CN115690073A - 一种激光增材制造陶瓷微结构局部表征方法、装置及介质 - Google Patents

Abstract

本发明公开了一种激光增材制造陶瓷微结构局部表征方法、装置及介质，其中方法包括：获取SLS陶瓷浆料产品的图像数据，将图像数据输入训练后的局部孔隙率表征模型，输出孔隙率；局部孔隙率表征模型对输入的图像数据进行以下处理：对图像数据进行特征提取，获得特征图；对特征图进行提议区域识别，以及对识别到的提议区域进行对齐处理，获得锚框图；根据锚框图获取输出图像，输出图像包括原始图像、检测框和分割掩膜；根据分割掩膜计算掩膜的面积，通过计算掩膜面积与原始图片面积的比值，作为孔隙率。本发明通过局部孔隙率表征模型获取每个掩膜，并计算孔隙率，能够快速地实现陶瓷孔隙率表征。本发明可广泛应用于激光增材制造氧化铝陶瓷领域。

Description

一种激光增材制造陶瓷微结构局部表征方法、装置及介质

技术领域

本发明涉及激光增材制造氧化铝陶瓷领域，尤其涉及一种激光增材制造陶瓷微结构局部表征方法、装置及介质。

背景技术

先进陶瓷材料以其优异的机械、热力学、电介质性能，得到了众多领域诸如航空、生物医学植入、能源生产系统、光电等的广泛应用。基于先进陶瓷材料的这些应用，先进陶瓷的材料需要被赋予不同的特性，如：复杂的几何形状，不同程度的致密化等。但仅依赖传统的机械加工方法难以满足这种需求。激光加工是一种新型的先进制造技术，其以高精度，高加工效率和复杂形体制造而闻名。结合先进陶瓷产品的制造需求以及激光加工的优势，激光加工有望成为先进陶瓷产品的新型加工方式。对于先进陶瓷的激光增材制造而言，选区性激光烧结(Selective Laser Sintering,SLS)是一个最优方案并且被广泛应用在激光加工陶瓷中。

在SLS过程中，待加工的陶瓷浆料会受到二氧化碳激光的作用。由于陶瓷浆料对二氧化碳激光的高吸收率，高强度的激光光束会使照射区域在短时间内急剧升温，进而使得陶瓷浆料沉积和致密化以完成陶瓷的加工。整个加工过程十分迅速，且在数秒间便可完成。但由于激光的空间强度分布是服从高斯分布的，进而导致SLS过程中激光作用在陶瓷浆料上的温度场也服从高斯分布，这将直接引起加工过程中的热不平衡性。

正因为SLS过程中的这种热不平衡性，被加工的陶瓷产品特性会受到一定的影响，如：孔隙率(陶瓷产品内孔隙体积占整体体积之比)，晶粒大小等。一般来说，越高的有效加工温度会提升烧结效果，以导致陶瓷产品的晶粒长大，从而使得孔隙率降低。基于上述理论，SLS过程中的热不平衡性将会引起陶瓷产品的特性不平衡性，而在陶瓷产品不同的特性下其拥有的性能如：机械性能、热阻也不相同。因此，为了得到最符合需求的陶瓷产品，有必要对其特性的分布进行表征，从而实现优化整个加工过程。

现有的陶瓷孔隙率表征技术主要分为下述两类：①对陶瓷产品的块体材料进行直接孔隙率检测。②使用图像分析软件对陶瓷产品的SEM图像进行分析，得出对应图像下的孔隙率。

对第一类技术来说，其对陶瓷产品的块体材料进行直接检测，返回的是整个材料的孔隙率大小，无法关注到局部信息。这对分析SLS加工陶瓷产品的孔隙率分布是有局限性的。

对第二类技术来说，使用SEM图像进行陶瓷产品的局部孔隙率分析可以帮助我们了解到局部信息。但使用这些图像分析软件也具有其相应的局限性。第一，主流的图像分析软件往往是通过人工设定的阈值，对不同的像素大小进行分类以分割和统计我们想要的目标(对孔隙率来说，我们需要统计的目标是孔隙)。这种过程太过主观，并且面对形状不一的目标时分割性能可能会相应得下降，以此引起分析的准确率下降。第二，在面对大批量的数据情况下，使用图像分析软件进行分析将会显得十分复杂与耗时。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种激光增材制造陶瓷微结构局部表征方法、装置及介质。

本发明所采用的技术方案是：

一种激光增材制造陶瓷微结构局部表征方法，包括以下步骤：

获取SLS陶瓷浆料产品的图像数据，将图像数据输入训练后的局部孔隙率表征模型，输出孔隙率；

所述局部孔隙率表征模型对输入的图像数据进行以下处理：

对所述图像数据进行特征提取，获得特征图；

对特征图进行提议区域识别，以及对识别到的提议区域进行对齐处理，获得锚框图；所述锚框图上至少包括一个检测框；

根据锚框图获取输出图像，所述输出图像包括原始图像、检测框和分割掩膜；

根据分割掩膜计算掩膜的面积，通过计算掩膜面积与原始图片面积的比值，作为孔隙率。

进一步地，所述局部孔隙率表征模型通过以下步骤构建获得：

获取SLS陶瓷浆料产品的图像，对图像进行处理获得图像数据集；

对所述图像数据集中的图像进标注处理；

采用标注处理后的所述图像数据对所述局部孔隙率表征模型进行训练；

其中，标注处理包括：对图像进行色阶调整处理，以及对图像中的孔隙进行标注。

进一步地，所述对图像进行处理获得图像数据集，包括：

对于不同功率下的SLS陶瓷浆料产品的图像，进行提升分辨率的处理，获得第一图像；

按照预设尺寸要求对所述第一图像进行裁剪，获得第二图像；

从所有的所述第二图像中抽取图像，作为图像数据集。

进一步地，所述SLS陶瓷浆料产品的图像为SEM图像，采用以下标准对图像中的孔隙进行标注：

1)黑色像素连通区域需大于等于n个像素点；

2)黑色区域的像素通道值低于m；

3)孔隙发生在晶粒的边界周围；

其中，n、m为正整数。

进一步地，所述局部孔隙率表征模型以Mask R-CNN网络作为基础网络，所述所述局部孔隙率表征模型包括骨干网络、区域提议网络和头部网络；

所述骨干网络用于对输入的原始图像进行特征提取，输出特征图；

所述区域提议网络用于根据特征图进行目标提取，获得得到提议区域；提议区域经过感兴趣区域对齐操作，使得特征图上的提议区域与原始图像上的区域对齐，得到锚框图；

所述头部网络包括平行的分类模块和分割模块，所述分类模块用于期望目标的分类与检测框的部署，所述分割模块分割出期望目标的具体轮廓；

经过分类模块获得最终的检测框，经过分割模块获得分割掩膜。

进一步地，所述骨干网络的结构为ResNet101-FPN网络结构。

进一步地，所述局部孔隙率表征模型还包括卷积注意力模块，所述卷积注意力模块用于提升特征提取的能力。

进一步地，所述骨干网络的结构为ResNet-FPN网络结构；

所述卷积注意力模块设置在ResNet网络内；或，

所述卷积注意力模块设置在FPN网络内。

本发明所采用的另一技术方案是：

一种激光增材制造陶瓷微结构局部表征装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。

本发明所采用的另一技术方案是：

一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。

本发明的有益效果是：本发明通过局部孔隙率表征模型获取每个掩膜，并计算孔隙率，能够快速地实现陶瓷孔隙率表征，有助于改善激光增材制造氧化铝陶瓷工艺。

附图说明

为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。

图1是本发明实施例中局部孔隙率表征模型对输入的图像数据进行处理的步骤流程图；

图2是本发明实施例中一种激光增材制造陶瓷微结构局部表征方法的技术路线图；

图3是本发明实施例中孔隙标注示意图；其中，图3(a)为未处理的原始图像；图3(b)为进行了色阶调整且进行孔隙标注后的结果；

图4是本发明实施例中局部孔隙率表征模型的架构图；

图5是本发明实施例中CBAM内部结构示意图；

图6是本发明实例中将CBAM嵌入ResNet和FPN的方法示意图；其中，图6(a)为将CBAM嵌入ResNet中的示意图；图6(b)为将CBAM嵌入FPN中的示意图，图中“C*”代表的是特征提取的阶段，“P*”为特征融合的阶段，“2×Up”为2倍上采样过程；

图7是本发明实施例中局部孔隙率表征模型的可靠性验证实验流程图；

图8是本发明实施例中局部孔隙率表征模型的验证结果；其中，图8(a)为测试集1上的检测结果；图8(b)为测试集2上的检测结果。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

术语解释：

激光增材制造：由增材制造发展而来，使用高能量的激光脉冲作为能量源对材料进行增材制造，可用作制造金属、陶瓷等高性能产品。

目标检测：深度学习领域的一种方法，作用是对图像中的所关注目标进行定位和分类。

实例分割：基于目标检测方法提出的一种新型方法，相较于传统的目标检测使用检测框定位关注目标来说，实例分割方法在此基础上提出对关注对象的轮廓进行分割，以此得到关注对象的轮廓。

Mask R-CNN：掩膜区域卷积神经网络(Mask Region-based ConvolutionalNeural Network)，是一个集合目标检测与实例分割功能的深度学习算法。

监督学习：深度学习中最常见的训练模型方法，训练集中的所有数据都被标注，以此进行模型从头到尾的训练。

迁移学习：深度学习中的另一学习方法。其提出是为了解决在数据量不足的情况下尽可能地提升训练效果，进行跨领域(数据集)的知识传递。

AP值：衡量目标检测算法性能的一个最关键的指标，取值范围为0～1，值越高说明性能越好。

SEM图像：通过扫描电子显微镜(scanning electron microscope，SEM)扫描获得的图像。

如图1所示，本实施例提供一种激光增材制造陶瓷微结构局部表征方法，包括以下步骤：

获取SLS陶瓷浆料产品的图像数据，将图像数据输入训练后的局部孔隙率表征模型，输出孔隙率；

其中，所述局部孔隙率表征模型对输入的图像数据进行以下处理：

S1、对所述图像数据进行特征提取，获得特征图；

S2、对特征图进行提议区域识别，以及对识别到的提议区域进行对齐处理，获得锚框图；所述锚框图上至少包括一个检测框；

S3、根据锚框图获取输出图像，所述输出图像包括原始图像、检测框和分割掩膜；

S4、根据分割掩膜计算掩膜的面积，通过计算掩膜面积与原始图片面积的比值，作为孔隙率。

在本实施例中，步骤S3中所说的原始图像是一个广泛的概念，可以指输入的原始图像，也可以指输入的原始图像的数据，即输出图像包含了原始图像的数据。本实施例将深度学习方法与激光加工结合，特别是与激光增材制造氧化铝陶瓷工艺结合。通过结合深度学习方法的优点，改善激光增材制造氧化铝陶瓷工艺，实现交叉领域的创新。

针对激光增材制造氧化铝陶瓷产品的SEM图像来说，需要获得相应图像下的孔隙率，并且定位到具体的每个孔隙，除此之外还需要对每个定位到的孔隙进行轮廓提取才能计算出每个孔的大小。因此本发明实施例将结合深度学习方法中的目标检测与实例分割领域进行深度学习模型开发。图2展示了整个发明的总体技术路线。以下将对该总体技术路线进行具体的说明。

在数据集获取方面，获取了不同功率下的SLS陶瓷浆料产品的SEM图像并对其进行提升分辨率的处理，最终的分辨率为2048×1536像素。获取了SEM图像后，对有所的SEM图像进行固定大小的裁剪以减少特征(孔隙)数量，裁剪图片的大小为256×256像素。最后，对所有已得到的裁剪图片进行随机抽取，从中抽取210张图片作为总数据集，将其中百分之七十划分为训练集，其余的划分为验证集。将数据集划分好后，对所有图像进行标注(目标检测数据集建立的一般过程，即对图像上所需要检测的对象进行人工标注)。由于未经处理的SEM图像孔隙特征不明显，使用GIMP软件对数据集中的所有图像先进行调整色阶的预处理后再进行标注。图3为色阶调整与孔标注的示意图。对标注孔隙我们根据SEM图像的拍摄原理和材料性质做出如下标准：1)黑色像素连通区域需大于等于10个像素点；2)黑色区域的像素通道值应低于10；3)孔隙应发生在晶粒的边界周围。

在完成数据集的建立后，选择了以Mask R-CNN作为基础网络进行表征模型的建模。图4展示了表征模型的具体结构。如图4所示，在进行检测和分割任务时，输入的SEM图像首先经过骨干网络进行特征提取得到待后续使用的特征图。其中，Mask R-CNN中最常用的骨干网络结构是ResNet-FPN结构。ResNet(Residual neural network,残差神经网络)是一种卷积神经网络(Convolutional neural network,CNN)，用于特征提取。FPN(Featurepyramid network,特征金字塔网络)是被提出用来精炼特征图的结构。得到的特征图分别进入区域提议网络和进行RoI Align操作，前者是为了得到提议区域(网络所关注的目标)；后者操作使得特征图上的提议区域与原图上的区域对齐，有助于提升后续分割任务的精度。通过上述两项处理后，即可得到最终的锚框图，即最初始的检测图。在锚框图上每个目标都有大于或等于1个检测框，用于后续经过头部网络进行进一步的筛选从而得到最终的检测框。头部网络由两个平行结构组成，一个用于期望目标的分类与检测框的部署，另一个用于分割出期望目标的具体轮廓。分别输入到这两个结构的锚框图经过一系列处理后，便可以得到最终的输出图像，其由原始图像、检测框、分割掩膜组成。至此整个检测和分割任务完成，但要得到孔隙率的表征数据，仅仅以来Mask R-CNN的默认输出还不足以完成。为解决这个问题，本实施例修改了Mask R-CNN的输出端的程序代码。作为一种可选的实施方式，通过调用python中的OpenCV接口，对Mask R-CNN输出的掩膜轮廓数据进行提取，再通过该接口中的函数对每个输出的掩膜进行面积(占有像素点)计算，得出其占有的相应面积。最后，通过计算输出图片中掩膜面积占原始图片大小之比从而计算出孔隙率。特别地，若知道实际的比例尺，即可得到每个孔隙的真实大小。

作为一种可选的实施方式，在设计模型的训练策略方面，我们提出固定除骨干网络以外的所有架构，在使用不同骨干网络的情况下分别进行监督学习训练(Supervisedlearning)和迁移学习训练(Transfer learning)。在比较了多种不同的训练组合后，我们发现使用ResNet101-FPN作为骨干网络时，进行监督学习训练能够取得最好的模型性能。本实施例中将该模型命名为ResNet101-FPN-S。

作为一种可选的实施方式，为了增强Mask R-CNN完成检测和分割任务的能力，我们对Mask R-CNN的基础架构进行了改进。具体来说，通过在Mask R-CNN中整合入注意力模块，提升网络在特征提取阶段的能力，进而实现增强整个模型的性能。加入的注意力模块与Woo Sanghyun等人提出的卷积注意力模块(Convolutional block attention module,CBAM)大体类似。图5展示了CBAM的具体结构。CBAM的提出是为了精炼特征图，因此其输入为特征图F，该F可以是经过CNN提取的或者FPN处理过后的特征图。在经过一系列的操作和处理后，最终带有注意力的特征图F”通过将通道注意力与空间注意力相结合而形成。

其中，针对Mask R-CNN对特征图的处理方式，CBAM可以设置在ResNet网络内，也可以设置在FPN网络内。图6分别展示了将CBAM嵌入ResNet和FPN中的方法。根据图6(a)的描述，对于将CBAM嵌入ResNet中，我们将CBAM加入在ResNet的每个卷积块之间，且位于每个残差连接之前；根据图6(b)的描述，对于将CBAM嵌入FPN中，我们将CBAM加入在FPN的每个特征融合过程之后，即在每个对不同特征图的异或操作之后。

为了验证加入该注意力模块是否有效，我们进行了对比实验，以指标AP(Averageprecision,平均精度)来衡量模型性能。其结果如表1所示。通过对比AP的大小可以发现在Mask R-CNN中加入CBAM确实能够在一定程度上提升网络的性能。此外，在不同的位置加入注意力模块得到的效果也不一样，特别地，在ResNet中加入注意力模块能得到最好的性能提升。另外，加入注意力模块后的参数量增长也在理想范围内，这不会过多地增加训练模型时的算力消耗。

表1.在表征模型加入CBAM的结果对比

通过如上的技术路线，我们从而得到了最优模型，即带有注意力模块的ResNet101-FPN-S。此外，为验证该模型的跨数据集部署能力，我们设计了实验对其进行验证。整个验证实验的流程图如图7所示。首先，使用随机种子0进行数据集的生成。基于我们SEM图像数据集的特点，我们生成的模拟图片包含随机生成的黑色像素点与白色背景组成以尽可能地还原真实数据。该验证实验的数据库总共包括50张图片，其中百分之七十用于训练，余下的用于验证。为验证模型的跨数据集部署能力，即迁移学习能力，我们用这轻量的数据集对前述模型建立时已训练好的ResNet101-FPN-S模型进行微调(Fine-tune)，并且将训练时间缩短为原来的三分之一。完成训练后，获得的模型取得了0.987的AP值。其次，使用不同的随机种子1和随机种子2分别生成了两组包含500张图片的测试集(使用不同的随机种子是为了保证数据集来源于不同的分布，且数据集中每张图片的模拟孔隙率已提前计算好，作为真实值使用)。最后，将这两组测试集分别输入训练好的模型，得到测试结果1和测试结果2，如图8所示。由图8所示的结果可以看出，模型的检测结果与真实值基本重合，且在两组测试集上的平均误差仅有1.73％左右。这种现象表明，在真实孔隙数据集上训练好的孔隙率表征模型可以被迁移到类似的数据集上，且能够实现较高的精度。进一步来说，我们提供了一个可用的孔隙率表征预训练模型，在不需要花费太多人力构造大数据集情况下，能够将表征模型部署到不同的场景下。

以上所述便是整个发明实现的技术方案。最终能够实现的功能是通过输入一张陶瓷产品SEM图像，通过模型内部计算，输出对应SEM图像下的孔隙率，实现高效、智能的激光增材制造氧化铝陶瓷孔隙率的局部表征技术，从而优化整个激光加工陶瓷的工艺过程。

这里需要注意的是，上述实施例中，主要以SEM图像进行举例说明，但是本实施例方法并不仅限于SEM图像，还可以是其他的图像；比如激光加工玻璃的电子显微镜图像，通过激光加工玻璃的电子显微镜图像训练模型，可以用于检测和分割玻璃中的气泡；又或者是对某些产品的表面缺陷图片进行分析，从而得出其缺陷轮廓与具体大小等。应当指出，只要有具体特征的图像均可以使用本实例方法。

综上所述，本实施例相对于现有技术，具有如下优点及有益效果：

(1)本发明相对于现有的陶瓷孔隙率检测技术如：超声检测、热成像、CT成像等。具有的优势是使用SEM图像进行分析，能够对陶瓷产品的局部孔隙率进行表征，从而得到激光增材制造氧化铝陶瓷产品表面孔隙率的不均匀性。通过这种局部表征的方法能够实现整个工艺过程的优化以控制产品质量。

(2)本发明相对于现有的局部表征技术，即通过主流的图像处理软件分析SEM图像来说，具有的优势有：1)不仅仅依赖像素大小进行分类，可以利用机器自主学习的功能对不同的孔隙进行分类，以此提高表征精度。2)在面对大批量数据时，使用图像处理软件进行分析的过程非常繁琐。相反，本发明接受大批量的数据输入，大大减少了人工的操作。

本实施例还提供一种激光增材制造陶瓷微结构局部表征装置，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示方法。

本实施例的一种激光增材制造陶瓷微结构局部表征装置，可执行本发明方法实施例所提供的一种激光增材制造陶瓷微结构局部表征方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种激光增材制造陶瓷微结构局部表征方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种激光增材制造陶瓷微结构局部表征方法，其特征在于，包括以下步骤：

获取SLS陶瓷浆料产品的图像数据，将图像数据输入训练后的局部孔隙率表征模型，输出孔隙率；

所述局部孔隙率表征模型对输入的图像数据进行以下处理：

对所述图像数据进行特征提取，获得特征图；

对特征图进行提议区域识别，以及对识别到的提议区域进行对齐处理，获得锚框图；所述锚框图上至少包括一个检测框；

根据锚框图获取输出图像，所述输出图像包括原始图像、检测框和分割掩膜；

根据分割掩膜计算掩膜的面积，通过计算掩膜面积与原始图片面积的比值，作为孔隙率。

2.根据权利要求1所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述局部孔隙率表征模型通过以下步骤构建获得：

获取SLS陶瓷浆料产品的图像，对图像进行处理获得图像数据集；

对所述图像数据集中的图像进标注处理；

采用标注处理后的所述图像数据对所述局部孔隙率表征模型进行训练；

其中，标注处理包括：对图像进行色阶调整处理，以及对图像中的孔隙进行标注。

3.根据权利要求2所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述对图像进行处理获得图像数据集，包括：

对于不同功率下的SLS陶瓷浆料产品的图像，进行提升分辨率的处理，获得第一图像；

按照预设尺寸要求对所述第一图像进行裁剪，获得第二图像；

从所有的所述第二图像中抽取图像，作为图像数据集。

4.根据权利要求2所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述SLS陶瓷浆料产品的图像为SEM图像，采用以下标准对图像中的孔隙进行标注：

1)黑色像素连通区域需大于等于n个像素点；

2)黑色区域的像素通道值低于m；

3)孔隙发生在晶粒的边界周围；

其中，n、m为正整数。

5.根据权利要求1或2所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述局部孔隙率表征模型以Mask R-CNN网络作为基础网络，所述所述局部孔隙率表征模型包括骨干网络、区域提议网络和头部网络；

所述骨干网络用于对输入的原始图像进行特征提取，输出特征图；

所述区域提议网络用于根据特征图进行目标提取，获得得到提议区域；提议区域经过感兴趣区域对齐操作，使得特征图上的提议区域与原始图像上的区域对齐，得到锚框图；所述头部网络包括平行的分类模块和分割模块，所述分类模块用于期望目标的分类与检测框的部署，所述分割模块分割出期望目标的具体轮廓；

经过分类模块获得最终的检测框，经过分割模块获得分割掩膜。

6.根据权利要求5所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述骨干网络的结构为ResNet101-FPN网络结构。

7.根据权利要求5所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述局部孔隙率表征模型还包括卷积注意力模块，所述卷积注意力模块用于提升特征提取的能力。

8.根据权利要求7所述的一种激光增材制造陶瓷微结构局部表征方法，其特征在于，所述骨干网络的结构为ResNet-FPN网络结构；

所述卷积注意力模块设置在ResNet网络内；或，

所述卷积注意力模块设置在FPN网络内。

9.一种激光增材制造陶瓷微结构局部表征装置，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述方法。

10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。

Images