到的值。“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,中间特征值也可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
(5)最大特征值
最大特征值为表示组织图像的规定范围内的亮度值的最大值的特征值。即,最大特征值为从组织图像的各相中取出规定范围“像素数x×像素数y”、并从其中的亮度值取出最大值而得到的值。“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,最大特征值也可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
(6)最小特征值
最小特征值为表示组织图像的规定范围内的亮度值的最小值的特征值。即,最小特征值为从组织图像的各相中取出规定范围“像素数x×像素数y”、并从其中的亮度值取出最小值而得到的值。“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,最小特征值也可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
(7)导数特征值
导数特征值为从组织图像的各相中取出规定范围“像素数x×像素数y”、并对其中的端部的像素计算x方向和y方向的微分值而得到的值。“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,导数特征值可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
(8)导数相加特征值
导数相加特征值为通过对上述的导数特征值运算上述的平均特征值、高斯特征值、中间特征值、最大特征值和最小特征值而将导数特征值进行卷积而得到的值。上述“像素数x”和“像素数y”可以为相同的尺寸,也可以为不同的尺寸。另外,“像素数x”和“像素数y”优选设定为例如大于组织图像中所包含的噪声且包含小于金相组织的多个相中结晶粒径较小一方的结晶粒径的1/2的大小的范围。另外,在具有各向异性的情况下,优选设定为各x方向、y方向的晶粒尺寸的大小程度。另外,x像素×y像素的区域不需要为长方形,例如在组织图像为球状的形状的情况下,x像素×y像素的区域也优选设定为球状。另外,导数相加特征值也可以对多个像素数x、y进行计算。需要说明的是,当使像素的范围过大时,受到晶界的影响、邻接的其它相的影响。因此,像素的范围优选设定为包含小于结晶粒径较大一方的结晶粒径的1/2的大小的范围。
在此,由于上述的特征值(1)~(6)对各相的多个像素进行运算,因此即使是相同的相也具有不同的特征值,能够对各相制作特征值的直方图。另外,可以计算上述的全部特征值(1)~(6),也可以仅计算一部分特征值。另外,可以追加组合了各特征值的运算的特征值,也可以根据需要追加上述未列举的特征值。这些选择优选由操作人员以提高学习方法中的学习精度的方式来选择,优选采用各相的特征值的差异大的特征值。例如,在对各相的特征值得到的直方图(频率分布)中,将各相的特征值的频率最大的特征值的值的差(设为距离D)利用相应的特征值的最大值与最小值之差进行归一化。然后,考虑对每个特征值比较归一化后的距离D,并从大的归一化后的距离D中采用多个等。
另外,除了特征值(1)~(6)以外,还可以计算上述特征值(7)、(8),或者也可以追加组合了各特征值的特征值。由于特征值(7)、(8)与上述的特征值(1)~(6)同样地对各相的多个像素进行运算,因此即使是相同的相也具有不同的特征值,能够对各相制作特征值的直方图。
需要说明的是,在计算上述的特征值(1)~(8)时,取出规定范围“像素数x×像素数y”来计算特征值,但计算出对该“像素数x×像素数y”的中心的像素卷积而得到的特征值。然后,在组织图像上移动“像素数x×像素数y”,同时计算各位置的特征值。另外,在“像素数x×像素数y”位于组织图像上的端部(上下左右的端部)的情况下,设置边界条件或者将像素数限定在从中心到端部来进行特征值的计算。另外,作为边界条件,对于从“像素数x×像素数y”的中心到外侧的像素,设定为与“像素数x×像素数y”的中心相同的特征值。或者,通过从中心向外侧使用线性函数、指数函数、样条函数等插值函数进行外推来进行特征值的计算。
<模型生成步骤>
在模型生成步骤中,模型生成部34对于赋予了各相的标签的像素,以在特征值计算步骤中计算出的特征值作为输入、以各相的标签作为输出进行学习(机器学习),由此生成学习完成模型(步骤S5)。在模型生成步骤中,生成特征值被设定为分支条件的决策树。需要说明的是,模型生成步骤中的机器学习的方法不限于决策树,例如可以为随机森林或神经网络等,但在本实施方式中以决策树为一例进行说明。
在模型生成步骤中,具体而言,根据在特征值计算步骤中计算出的各相的特征值,重复多次进行二值化,由此对金相组织的相进行分类。在此情况下,预先根据操作人员指定的相和在特征值计算步骤中计算出的各相的特征值,设定以何种程度的精度进行各相的分类,根据该设定的数值信息,进行基于二值化的分支的学习。
例如,在按照以80%的精度实施二值化的分支的方式进行设定的情况下,根据指定的相和其特征值,按照以80%以上的概率实施相的分类的方式反复多次进行特征值的二值化来进行学习,由此制作决策树。上述精度的设定可以由操作人员任意地设定,但优选将下限设定为80%以上。当将精度设定为小于80%时,分类精度降低。另外,反之,当使精度过高时,由于过度学习,在学习后的图像分类中分类精度反而变差。因此,优选将精度的上限设定为小于99%。
在模型生成步骤中,多次实施二值化时的各特征值的二值化的顺序(分支的顺序)可以预先由操作人员指定,或者也可以使用随机数随机地决定。由于各特征值的二值化的最佳顺序预先不明确的情况多,因此优选使用随机数,利用计算机探索能够以上述精度以上进行分类的各特征值的二值化的顺序。同样地,由于各特征值的二值化的最佳次数预先不明确的情况多,因此优选利用计算机探索能够以上述精度以上进行分类的各特征值的二值化的次数。另外,作为二值化时的分支条件使用的特征值可以作为分支条件多次使用。需要说明的是,关于模型生成步骤的详细在后面进行说明(参照图13)。另外,在成为模型的输入的特征值的选择中,也可以根据上述各相的特征值的频率的最大值间的距离D(也包含归一化后的距离),从距离D大的距离中选择,以模型精度最高的方式进行选择。
在此,可以在步骤S4中实施特征值计算步骤之后,从输出部20输出特征值的计算结果。此时的输出形式没有特别限定,可以以文本文件或图像文件中的任意一种形式输出。像这样,通过以文本文件或图像文件的形式输出特征值的计算结果,能够在进行相的学习之前确认各特征值的分类情况。同样地,可以在步骤S5中实施学习完成模型生成步骤之后,从输出部20输出学习完成模型的生成结果(例如决策树)。此时的输出形式没有特别限定,可以以文本文件或图像文件中的任意一种形式输出。
根据以上说明的实施方式的金相组织的相的学习装置和金相组织的相的学习方法,由金相组织的图像求出各相的特征值,学习该特征值与各相的对应关系,由此,能够定量且高速地评价在金属材料中重要的金相组织。
另外,根据实施方式的金相组织的相的学习装置和金相组织的相的学习方法,对所拍摄的组织图像适当地进行图像预处理,实施进行了图像预处理的组织图像的相的指定,计算所指定的相的特征值并记录。然后,对所记录的各相的特征值反复进行适当的二值化,学习反复进行的二值化步骤。然后,根据相的学习结果,自动进行任意的组织图像的相的分类,能够准确地测定各相的相分率。
(金相组织的相的分类方法(实施方式1))
参照图5对使用分类装置2的金相组织的相的分类方法进行说明。金相组织的相的分类方法依次进行图像输入步骤、图像预处理步骤、特征值计算步骤和相分类步骤。需要说明的是,根据需要,可以在图像预处理步骤之前进行利用公知的方法对试样的表面进行研磨等的试样调节步骤和利用光学显微镜或扫描电子显微镜等公知的拍摄装置对金属材料的组织图像进行拍摄的拍摄步骤。
<图像输入步骤>
在图像输入步骤中,输入部40将根据需要实施了试样调节的组织图像输入到运算部60中(步骤S11)。
<图像预处理步骤>
在图像预处理步骤中,图像预处理部61进行组织图像的预处理(步骤S12)。在此,对于由输入部40输入的组织图像(原始图像),由于拍摄前的试样调节方法的差异、以及拍摄时的光源的强度、对比度调节,即使在利用相同的拍摄装置对相同试样进行拍摄的情况下,每个拍摄图像中对比度不同的情况也多。另外,对于由输入部40输入的组织图像,即使是相同图像内的相同的相,在光学显微镜的情况下由于光源的位置的差异,在电子显微镜的情况下由于检测器的位置的差异等,也存在亮度值根据图像内的位置而不同的情况。当像这样亮度值不同时,不仅降低学习效率,而且也成为相的分类时的误差的原因。因此,在图像预处理步骤中,通过调节组织图像的像素的亮度值来进行组织图像的预处理。
作为组织图像的预处理,与上述学习方法的预处理步骤(图4的步骤S2)同样地可以列举(1)恒等处理、(2)背景除去处理、(3)直方图均衡化处理。需要说明的是,这些处理的内容与上述学习方法的预处理步骤的情况相同,因此省略说明。上述处理(1)~(3)可以组合多个作为预处理来进行,或者也可以仅以一个(例如仅恒等处理)作为预处理来进行。但是,在拍摄金相组织的情况下,由于每个组织图像中亮度值不同、或者亮度值根据相同的图像内的位置而不同的情况多,因此优选至少实施上述处理(1)~(3)中的背景除去处理。
<特征值计算步骤>
在特征值计算步骤中,特征值计算部62对在图像输入步骤中输入的组织图像的各像素计算一个以上的特征值(步骤S13)。在特征值计算步骤中,与上述学习方法的特征值计算步骤(图4的步骤S4)同样地计算(1)恒等特征值、(2)平均特征值、(3)高斯特征值、(4)中间特征值、(5)最大特征值、(6)最小特征值中的一个以上的特征值。
另外,在特征值计算步骤中,与上述学习方法的特征值计算步骤(图4的步骤S4)同样地可以计算加入了(7)导数特征值、(8)导数相加特征值的特征值(1)~(8)中的一个以上的特征值。另外,在特征值计算步骤中,除了特征值(1)~(6)以外,还可以计算特征值(7)、(8)。
在此,由于上述的特征值(1)~(6)对各相的多个像素进行运算,因此即使是相同的相也具有不同的特征值,能够对各相制作特征值的直方图。另外,可以计算上述的全部特征值(1)~(6),也可以仅计算一部分特征值。另外,可以追加组合了各特征值的运算的特征值,也可以根据需要追加上述未列举的特征值。这些选择优选由操作人员以提高学习方法中的学习精度的方式来选择,优选采用各相的特征值的差异大的特征值。
另外,特征值(7)、(8)与上述的特征值(1)~(6)同样地,对各相的多个像素进行运算,因此即使是相同的相也具有不同的特征值,能够对各相制作特征值的直方图。另外,可以计算上述的全部特征值(1)~(8),也可以仅计算一部分特征值。另外,可以追加组合了各特征值的运算的特征值,也可以根据需要追加上述未列举的特征值。这些选择优选由操作人员以提高学习方法中的学习精度的方式来选择,优选采用各相的特征值的差异大的特征值。
需要说明的是,在计算上述的特征值(1)~(8)时,取出规定范围“像素数x×像素数y”来计算特征值,但计算出对该“像素数x×像素数y”的中心的像素卷积而得到的特征值。然后,在组织图像上移动“像素数x×像素数y”,同时计算各位置的特征值。另外,在“像素数x×像素数y”位于组织图像上的端部(上下左右的端部)的情况下,设置边界条件或者将像素数限定在从中心到端部来进行特征值的计算。另外,作为边界条件,对于从“像素数x×像素数y”的中心到外侧的像素,设定为与“像素数x×像素数y”的中心相同的特征值。或者通过从中心向外侧使用线性函数、指数函数、样条函数等插值函数进行外推来进行特征值的计算。
<相分类步骤>
在相分类步骤中,相分类部63使用在上述学习方法的模型生成步骤(步骤S5)中生成的学习完成模型(例如决策树),进行金相组织的相的分类(步骤S14)。即,在相分类步骤中,对于以被赋予了金相组织的预先指定的一个或多个相的标签的特征值作为输入、以各相的标签作为输出进行学习后的学习完成模型,输入在特征值计算步骤中计算出的特征值。然后,通过获得与输入的特征值对应的像素的相的标签,对组织图像的金相组织的相进行分类。
在此,可以在步骤S13中实施特征值计算步骤之后,从输出部50输出特征值的计算结果。此时的输出形式没有特别限定,可以以文本文件(例如数值的集合)或图像文件(例如图12的直方图图像、图14的组织图像)中的任意一种形式输出。像这样,通过以文本文件或图像文件的形式输出特征值的计算结果,在进行相的分类之前,能够确认各特征值的分类情况。同样地,可以在步骤S14中实施相分类步骤之后,从输出部50输出相的分类结果。此时的输出形式没有特别限定,可以以文本文件或图像文件中的任意一种形式输出。
根据如以上说明那样的实施方式1的金相组织的相的分类装置和金相组织的相的分类方法,由金相组织的图像求出各相的特征值,学习该特征值与各相的对应关系,由此能够定量且高速地评价在金属材料中重要的金相组织。
另外,根据实施方式的实施方式1的金相组织的相的分类装置和金相组织的相的分类方法,对所拍摄的组织图像适当地进行图像预处理,实施进行了图像预处理的组织图像的相的指定,计算所指定的相的特征值并记录。然后,对所记录的各相的特征值反复进行适当的二值化,学习反复进行的二值化步骤。然后,根据相的学习结果,自动进行任意的组织图像的相的分类,能够准确地测定各相的相分率。
(金相组织的相的分类方法(实施方式2))
参照图6对使用分类装置3的金相组织的相的分类方法进行说明。在金相组织的相的分类方法中,对于从一个金属材料拍摄该金属材料的金相组织而得到的多个图像,对两个以上的金相组织的相进行分类。金相组织的相的分类方法依次进行图像输入步骤、图像预处理步骤、特征值计算步骤、相分类步骤、误差评价值计算步骤和预处理调节步骤。需要说明的是,根据需要,可以在图像预处理步骤之前进行利用公知的方法对试样的表面进行研磨等的试样调节步骤和利用光学显微镜或扫描电子显微镜等公知的拍摄装置对金属材料的组织图像进行拍摄的拍摄步骤。
<图像输入步骤>
在图像输入步骤中,输入部70将试样的一部分图像输入到运算部90(步骤S21)。在图像输入步骤中,具体而言,从由一个金属材料拍摄并根据需要实施了试样调节的多个组织图像中选择一个或规定数量的组织图像,将所选择的组织图像输入到运算部90中。
<图像预处理步骤>
在图像预处理步骤中,图像预处理部91进行组织图像的预处理(步骤S22)。在此,对于由输入部70输入的组织图像(原始图像),由于拍摄前的试样调节方法的差异、以及拍摄时的光源的强度、对比度调节,即使在利用相同的拍摄装置对相同试样进行拍摄的情况下,每个拍摄图像中对比度不同的情况也多。另外,对于由输入部70输入的组织图像,即使是相同图像内的相同的相,在光学显微镜的情况下由于光源的位置的差异,在电子显微镜的情况下由于检测器的位置的差异等,也存在亮度值根据图像内的位置而不同的情况。当像这样亮度值不同时,不仅降低学习效率,而且也成为相的分类时的误差的原因。因此,在图像预处理步骤中,通过调节组织图像的像素的亮度值来进行组织图像的预处理。
作为组织图像的预处理,与上述学习方法的预处理步骤(图4的步骤S2)同样地可以列举(1)恒等处理、(2)背景除去处理、(3)直方图均衡化处理。需要说明的是,这些处理的内容与上述学习方法的预处理步骤的情况相同,因此省略说明。上述处理(1)~(3)可以组合多个作为预处理来进行,或者也可以仅以一个(例如仅恒等处理)作为预处理来进行。但是,在拍摄金相组织的情况下,由于每个组织图像中亮度值不同、或者亮度值根据相同的图像内的位置而不同的情况多,因此优选至少实施上述处理(1)~(3)中的背景除去处理。
<特征值计算步骤>
在特征值计算步骤中,特征值计算部92对在图像输入步骤中输入的组织图像的各像素计算一个以上的特征值(步骤S23)。在特征值计算步骤中,与上述学习方法的特征值计算步骤(图4的步骤S4)同样地计算(1)恒等特征值、(2)平均特征值、(3)高斯特征值、(4)中间特征值、(5)最大特征值、(6)最小特征值中的一个以上的特征值。
另外,在特征值计算步骤中,与上述学习方法的特征值计算步骤(图4的步骤S4)同样地可以计算加入了(7)导数特征值、(8)导数相加特征值的特征值(1)~(8)中的一个以上的特征值。另外,在特征值计算步骤中,除了特征值(1)~(6)以外,还可以计算特征值(7)、(8)。
在此,由于上述的特征值(1)~(6)对各相的多个像素进行运算,因此即使是相同的相也具有不同的特征值,能够对各相制作特征值的直方图。另外,可以计算上述的全部特征值(1)~(6),也可以仅计算一部分特征值。另外,可以追加组合了各特征值的运算的特征值,也可以根据需要追加上述未列举的特征值。这些选择优选由操作人员以提高学习方法中的学习精度的方式来选择,优选采用各相的特征值的差异大的特征值。
另外,特征值(7)、(8)与上述的特征值(1)~(6)同样地,对各相的多个像素进行运算,因此即使是相同的相也具有不同的特征值,能够对各相制作特征值的直方图。另外,可以计算上述的全部特征值(1)~(8),也可以仅计算一部分特征值。另外,可以追加组合了各特征值的运算的特征值,也可以根据需要追加上述未列举的特征值。这些选择优选由操作人员以提高学习方法中的学习精度的方式来选择,优选采用各相的特征值的差异大的特征值。
需要说明的是,在计算上述的特征值(1)~(8)时,取出规定范围“像素数x×像素数y”来计算特征值,但计算出对该“像素数x×像素数y”的中心的像素卷积而得到的特征值。然后,在组织图像上移动“像素数x×像素数y”,同时计算各位置的特征值。另外,在“像素数x×像素数y”位于组织图像上的端部(上下左右的端部)的情况下,设置边界条件或者将像素数限定在从中心到端部来进行特征值的计算。另外,作为边界条件,对于从“像素数x×像素数y”的中心到外侧的像素,设定为与“像素数x×像素数y”的中心相同的特征值。或者通过从中心向外侧使用线性函数、指数函数、样条函数等插值函数进行外推来进行特征值的计算。
<相分类步骤>
在相分类步骤中,相分类部93使用在上述学习方法的模型生成步骤(步骤S5)中生成的学习完成模型(例如决策树),进行金相组织的相的分类(步骤S24)。即,在相分类步骤中,对于以被赋予了金相组织的预先指定的一个或多个相的标签的特征值作为输入、以各相的标签作为输出进行学习后的学习完成模型,输入在特征值计算步骤中计算出的特征值。然后,通过获得与输入的特征值对应的像素的相的标签,对组织图像的金相组织的相进行分类。
在此,可以在步骤S23中实施特征值计算步骤之后,从输出部80输出特征值的计算结果。此时的输出形式没有特别限定,可以以文本文件(例如数值的集合)或图像文件(例如图12的直方图图像、图14的组织图像)中的任意一种形式输出。像这样,通过以文本文件或图像文件的形式输出特征值的计算结果,在进行相的分类之前,能够确认各特征值的分类情况。同样地,可以在步骤S24中实施相分类步骤之后,从输出部80输出相的分类结果。此时的输出形式没有特别限定,可以以文本文件或图像文件中的任意一种形式输出。
<误差评价值计算步骤>
在误差评价值计算步骤中,误差评价值计算部94对在相分类步骤中分类后的金相组织的各相,对每个像素确定正误,计算误差评价值(步骤S25)。
<预处理调节步骤>
在预处理调节步骤中,以使在误差评价值计算步骤中计算出的误差评价值变小的方式变更图像预处理部91的预处理条件(预处理参数),重复进行特征值计算步骤、相分类步骤和误差评价值计算步骤,调节预处理条件。
在预处理调节步骤中,首先,预处理调节部95根据在误差评价值计算步骤中计算出的误差评价值,判定相的分类精度是否为规定以上(步骤S26)。在判定为相的分类精度为规定以上的情况下(在步骤S26中为是),将预处理条件确定为固定值,输入试样的其它图像、即拍摄金属材料的金相组织而得到的多个图像(步骤S27)。然后,对这些图像全部进行图像预处理步骤(步骤S28)、特征值计算步骤(步骤S29)和相分类步骤(步骤S30)。
另一方面,在判定为相的分类精度小于规定的情况下(在步骤S26中为否),预处理调节部95变更预处理条件(步骤S31),返回至步骤S22。然后,直至在步骤S26中判定为相的分类精度为规定以上为止,进行图像预处理步骤(步骤S22)、特征值计算步骤(步骤S23)、相分类步骤(步骤S24)、误差评价值计算步骤(步骤S25)。
在此,在暂时拍摄金属材料的组织图像、制作试样、学习相的分类后对同一钢种或同一系统的金属材料的组织图像进行相的分类的情况下,分类精度有时变差。这是因为,即使是同一钢种、同一系统,由于试样的蚀刻条件、拍摄条件等的不同,所拍摄的图像的对比度等也有可能发生变化。
组织图像的对比度等在上述图像预处理步骤(步骤S22)中可以进行某种程度的调节,但其预处理条件(预处理参数)也包含可以变更的参数。因此,通过根据材料调节预处理条件,能够期待相的分类精度的提高。
因此,在对同一试样采集多个组织图像进行相的分类的情况下,进行上述步骤S21~步骤S25所示的处理。即,从多个组织图像中选择一个或规定数量的组织图像并输入(步骤S21),进行图像的预处理(步骤S22)、特征值的计算(步骤S23)、基于事先学习的学习完成模型的金相组织的相的分类(步骤S24)。然后,进行其结果的评价(即误差评价值的计算(步骤S25))。
在上述步骤S25中,例如进行由人进行的相的分类结果与步骤S24中的相的分类结果的比较。在此情况下,将由人进行的相的分类结果设为正,对于在步骤S24中得到的相的分类结果,以像素单位判定正误,将错误数值化。例如,通过将正的像素设为“0”、将误的像素设为“1”等来计算合计值,能够得到误差评价值。
然后,在上述步骤S31中,以使在步骤S25中计算出的误差评价值变小、分类精度成为预先确定的阈值以上的方式(参照步骤S26)变更作为预处理条件的亮度调节的参数。
在步骤S31中变更的预处理参数例如可以列举计算进行背景除去的平均亮度值的宽度等。另外,在组织图像的亮度值的直方图的均质化中,由于不清楚希望什么样的平均、标准偏差,因此考虑同样探索作为基准的平均、标准偏差的值,变更亮度值的直方图。在这些参数等的探索中可以使用一般的最佳化方法。
然后,在根据一个或规定数量的组织图像的相的分类结果将预处理条件最佳化,然后如上述步骤S27~步骤S30所示,对同一试样的其它的组织图像实施金相组织的相的分类。在此情况下,基本上以一个组织图像作为样品将预处理条件最佳化即可,但将整体的评价用图像的数%以内的组织图像作为样品时,能够期待分类精度的进一步提高。
根据如以上说明那样的实施方式2的金相组织的相的分类装置和金相组织的相的分类方法,即使是不同的金属材料,也能够将组织图像的亮度水平最佳化,因此能够高精度地进行组织图像的相的分类。
(金属材料的材料特性预测装置)
参照图7对金属材料的材料特性预测装置(以下称为“材料特性预测装置”)4进行说明。材料特性预测装置4具备输入部100、输出部110、运算部120和存储部130。
输入部100为对运算部120输入进行了金相组织的相的分类的图像(以下称为“分类图像”)的输入单元。该分类图像为通过上述金相组织的相的分类方法进行了金相组织的相的分类的图像、或者通过其它的亮度值的二值化等方法进行了金相组织的相的分类的图像等。
输出部110为输出由运算部120得到的运算结果的输出单元。输出部110例如由显示器、打印机或智能手机等构成。输出部110例如输出由定量评价部121计算出的金相组织的定量评价值、记录于存储部130的数据库中的数据、由材料特性预测部125得到的预测结果(金属材料的材料特性)等。需要说明的是,基于输出部110的输出形式没有特别限定,例如可以以文本文件、图像文件等数据、投影到输出装置的形式输出。
运算部120与运算部30、60、90同样地例如通过包含CPU等的处理器和包含RAM、ROM等的存储器实现。运算部120将程序加载到主存储部的工作区域并执行,通过程序的执行来控制各构成部等,由此实现与规定目的一致的功能。另外,运算部120通过执行上述程序,作为定量评价部121、数据记录部122、数据选择部123、模型生成部124和材料特性预测部125发挥功能。需要说明的是,各部的详细在后面进行说明(参照图8)。
存储部130由EPROM(Erasable Programmable ROM:可擦除可编程只读存储器)、硬盘驱动器(Hard Disk Drive:HDD)、固态硬盘(Solid State Drive:SSD)和可移动介质等记录介质构成。作为可移动介质,例如可以列举USB(Universal Serial Bus,通用串行总线)存储器、CD(Compact Disc,光盘)、DVD(Digital Versatile Disc,数字多功能光盘)、BD(Blu-ray(注册商标)Disc,蓝光光盘)那样的光盘记录介质。另外,在存储部130中可以存储操作系统(Operating System:OS)、各种程序、各种表、各种数据库等。
在存储部130中存储例如记录有规定数据的数据库、由模型生成部124生成的预测模型(学习完成模型)等。在上述数据库中记录有例如由定量评价部121计算出的金相组织的定量评价值、预先通过机械试验等得到的金属材料的材料特性值(钢板数据)、金属材料的成分组成、金属材料等。
(金属材料的材料特性预测方法)
参照图8对使用材料特性预测装置4的金相组织的相的学习方法进行说明。金相组织的相的学习方法中,在进行了上述的金相组织的相的分类方法之后,使用其分类结果(分类图像)来实施。金相组织的相的学习方法依次进行图像输入步骤、定量评价步骤、数据记录步骤、数据选择步骤、模型生成步骤、材料特性预测步骤和预测结果输出步骤。
<图像输入步骤>
在图像输入步骤中,输入部100将分类图像输入到运算部120(步骤S41)。
<定量评价步骤>
在定量评价步骤中,定量评价部121通过对分类图像中所包含的各相进行定量评价来计算金相组织的定量评价值(步骤S42)。在定量评价步骤中,例如计算以下的(1)~(5)所示的定量评价值。
(1)面积率
通过求出分类后的相的面积,计算出相的面积率。
(2)长径、短径、长径比
通过对分类后的相的各晶粒的形状进行椭圆近似,计算出椭圆体的长径、短径或长径比。
(3)费雷特直径
从分类后的相的各晶粒的界面划直线,计算出该直线的距离最大的费雷特直径。
(4)平均直径
求出分类后的相的各晶粒的面积,并取其面积的平方根,由此导出晶粒的平均直径。
(5)圆度
求出分类后的相的各晶粒的面积和周长,根据下式(4)算出晶粒的圆度。需要说明的是,在晶粒为正圆的情况下圆度为1.0,相反,晶粒越远离正圆的形状,则圆度越小于1.0。
其中,C:圆度
S:面积
P:周长
在此,上述定量评价值(2)~(5)对各晶粒进行计算,因此即使对1张组织图像也能够得到多个数值,能够制作各定量评价值的直方图。
<数据记录步骤>
在数据记录步骤中,数据记录部122将在定量评价步骤中计算出的金相组织的定量评价值记录于存储部130的数据库中(步骤S43)。
<数据选择步骤>
在数据选择步骤中,数据选择部123从记录于数据库中的金相组织的定量评价值和金属材料的材料特性的数据中选择(提取)用于预测金属材料的材料特性的数据(步骤S44)。
需要说明的是,由于定量评价值是对每个晶粒进行计算,因此对于一张组织图像可以得到多个数值。例如,由于定量评价值(4)的平均直径对每个晶粒得到一个平均直径,因此对一张图像得到多个数值。在这些多个数值信息中,可以计算平均值,仅将该平均值用于材料特性的预测,也可以将标准偏差用于材料特性的预测。另外,在数据选择步骤中,在后述的预测模型生成步骤中,优选选择材料特性的预测精度良好的定量评价值。因此,例如在后述的材料特性预测步骤中,在预测精度差的情况下,优选返回本步骤,再次实施数据的选择。需要说明的是,除了金相组织的定量评价值以外,也可以输入金属材料的成分组成、热处理条件。
<预测模型生成步骤>
在预测模型生成步骤中,模型生成部124使用在数据选择步骤中选择的数据来生成预测金属材料的材料特性的预测模型(步骤S45)。在预测模型生成步骤中,具体而言,使用在数据选择步骤中选择的定量评价值、金属材料的成分组成、热处理条件等,生成预测材料特性的预测模型。此时,也使用同样在数据选择步骤中选择的金属材料的材料特性的数据来生成预测模型。
预测模型可以使用神经网络、支持向量回归、高斯过程回归等模型来生成,也可以作为线性回归等简单的回归式来生成。另外,在预测模型的生成中,优选使用多个预测模型进行材料特性的预测,采用预测精度最高的预测模型。
关于材料特性的预测精度,例如X轴取测定值、Y轴取预测值,利用二维图确认两者的数据以何种程度一致,或者利用将各数据的预测误差相加并除以数据数而得到的参数等进行评价。另外,材料特性的预测精度例如优选按照如下所述的步骤进行评价。首先,将从数据库中选择的数据分割为用于预测模型中的参数拟合的数据(训练数据)和不用于拟合的数据(测试数据)。然后,根据测试数据的预测值和实测值的一致度来评价材料特性的预测精度。需要说明的是,在将从数据库中选择的数据分割为训练数据和测试数据的情况下,可以由操作人员选择并分割,或者也可以在决定训练数据和测试数据的比例之后使用随机数等随机决定。
<材料特性预测步骤>
在材料特性预测步骤中,材料特性预测部125使用在预测模型生成步骤中生成的预测模型来预测金属材料的材料特性(步骤S46)。在材料特性预测步骤中,具体而言,通过将在数据选择步骤中选择的定量评价值输入到在预测模型生成步骤中生成的预测模型中来预测金属材料的材料特性。
<预测结果输出步骤>
在预测结果输出步骤中,输出部110输出材料特性预测步骤中的预测结果、即金属材料的材料特性(步骤S47)。
在此,在以往的方法中,由于难以进行高效的金相组织的相的分类、使用将相分类后的图像的金相组织的定量评价,因此难以由组织图像进行准确的材料特性的预测。另一方面,根据本实施方式的金属材料的材料特性预测方法和金属材料的材料特性预测装置,能够根据金相组织的相的分类结果高效地实施定量评价。因此,通过导出定量评价值与金属材料的材料特性的相关,能够精度良好地预测金属材料的材料特性。由此,在观察金相组织的图像的同时,能够掌握金属材料的材料特性,因此能够提高金属材料(例如钢板)开发的效率性。
另外,根据本实施方式的金属材料的材料特性预测方法和金属材料的材料特性预测装置,通过组织图像的高效分割,与以往不同,能够高效地进行金相组织的定量评价。另外,通过像这样使用定量化的指标,能够精度良好地预测所拍摄的组织图像的材料特性。
[实施例]
(实施例1)
参照图9~图16对本发明的金相组织的相的学习方法和金相组织的相的分类方法的实施例1进行说明。在本实施例中,作为金相组织的相的学习方法,进行试样调节步骤、拍摄步骤、图像输入步骤、图像预处理步骤、相指定步骤、特征值计算步骤和模型生成步骤。另外,作为金相组织的相的分类方法,进行图像输入步骤、特征值计算步骤和相分类步骤。
首先,进行DP钢板(由铁素体相和马氏体相构成的钢板)的镜面研磨和硝酸乙醇溶液蚀刻(试样调节步骤),使用扫描电子显微镜进行金相组织的观察(拍摄步骤)。图9的(a)示出利用扫描电子显微镜拍摄的组织图像(原始图像),图9的(b)示出该组织图像的中心部(L1线的位置)的亮度值的谱线轮廓。
接着,向学习装置1输入组织图像(图像输入步骤),进行图像预处理步骤。图10的(a)为在图像预处理步骤中实施背景除去后的组织图像,图10的(b)示出该组织图像的中心部(L2线的位置)的亮度值的谱线轮廓。在图像处理步骤中,对每50像素求出亮度值的最小值,由此进行背景的除去。
接着,对实施了背景除去的预处理的组织图像实施指定铁素体相和马氏体相的相指定步骤。图11示出在相指定步骤中指定的铁素体相和马氏体相。在该图中,由实线包围的区域为铁素体相,由虚线包围的区域为马氏体相。在本实施例中,指定了3个铁素体相、4个马氏体相,但指定的相的数量可以根据机械规格等来决定。
接着,计算铁素体相和马氏体相的特征值(特征值计算步骤)。在特征值计算步骤中,对于铁素体相和马氏体相,分别计算恒等特征值、4像素、8像素、16像素的平均特征值、高斯特征值、中间特征值、最大特征值、最小特征值。在这些共计16个特征值中,图12的(a)示出表示恒等特征值的直方图,图12的(b)示出表示对4像素的大小计算出的高斯特征值的直方图,图12的(c)示出表示对4像素的大小计算出的平均特征值的直方图。需要说明的是,图12的(b)、(c)中的各特征值的括号内的数字表示计算特征值时的像素尺寸。
需要说明的是,如图12所示,在通过特征值计算步骤计算出多个特征值的情况下,可以确认各特征值的直方图,选择在后段的模型生成步骤中学习的特征值。在此情况下,如该图所示,在各相的特征值的分布中,优选选择频率高的部分的值之间的距离D尽可能远离的特征值作为在模型生成步骤中学习的特征值。由于频率高的部分的值之间的距离D远离意味着各相的特征值容易分离,因此通过学习距离D尽可能远离的特征值,能够生成精度良好的学习完成模型。例如,在对各相的特征值得到的直方图(频率分布)中,将各相的特征值的频率最大的特征值的值的差(设为距离D)利用相应的特征值的最大值与最小值之差进行归一化。然后,考虑对每个特征值比较归一化后的距离D,并从大的归一化后的距离D中采用多个等。
像这样计算出特征值之后,在模型生成步骤中反复实施多次二值化,由此进行相的学习。在本实施例中,对于从铁素体相和马氏体相的特征值的分布中随机提取数据后的测试数据,按照以90%以上的概率实现分类的方式反复多次进行二值化来进行学习。图13示出学习的结果生成的决策树的一部分。需要说明的是,作为图13的分支条件设定的各特征值的括号内的数字表示计算特征值时的像素尺寸。在该学习例中,在对16像素的大小计算出的平均特征值小于31.5并且恒等特征值小于12.5的情况下,将该像素判定为铁素体。
接着,根据图13的学习结果进行组织图像的相的分类。首先,将在上述学习方法的图像预处理步骤中进行了背景除去的组织图像(参照图10)输入到分类装置2中(图像输入步骤),计算出铁素体相和马氏体相的特征值(特征值计算步骤)。
在特征值计算步骤中,对铁素体相和马氏体相分别计算恒等特征值、4像素、8像素、16像素的平均特征值、高斯特征值、中间特征值、最大特征值、最小特征值。在这些共计16个特征值中,图14的(a)示出表示恒等特征值的图像,图14的(b)示出表示对16像素的大小计算出的高斯特征值的图像,图14的(c)示出表示对16像素的大小计算出的平均特征值的图像。需要说明的是,图14的(b)、(c)中的各特征值的括号内的数字表示计算特征值时的像素尺寸。
接着,使用由上述学习装置1生成的决策树(铁素体相和马氏体相的分支图)对由特征值计算步骤计算出的各特征值进行分类。将其结果示于图15。图15的(a)为预处理前的原始图像,图15的(b)为实施例的分类结果,图15的(c)为比较例的分类结果。比较例的分类结果示出使用以往的二值化方法对组织图像的特征值进行分类的结果。
在比较例的分类结果中,如图15的(c)所示可知,虽然是马氏体相但被分类为铁素体相的情况、反之虽然是铁素体相但被分类为马氏体相的情况多,分类精度低。因此,即使求出该二值化图像的白色部分和黑色部分的面积,也不能准确地求出铁素体相和马氏体相的相分率。
另一方面,在实施例的分类结果中,如图15的(b)所示,与比较例相比,精度高,并且与通过手涂对各相进行颜色区分并通过人力进行分类的方法相比,能够非常高效地进行铁素体相和马氏体相的分类。
(实施例2)
参照图16对本发明的金相组织的相的分类方法的实施例2进行说明。在本实施例中,对于进行了图像预处理步骤(背景除去)的组织图像和未进行图像预处理步骤(背景除去)的组织图像分别计算出特征值,使用上述实施例1的学习结果(例如决策树)进行金相组织的相的分类。即,在本实施例中,对基于图像预处理步骤的有无的相的分类精度的差异进行研究。
首先,进行DP钢板(由铁素体相和马氏体相构成的钢板)的镜面研磨和硝酸乙醇溶液蚀刻(试样调节步骤),使用扫描电子显微镜进行金相组织的观察(拍摄步骤)。图16的(a)示出利用扫描电子显微镜拍摄的组织图像。接着,向分类装置2输入组织图像(图像输入步骤),并进行图像预处理步骤。图16的(b)示出在图像预处理步骤中实施背景除去后的组织图像。
接着,对在图像预处理步骤中进行了背景除去的组织图像计算出铁素体相和马氏体相的特征值。在特征值计算步骤中,对铁素体相和马氏体相分别计算恒等特征值、4像素、8像素、16像素的平均特征值、高斯特征值、中间特征值、最大特征值、最小特征值。
接着,使用在上述实施例1中生成的决策树(铁素体相和马氏体相的分支图)对在特征值计算步骤中计算出的各特征值进行分类。图16的(c)为实施例的分类结果,图16的(d)为比较例的分类结果实施例的分类结果。实施例的分类结果示出使用学习进行了背景除去的组织图像的特征值的决策树对进行了背景除去的组织图像的特征值进行分类的结果。另一方面,比较例的分类结果示出使用学习未进行背景除去的组织图像的特征值的决策树对未进行背景除去的组织图像的特征值进行分类的结果。
在实施例的分类结果中,如图16的(c)所示可知,分类精度高,并且与通过手涂对各相进行颜色区分并通过人力进行分类的方法相比,能够非常高效地进行铁素体相和马氏体相的分类。
另一方面,在比较例的分类结果中,如图16的(d)所示可知,虽然是马氏体相但被分类为铁素体相的情况、反之虽然是铁素体相但被分类为马氏体相的情况多,分类精度低。因此,即使求出该二值化图像的白色部分和黑色部分的面积,也不能准确地求出铁素体相和马氏体相的相分率。
(实施例3)
参照图17和图18对本发明的金属材料的材料特性预测方法和金属材料的材料特性预测装置的实施例3进行说明。
在本实施例中,首先使用上述实施例1的分类结果(参照图15的(b))和实施例2的分类结果(参照图16的(c))进行金相组织的定量评价(定量评价步骤)。此时,对于铁素体相和马氏体相计算出面积率和圆度的直方图。图17的(a)示出由实施例1的分类结果(参照图15的(b))计算出的铁素体相的圆度的直方图,图17的(b)示出由实施例2的分类结果(参照图16的(c))计算出的铁素体相的圆度的直方图。
接着,除了上述计算出的定量评价值中的铁素体相和马氏体相的面积率和圆度的平均值以及定量评价值以外,选择金属材料的成分组成(数据选择步骤),将这些数据用于材料特性的预测。
接着,从包含组织图像、金属材料的成分组成和抗拉强度的DP钢板的数据库中随机地提取100个钢种的数据。然后,对所提取的这些数据同样地进行相的分类,然后计算出上述的铁素体相和马氏体相的面积率和圆度的平均值。
接着,由上述定量评价值和金属材料的成分组成生成预测抗拉强度的预测模型(预测模型生成步骤)。需要说明的是,在此,将所提取的数据以9:1的比例随机地分割为训练数据和测试数据。另外,使用神经网络模型生成预测抗拉强度的预测模型。
接着,为了验证预测模型的预测精度,进行抗拉强度的实测值和预测值的比较。图18示出利用由模型生成部生成的神经网络模型得到的抗拉强度的预测结果。在该图中,横轴表示使用从数据库中提取的抗拉强度的平均值和标准偏差进行标准化而得到的抗拉强度的实测值。另外,纵轴表示使用从数据库中提取的抗拉强度的平均值和标准偏差进行标准化而得到的抗拉强度的预测值。另外,在该图中,圆形散点表示用于神经网络模型中的参数调节的样品(训练数据)的抗拉强度的预测结果。另外,方形散点表示没有用于参数调节的样品(测试数据)的抗拉强度的预测结果。
如图18所示可知,对于训练数据、测试数据而言,材料特性的预测精度均良好,通过使用铁素体相和马氏体相的面积率、圆度的平均值和金属材料的成分组成,能够精度良好地预测抗拉强度。像这样,通过使用本发明的方法,能够由组织图像和金属材料的成分组成精度良好地预测材料的特性,因此能够提高钢板开发的效率性。
以上,通过具体实施方式和实施例对本发明的金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置具体地进行了说明,但本发明的主旨不限于这些记载,应当基于权利要求书的记载进行广义解释。另外,根据这些记载进行各种变更、改变等而得到的方案也包含在本发明的主旨中,这是不言而喻的。
在此,本发明的金相组织的相的学习方法、金相组织的相的分类方法和金属材料的材料特性预测方法也可以通过将安装有该方法的软件导入到一般市售的计算机中来实现。一般市售的计算机是例如具备执行作为实现各功能的软件的程序的命令的CPU、以计算机(或CPU)可读取的形式记录有上述软件和各种数据的记录介质(例如硬盘、USB存储器)、展开上述程序的RAM、作为专用于图像处理的处理器的GPU等的运算器。另外,不仅是市售的计算机,也可以通过向网络上的云计算机中导入软件来实现。
另外,如图1、图2、图3和图7所示,学习装置1、分类装置2、3和材料特性预测装置4作为不同的构成进行了说明,但也可以通过不同的装置来实现,或者也可以通过一个装置来实现。在学习装置1、分类装置2、3和材料特性预测装置4通过一个装置来实现的情况下,输入部10、输入部40、输入部70和输入部100、输出部20、输出部50、输出部80和输出部110、运算部30、运算部60、运算部90和运算部120在物理上可以相同。
另外,在本实施方式中,以双相钢板为例进行了说明,但对于三相以上的钢板也能够适用。
符号说明
1 学习装置
10 输入部
20 输出部
30 运算部
31 图像预处理部
32 相指定部
33 特征值计算部
34 模型生成部
2 分类装置
40 输入部
50 输出部
60 运算部
61 图像预处理部
62 特征值计算部
63 相分类部
3 分类装置
70 输入部
80 输出部
90 运算部
91 图像预处理部
92 特征值计算部
93 相分类部
94 误差评价值计算部
95 预处理调节部
4 材料特性预测装置
100 输入部
110 输出部
120 运算部
121 定量评价部
122 数据记录部
123 数据选择部
124 模型生成部
125 材料特性预测部
130 存储部
Claims (15)
1.一种金相组织的相的分类方法,其特征在于,包括:
特征值计算步骤,其中,对拍摄金属材料的金相组织而得到的图像的像素计算一个以上特征值;和
相分类步骤,其中,对于以被赋予了所述金相组织的多个相的标签的特征值作为输入、以各相的标签作为输出而进行了学习的学习完成模型,输入在所述特征值计算步骤中计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对所述图像的金相组织的相进行分类。
2.如权利要求1所述的金相组织的相的分类方法,其特征在于,包括在所述相分类步骤之前对所述图像的像素的亮度值进行调节的图像预处理步骤。
3.如权利要求2所述的金相组织的相的分类方法,其特征在于,在所述图像预处理步骤中,对所述图像的亮度值的直方图进行均衡化。
4.如权利要求2或权利要求3所述的金相组织的相的分类方法,其特征在于,在所述图像预处理步骤中,除去所述图像的平均亮度值。
5.一种金相组织的相的分类方法,其是对于从一个金属材料拍摄所述金属材料的金相组织而得到的多个图像、对两个以上金相组织的相进行分类的金相组织的相的分类方法,其特征在于,
包括:
图像预处理步骤,其中,从所述多个图像中选择一个或规定数量的图像,对所选择的图像的像素的亮度值进行调节;
特征值计算步骤,其中,对于在所述图像预处理步骤中进行了预处理的图像的像素计算一个以上特征值;
相分类步骤,其中,对于以被赋予了所述金相组织的多个相的标签的特征值作为输入、以各相的标签作为输出而进行了学习的学习完成模型,输入在所述特征值计算步骤中计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对所述图像的金相组织的相进行分类;
误差评价值计算步骤,其中,对于在所述相分类步骤中分类后的金相组织的各相,对每个像素确定正误,计算误差评价值;以及
预处理调节步骤,其中,以使在所述误差评价值计算步骤中计算出的误差评价值变小的方式变更所述图像预处理步骤的预处理参数,重复进行所述特征值计算步骤、所述相分类步骤和所述误差评价值计算步骤来调节所述预处理参数,
将在所述预处理调节步骤中调节后的预处理参数确定为固定值,对拍摄所述金属材料的金相组织而得到的多个图像全部进行所述图像预处理步骤、所述特征值计算步骤和所述相分类步骤。
6.如权利要求5所述的金相组织的相的分类方法,其特征在于,所述特征值计算步骤中,计算以下中的一个以上特征值:
表示所述图像的亮度值的恒等特征值;
表示所述图像的规定范围内的亮度值的平均值的平均特征值;
表示在所述图像的规定范围内越靠近中心则加权越大的亮度值的平均值的高斯特征值;
表示所述图像的规定范围内的亮度值的中心值的中间特征值;
表示所述图像的规定范围内的亮度值的最大值的最大特征值;
表示所述图像的规定范围内的亮度值的最小值的最小特征值;
表示所述图像的亮度值的微分值的导数特征值;
通过将所述导数特征值相加而得到的导数相加特征值。
7.如权利要求6所述的金相组织的相的分类方法,其特征在于,所述规定范围为包含小于所述金相组织的预先指定的一个或多个相中结晶粒径较小一方的所述结晶粒径的1/2的大小并且包含小于结晶粒径较大一方的所述结晶粒径的1/2的大小的范围。
8.如权利要求1~权利要求7中任一项所述的金相组织的相的分类方法,其特征在于,
所述金属材料为双相钢板,
所述相分类步骤中,对铁素体相和马氏体相进行分类。
9.如权利要求1~权利要求8中任一项所述的金相组织的相的分类方法,其特征在于,所述学习完成模型为包含决策树、随机森林或神经网络的机器学习模型。
10.一种金相组织的相的分类装置,其特征在于,具备:
特征值计算部,其对拍摄金属材料的金相组织而得到的图像的像素计算一个以上特征值;和
相分类部,其对于以被赋予了所述金相组织的预先指定的一个或多个相的标签的特征值作为输入、以各相的标签作为输出而进行了学习的学习完成模型,输入由所述特征值计算部计算出的特征值,获得与输入的特征值对应的像素的相的标签,由此对所述图像的金相组织的相进行分类。
11.如权利要求10所述的金相组织的相的分类装置,其特征在于,还具备:
调节所述图像的像素的亮度值的图像预处理部;和
调节所述图像预处理部的预处理参数的预处理调节部。
12.一种金相组织的相的学习方法,其特征在于,包括:
相指定步骤,其中,对于拍摄金属材料的金相组织而得到的图像,对与所述金相组织的预先指定的一个或多个相对应的像素赋予各相的标签;
特征值计算步骤,其中,对于赋予了各相的标签的像素计算一个以上特征值;和
模型生成步骤,其中,以被赋予了各相的标签的所述特征值作为输入、以各相的标签作为输出而进行学习,由此生成学习完成模型。
13.一种金相组织的相的学习装置,其特征在于,具备:
相指定部,其对于拍摄金属材料的金相组织而得到的图像,对与所述金相组织的预先指定的一个或多个相对应的像素赋予各相的标签;
特征值计算部,其对赋予了各相的标签的像素计算一个以上特征值;和
模型生成部,其以被赋予了各相的标签的所述特征值作为输入、以各相的标签作为输出而进行学习,由此生成学习完成模型。
14.一种金属材料的材料特性预测方法,其是对金属材料的材料特性进行预测的金属材料的材料特性预测方法,其中,
在权利要求1~权利要求9中任一项所述的金相组织的相的分类方法之后,包括:
定量评价步骤,其中,通过计算分类后的各相的大小、面积率或形状来计算金相组织的定量评价值;
数据选择步骤,其中,从所述定量评价值和预先准备的所述金属材料的材料特性中选择出在所述金属材料的材料特性的预测中使用的数据;
模型生成步骤,其中,使用所选择的数据来生成预测所述金属材料的材料特性的预测模型;以及
材料特性预测步骤,其中,使用所生成的预测模型对所述金属材料的材料特性进行预测。
15.一种金属材料的材料特性预测装置,其是对金属材料的材料特性进行预测的金属材料的材料特性预测装置,其具备:
输入部,其输入进行了金相组织的相的分类的图像;
定量评价部,其通过计算分类后的各相的大小、面积率或形状来计算金相组织的定量评价值;
数据记录部,其将所述定量评价值记录于数据库中;
数据选择部,其从记录于所述数据库中的所述定量评价值和所述金属材料的材料特性中选择出在所述金属材料的材料特性的预测中使用的数据;
模型生成部,其使用所选择的数据来生成预测所述金属材料的材料特性的预测模型;
材料特性预测部,其使用所生成的预测模型对所述金属材料的材料特性进行预测;以及
输出部,其输出所预测的所述金属材料的材料特性。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-012517 | 2020-01-29 | ||
JP2020012517 | 2020-01-29 | ||
PCT/JP2021/002906 WO2021153633A1 (ja) | 2020-01-29 | 2021-01-27 | 金属組織の相の分類方法、金属組織の相の分類装置、金属組織の相の学習方法、金属組織の相の学習装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115038965A true CN115038965A (zh) | 2022-09-09 |
Family
ID=77079849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180010846.1A Pending CN115038965A (zh) | 2020-01-29 | 2021-01-27 | 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4099012A4 (zh) |
JP (1) | JP7147974B2 (zh) |
KR (1) | KR20220117328A (zh) |
CN (1) | CN115038965A (zh) |
WO (1) | WO2021153633A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148069A (zh) * | 2023-04-20 | 2023-05-23 | 河北亿泰克轴承有限公司 | 一种轴承拉伸强度检测装置及检测方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220156044A (ko) * | 2020-03-31 | 2022-11-24 | 제이에프이 스틸 가부시키가이샤 | 금속 조직의 촬영 조건 결정 방법, 금속 조직의 촬영 방법, 금속 조직의 상 분류 방법, 금속 조직의 촬영 조건 결정 장치, 금속 조직의 촬영 장치, 금속 조직의 상 분류 장치, 금속 재료의 재료 특성 예측 방법 및 금속 재료의 재료 특성 예측 장치 |
JP7453532B2 (ja) | 2020-04-08 | 2024-03-21 | 日本製鉄株式会社 | 焼結鉱の組織構成学習装置、組織構成学習方法及び組織構成学習プログラム、並びに焼結鉱の製造条件変更装置、製造条件変更方法及び製造条件変更プログラム |
JP2023137302A (ja) * | 2022-03-18 | 2023-09-29 | 株式会社Screenホールディングス | 画像標準化方法および観察装置 |
JP2023172382A (ja) * | 2022-05-23 | 2023-12-06 | Jfeスチール株式会社 | 代表組織写真決定方法、代表組織写真決定装置、撮影装置及びプログラム |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4548903A (en) * | 1984-03-30 | 1985-10-22 | The United States Of America As Represented By The Secretary Of The Air Force | Method to reveal microstructures in single phase alloys |
EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
JP2007204772A (ja) * | 2006-01-31 | 2007-08-16 | Jfe Steel Kk | 鋼のミクロ組織観察用着色エッチング液およびエッチング方法 |
CN101413899A (zh) * | 2008-11-28 | 2009-04-22 | 广东正业科技有限公司 | 一种金相图像信息的处理方法 |
JP2012104042A (ja) * | 2010-11-12 | 2012-05-31 | Kobe Steel Ltd | 均一伸びの予測方法および均一伸びの予測プログラム |
CN103920717A (zh) * | 2013-01-10 | 2014-07-16 | 东芝三菱电机产业系统株式会社 | 设定值计算装置及设定值计算方法 |
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 |
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 |
JP2019007944A (ja) * | 2017-06-20 | 2019-01-17 | 株式会社神戸製鋼所 | 偏析検出方法及び偏析検出装置 |
JP2019012037A (ja) * | 2017-06-30 | 2019-01-24 | Jfeスチール株式会社 | 材料特性推定装置及び材料特性推定方法 |
CN110276763A (zh) * | 2018-03-15 | 2019-09-24 | 中南大学 | 一种基于可信度和深度学习的视网膜血管分割图生成方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2673629B2 (ja) * | 1992-03-02 | 1997-11-05 | 新日本製鐵株式会社 | 線状組織定量化画像処理装置 |
CN106660090B (zh) * | 2014-09-10 | 2019-03-19 | 东芝三菱电机产业系统株式会社 | 轧制模拟装置 |
JP2017010397A (ja) | 2015-06-24 | 2017-01-12 | 富士通株式会社 | 評価装置 |
JP6483826B2 (ja) | 2015-07-15 | 2019-03-13 | 国立大学法人大阪大学 | 画像解析装置、画像解析方法、画像解析システム、画像解析プログラム、および記録媒体 |
JP2018121752A (ja) | 2017-01-30 | 2018-08-09 | 国立大学法人 東京大学 | 画像解析装置、画像解析方法、および画像解析プログラム |
-
2021
- 2021-01-27 JP JP2021522570A patent/JP7147974B2/ja active Active
- 2021-01-27 CN CN202180010846.1A patent/CN115038965A/zh active Pending
- 2021-01-27 KR KR1020227025490A patent/KR20220117328A/ko unknown
- 2021-01-27 EP EP21747718.1A patent/EP4099012A4/en active Pending
- 2021-01-27 WO PCT/JP2021/002906 patent/WO2021153633A1/ja unknown
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4548903A (en) * | 1984-03-30 | 1985-10-22 | The United States Of America As Represented By The Secretary Of The Air Force | Method to reveal microstructures in single phase alloys |
EP0901016A2 (de) * | 1997-09-05 | 1999-03-10 | Siemens Aktiengesellschaft | Verfahren und Einrichtung zur Bestimmung von Eigenschaften eines Stahls |
JP2007204772A (ja) * | 2006-01-31 | 2007-08-16 | Jfe Steel Kk | 鋼のミクロ組織観察用着色エッチング液およびエッチング方法 |
CN101413899A (zh) * | 2008-11-28 | 2009-04-22 | 广东正业科技有限公司 | 一种金相图像信息的处理方法 |
JP2012104042A (ja) * | 2010-11-12 | 2012-05-31 | Kobe Steel Ltd | 均一伸びの予測方法および均一伸びの予測プログラム |
CN103920717A (zh) * | 2013-01-10 | 2014-07-16 | 东芝三菱电机产业系统株式会社 | 设定值计算装置及设定值计算方法 |
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 |
JP2019007944A (ja) * | 2017-06-20 | 2019-01-17 | 株式会社神戸製鋼所 | 偏析検出方法及び偏析検出装置 |
JP2019012037A (ja) * | 2017-06-30 | 2019-01-24 | Jfeスチール株式会社 | 材料特性推定装置及び材料特性推定方法 |
CN110276763A (zh) * | 2018-03-15 | 2019-09-24 | 中南大学 | 一种基于可信度和深度学习的视网膜血管分割图生成方法 |
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 |
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 |
Non-Patent Citations (5)
Title |
---|
DMITRY S. BULGAREVICH等: "Automatic steel labeling on certain microstructural constituents with image processing and machine learning tools", SCIENCE AND TECHNOLOGY OF ADVANCED MATERIALS, vol. 20, no. 1, 5 June 2019 (2019-06-05) * |
FUMITO AJIOKA等: "Development of High Accuracy Segmentation Model for Microstructure of Steel by Deep Learning", ISIJ INTERNATIONAL, vol. 60, no. 5, 18 January 2020 (2020-01-18), pages 2 * |
JESSICA GOLA等: "Advanced microstructure classification by data mining methods", COMPUTATIONAL MATERIALS SCIENCE, 31 December 2018 (2018-12-31) * |
MULEWICZ BARTŁOMIEJ等: "Autonomous Interpretation of the Microstructure of Steels and Special Alloys", MATERIALS SCIENCE FORUM, vol. 949, 20 March 2019 (2019-03-20), XP055845435, DOI: 10.4028/www.scientific.net/MSF.949.24 * |
遠 嶋 雅 徳等: "ニュー ラルネットワークによる材 料 組 織 の パターン認 識", 鉄 と 鋼, vol. 28, no. 7, 31 December 1994 (1994-12-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148069A (zh) * | 2023-04-20 | 2023-05-23 | 河北亿泰克轴承有限公司 | 一种轴承拉伸强度检测装置及检测方法 |
CN116148069B (zh) * | 2023-04-20 | 2023-06-27 | 河北亿泰克轴承有限公司 | 一种轴承拉伸强度检测装置及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20220117328A (ko) | 2022-08-23 |
JPWO2021153633A1 (zh) | 2021-08-05 |
EP4099012A1 (en) | 2022-12-07 |
WO2021153633A1 (ja) | 2021-08-05 |
JP7147974B2 (ja) | 2022-10-05 |
EP4099012A4 (en) | 2023-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gola et al. | Objective microstructure classification by support vector machine (SVM) using a combination of morphological parameters and textural features for low carbon steels | |
CN115038965A (zh) | 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置 | |
Gola et al. | Advanced microstructure classification by data mining methods | |
CN109791693B (zh) | 用于提供可视化全切片图像分析的数字病理学系统及相关工作流程 | |
US11977984B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
CN113963042B (zh) | 基于图像处理的金属零件缺陷程度评估方法 | |
KR102084535B1 (ko) | 결함 검사 장치, 결함 검사 방법 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN115294159B (zh) | 金属紧固件腐蚀区域分割方法 | |
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
Iskakov et al. | A framework for the systematic design of segmentation workflows | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
JP7173345B2 (ja) | 金属組織の撮影条件決定方法、金属組織の撮影方法、金属組織の相分類方法、金属組織の撮影条件決定装置、金属組織の撮影装置、金属組織の相分類装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 | |
Abrol et al. | An automated segmentation of leukocytes using modified watershed algorithm on peripheral blood smear images | |
Nebaba et al. | Patterns detection in saed images of transmission electron microscopy | |
CN117474916B (zh) | 一种图像检测方法、电子设备及存储介质 | |
EP4379676A1 (en) | Detection system, detection apparatus, learning apparatus, detection method, learning method and program | |
WO2023228572A1 (ja) | 組織写真評価方法、組織写真評価装置、撮影装置及びプログラム | |
Hu et al. | Deep learning methods for roping defect analysis in aluminum alloy sheets: prediction and grading | |
Khaled et al. | Discrimination of Grey Cast Iron morphology using integrated SVM and ANN approaches | |
Deepa et al. | Exploring and Improving Deep Learning-Based Image Filtering and Segmentation Techniques for Enhancing Leukemia Images | |
US20210366107A1 (en) | Sensitivity analysis for digital pathology | |
CN115222958A (zh) | 一种基于深度卷积网络的织物起球缺陷等级评定方法及系统 | |
Bakkour et al. | Classification of aluminium microscopic images: Leveraging domain knowledge for feature extraction |
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 |