CN115471472A - 一种金相组织晶粒度自动识别的方法 - Google Patents
一种金相组织晶粒度自动识别的方法 Download PDFInfo
- Publication number
- CN115471472A CN115471472A CN202211122889.1A CN202211122889A CN115471472A CN 115471472 A CN115471472 A CN 115471472A CN 202211122889 A CN202211122889 A CN 202211122889A CN 115471472 A CN115471472 A CN 115471472A
- Authority
- CN
- China
- Prior art keywords
- image
- metallographic structure
- area
- grain size
- grains
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
Description
技术领域
本发明涉及一种金相组织晶粒度自动识别的方法,其利用计算机自动识别金相组织晶粒度,提高准确度和工作效率。
背景技术
晶粒度是描述多晶体材料晶粒大小的参数。晶粒大小对金属材料的性能有重要影响。一般晶粒越小,金属材料的强度、塑性和韧性越高,材料力学性能越好。因此,晶粒度是金属材料加工,特别是热加工工艺中需要严格控制的技术指标。金相分析中经常需要对材料晶粒度进行定级评价。
以往对金相组织的分析靠人工目测完成,其结果的准确性受人为因素影响很大,而且误差较大。
发明内容
针对现有的人工评定金相组织晶粒度的模式,本发明目的在于提供一种金相组织晶粒度自动识别的方法,以提高准确性和工作效率。
本发明采用如下技术方案来实现的:
一种金相组织晶粒度自动识别的方法,包括以下步骤:
1)采集待识别的金相组织图像;
2)对采集的金相组织图像添加标尺,通过构造数字标尺来确定单个像素的实际面积;
3)对添加标尺后的金相组织图像进行分割,提取目标晶粒;
4)对提取目标晶粒后的图像进行粒径孔洞填充;
5)对粒径孔洞填充后的图像,根据选取区域内像素总数,得到所选区域的晶粒总面积以及晶粒个数;
本发明进一步的改进在于,步骤2)中,对采集的金相组织图像使用金相显微镜所使用的软件对金相组织图像添加标尺。
本发明进一步的改进在于,标尺中,相邻两个小刻度之间是10um。
本发明进一步的改进在于,步骤3)中,对添加标尺后的金相组织图像中,选定区域设置阈值进行二值化以分割目标晶粒和背景。
本发明进一步的改进在于,采用灰度直方图确定二值化的阈值。
本发明进一步的改进在于,步骤4)中,通过反色处理填充提取目标晶粒后的图像中的粒径孔洞。
本发明进一步的改进在于,步骤5)中,对粒径孔洞填充后的图像中,所有黑色像素置为1,白色像素置为0,然后从图像的左上角、右下角、右上角、左下角开始检测图像中的每一个晶粒,对图像进行4次处理;当发现一个未经检测到的晶粒时,则将该晶粒的所有像素置为同一个值L,L从2开始,以后每发现一个新的晶粒,L增加1;处理完全部晶粒后,分别统计图像中每个L的像素点的总数,将某一晶粒的所有像素点的数目乘以单个像素的实际面积,计算出每个晶粒的实际面积,将选取区域内所有晶粒实际面积相加,则得到区域内晶粒总面积,此时也得到了选取区域中的晶粒个数。
本发明进一步的改进在于,晶粒个数N按下式计算:
式中,N'为晶粒全在框内的个数;
N〞为跨在方框边界上的晶粒个数。
具体的,本发明至少具有如下有益的技术效果:
1、本发明基于晶粒度标准来测量评级,选取区域面积可以足够大,晶粒数相对稳定,对于非均匀等轴晶的晶粒度检测,比其他方法如截点法、截圆法等具有更高的准确性。
2、通过图像标定,可建立不同输入方式数字图像尺寸与真实尺寸之间的关系,利用本发明相应推导公式,可计算任意放大倍数下的晶粒级别。
3、通过计算机自动识别代替人工评定金相组织晶粒度的模式,提高准确性和工作效率。
4、通过对图像进行4次扫描,识别出所选区域内晶粒像素和晶粒数目。
5、通过反色处理填充二值化图像中晶粒的孔洞,使识别方法稳定和准确。
6、添加尺寸标定,计算出单个像素的实际面积,从而得到晶粒的实际面积,所计算出的晶粒面积更为准确。
附图说明
图1是晶粒度识别方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
G为晶粒等级;
n为放大100倍时1平方英寸(645mm2)内的晶粒个数。
换算成国际单位制,得到
NA为1mm2内的晶粒个数。
上式说明了晶粒大小等级与单位面积内晶粒个数的关系。但是,金相磨面上的组织图像是对空间晶粒随机截取得到的,所以,其截面组织图像也只能是大小不均匀的平面网络,其单个面积的大小不能表征空间晶粒的实际大小。因此,从统计的观点出发,金相磨面上合金晶粒面积的特征参数可以采用晶粒的平均面积其定义和计算公式为
计算晶粒面积时,需先对金属图像作预处理:首先提取出金属目标晶粒,然后进行二值化处理,即将目标晶粒置为黑色,将背景图像置为白色。二值图像中晶粒的面积实际上就是图像中连通像素点集中像素的个数,也就是晶粒区域边界内包含像素点的数目。将某一晶粒的所有像素点数乘以单个像素的实际面积,即可得到晶粒的实际面积。
如图1所示,本发明提供的一种金相组织晶粒度自动识别的方法:
1.现有的金相显微镜一般与计算机连接,在观察金相组织的同时具备拍照功能,在金相组织中加入标尺,设置相邻两个小刻度之间是10um,通过标尺可以计算出单个像素的实际面积,以便后续计算出晶粒的面积。
2.图像分割提取目标晶粒。对选定区域设置阈值进行二值化以分割目标晶粒和背景,本发明采用灰度直方图确定二值化的阈值。图像进行二值化后晶粒与图像背景分割开来,但二值化后图像晶粒内会存在一些孔洞,这将会影响后续晶粒内像素的识别工作。通过反色处理填充二值化图像中晶粒的孔洞,使识别方法稳定和准确。
3.将金属图像中的所有黑色像素置为1,白色像素置为0,然后从图像的左上角、右下角、右上角、左下角开始检测图像中的每一个晶粒,对图像进行4次处理。当发现一个未经检测到的晶粒时(发现有像素值为1的点),则将该晶粒的所有像素置为同一个值L(L从2开始),以后每发现一个新的晶粒,L增加1;处理完全部晶粒后,分别统计图像中每个L的像素点的总数,将某一晶粒的所有像素点的数目乘以单个像素的实际面积,便可以计算出每个晶粒的实际面积。将选取区域内所有晶粒实际面积相加,则得到区域内晶粒总面积,此时也得到了选取区域中的晶粒个数。
实施例
1.在拍摄金相组织图像时使用金相显微镜所使用的软件对金相组织图像添加标尺,通过构造数字标尺来确定单个像素的实际面积。构造数字标尺的基本思想是统计标尺图内一共有多少个刻度(设有n个),假设第一个刻度与最后一个刻度之间共有m个像素,设置相邻两个小刻度之间是10um,于是可以得到图片中每个像素代表的实际面积为
2.图像分割提取目标晶粒。对选定区域设置阈值进行二值化以分割目标晶粒和背景,本发明采用灰度直方图确定二值化的阈值。图像进行二值化后晶粒与图像背景分割开来,但二值化后图像晶粒内会存在一些孔洞,通过反色处理填充二值化图像中晶粒的孔洞:填充处理就是将金属图像中某些颗粒中间在某一面积门限以下的白色像素块变成黑色。
对于二值化处理后的散布许多晶粒的金属图像而言,其中白色像素块除了最大的白色背景图像快之外,剩下的就是那些目标晶粒内部的白色孔洞。这样,只要将二值化的金属图像进行反色处理,即将黑色晶粒变成白色,将原来的白色像素变为黑色,这样进行去除小颗粒处理,就可以留下原来最大的白色背景,而将其它所有原来目标内部的孔洞去除,最后再经过反色处理,就实现了填充处理。
3.识别晶粒中的像素。从图像的左上角向右下角开始检测图像中的每一个像素。每当发现某一像素点P(i,j)的像素值是1时,说明该点未经处理,有可能是这个新的晶粒中的像素点。分别检查该像素点的正上方的三个像素点和左边的像素点,即点P(i一1,j一1)、p(i一l,j)、p(i一1,j+l)和p(i,j一l)。只要发现其中有一点的像素值是L,则该像素点是这个新的晶粒中的像素点,将该点的像素值置为L,否则,依序继续检测下一个像素点,直到检测到图像的右下角。
同理从图像的右下角向左上角检测点P(i+l,j-l)、p(i+1,j)、P(i+l,j+1)和p(i,j+1);从图像的右上角向左下角开始检测点P(i一1,j一l)、P(i一1,j)、P(i一1,j+1)和P(i,j+l);从图像的左下角向右上角开始检测点P(i+1,j一1)、p(i+l,j)、p(i+l,j+l)和p(i,j一1)。只要发现其中有一点的像素值是L,则该像素点是这个新的晶粒中的像素点,将该点的像素值置为L,否则,依序继续检测下一个像素点。
经过上面的4次处理,便可以完全将一个新的晶粒中的全部像素点检测出来。如此处理完整幅图像,便可以检测出金属图像中的所有晶粒。
4.这时计算出所有晶粒包含的像素数目和,同时计算晶粒数目,晶粒数目N按下式计算:
式中,N'为晶粒全在框内的个数;
N〞为跨在方框边界上的晶粒个数。
减1是因为角隅上的晶粒计数了两次,共四个角隅,故要减1。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
2.根据权利要求1所述的一种金相组织晶粒度自动识别的方法,其特征在于,步骤2)中,对采集的金相组织图像使用金相显微镜所使用的软件对金相组织图像添加标尺。
3.根据权利要求2所述的一种金相组织晶粒度自动识别的方法,其特征在于,标尺中,相邻两个小刻度之间是10um。
4.根据权利要求1所述的一种金相组织晶粒度自动识别的方法,其特征在于,步骤3)中,对添加标尺后的金相组织图像中,选定区域设置阈值进行二值化以分割目标晶粒和背景。
5.根据权利要求4所述的一种金相组织晶粒度自动识别的方法,其特征在于,采用灰度直方图确定二值化的阈值。
6.根据权利要求1所述的一种金相组织晶粒度自动识别的方法,其特征在于,步骤4)中,通过反色处理填充提取目标晶粒后的图像中的粒径孔洞。
7.根据权利要求1所述的一种金相组织晶粒度自动识别的方法,其特征在于,步骤5)中,对粒径孔洞填充后的图像中,所有黑色像素置为1,白色像素置为0,然后从图像的左上角、右下角、右上角、左下角开始检测图像中的每一个晶粒,对图像进行4次处理;当发现一个未经检测到的晶粒时,则将该晶粒的所有像素置为同一个值L,L从2开始,以后每发现一个新的晶粒,L增加1;处理完全部晶粒后,分别统计图像中每个L的像素点的总数,将某一晶粒的所有像素点的数目乘以单个像素的实际面积,计算出每个晶粒的实际面积,将选取区域内所有晶粒实际面积相加,则得到区域内晶粒总面积,此时也得到了选取区域中的晶粒个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122889.1A CN115471472A (zh) | 2022-09-15 | 2022-09-15 | 一种金相组织晶粒度自动识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122889.1A CN115471472A (zh) | 2022-09-15 | 2022-09-15 | 一种金相组织晶粒度自动识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115471472A true CN115471472A (zh) | 2022-12-13 |
Family
ID=84333964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211122889.1A Pending CN115471472A (zh) | 2022-09-15 | 2022-09-15 | 一种金相组织晶粒度自动识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471472A (zh) |
-
2022
- 2022-09-15 CN CN202211122889.1A patent/CN115471472A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
JP4675949B2 (ja) | 映像処理技法を利用した構造物及び製品のクラック幅測定方法および装置 | |
GB2396406A (en) | Image analysis | |
CN109472261B (zh) | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 | |
CN112740267A (zh) | 学习用数据收集装置、学习用数据收集方法、及程序 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN103063576A (zh) | 激光显微镜下定量分析钢中夹杂物的方法 | |
CN111879735B (zh) | 一种基于图像的大米外观品质检测方法 | |
JP2010210318A (ja) | 粉塵の測定装置および発生源の推定方法 | |
CN115797473B (zh) | 一种土建工程用混凝土成型评估方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN107545557A (zh) | 粪便图像中的虫卵检测方法和装置 | |
Kimura et al. | Accurate root length and diameter measurement using NIH Image: use of Pythagorean distance for diameter estimation | |
CN114037835B (zh) | 粮食籽粒质量估算方法、装置、设备及存储介质 | |
CN111860176A (zh) | 一种非金属夹杂全视场定量统计分布表征方法 | |
CN114638958A (zh) | 一种多特征融合的三元正极材料粗糙度提取方法及装置 | |
CN107991307B (zh) | 一种软质材料表面裂纹自动检测装置及方法 | |
CN108846839B (zh) | 一种基于扇形邻域差异直方图的匣钵裂纹检测方法 | |
CN115471472A (zh) | 一种金相组织晶粒度自动识别的方法 | |
CN108535295B (zh) | 一种利用ebsd测量钢中位错密度的方法 | |
CN116152220A (zh) | 一种基于机器视觉的种子计数和尺寸测量方法 | |
JPH07198714A (ja) | 細胞活性度判定方法及び装置 | |
JP4747031B2 (ja) | 画像解析処理のパラメータ値の検出方法、及び画像処理のパラメータ値の検出プログラム、並びにそれらによって検出されたパラメータ値を用いた計数対象物の計数方法 | |
KR102082102B1 (ko) | 토양 이미지를 이용한 토양 분류 방법 및 함수비 추정 방법 | |
CN113409297A (zh) | 骨料体积计算方法、粒形级配数据生成方法、系统和设备 |
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 |