CN117542048A - 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法 - Google Patents
一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法 Download PDFInfo
- Publication number
- CN117542048A CN117542048A CN202410016268.8A CN202410016268A CN117542048A CN 117542048 A CN117542048 A CN 117542048A CN 202410016268 A CN202410016268 A CN 202410016268A CN 117542048 A CN117542048 A CN 117542048A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- preset
- training
- difference value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910000676 Si alloy Inorganic materials 0.000 title claims abstract description 94
- CSDREXVUYHZDNP-UHFFFAOYSA-N alumanylidynesilicon Chemical compound [Al].[Si] CSDREXVUYHZDNP-UHFFFAOYSA-N 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 148
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 57
- 238000011176 pooling Methods 0.000 claims description 13
- 238000011084 recovery Methods 0.000 claims description 8
- 239000011856 silicon-based particle Substances 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005496 eutectics Effects 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 229910052737 gold Inorganic materials 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000010587 phase diagram Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理技术领域，尤其涉及一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，包括：深度学习训练数据的收集和预处理；深度学习模型建立；深度学习模型训练；将亚共晶铝硅合金显微组织的图像输入至完成训练的深度学习模型中，并对深度学习模型分割出的识别目标进行数字化表征与统计；根据识别目标的形状因子与预设形状因子的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行判定；确定针对完成训练的深度学习模型不符合预设标准的处理方式；判定完成针对深度学习模型的训练，或，使用调节后的训练参数重新对深度学习模型进行训练。有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法。
背景技术
亚共晶铝硅合金是一种重要的工业合金，广泛地应用于航空、交通、建筑、汽车等重要行业，它具有铸造性能好，比强度高等优点，其显微组织对力学性能有较大影响，因此对其观察分析具有重要意义。传统上，对亚共晶铝硅合金显微组织的表征主要由人工进行，存在受人工经验主观影响大、分析时间长、局部统计受限以及精度不高等问题。
中国专利公开号:CN116010868A，公开了一种铝硅合金变质等级确定方法、装置、设备及介质，包括：将亚共晶铝硅合金的金相图输入至共晶硅颗粒识别模型中，确定金相图中的共晶硅颗粒；确定金相图中各共晶硅颗粒的尺寸信息，并确定金相图中共晶硅颗粒的尺寸信息的均值；根据尺寸信息的均值，以及亚共晶铝硅合金的不同变质等级对应的尺寸信息范围，确定亚共晶铝硅合金的变质等级；由此可见，所述现有技术存在以下问题：未考虑到将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中以根据深度学习模型的输出结果判定是否对深度学习模型的训练参数进行调节，未考虑到在判定完成训练的深度学习模型不符合预设标准时，根据输出结果确定具体的处理方法，影响了深度学习模型的可靠性，进而影响了对亚共晶铝硅合金显微组织的目标的识别精确度。
发明内容
为此，本发明提供一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，用以克服现有技术中未考虑到将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中以根据深度学习模型的输出结果判定是否对深度学习模型的训练参数进行调节，未考虑到在判定完成训练的深度学习模型不符合预设标准时，根据输出结果确定具体的处理方法，影响了深度学习模型的可靠性，进而影响了对亚共晶铝硅合金显微组织的目标的识别精确度的问题。
为实现上述目的，本发明提供一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，包括：
深度学习训练数据的收集和预处理，从实际生产中获取若干亚共晶铝硅合金显微组织的图像，并对各图像中的目标进行标记，目标为硅颗粒、铁相、氧化皮夹杂和孔洞缺陷，其中，孔洞缺陷包括气孔、气缩孔和缩松；对各图像进行数据增强，并进行归一化处理；
深度学习模型建立，建立Res-Unet网络，Res-Unet网络包括，编码器、跳跃连接，金字塔池化模块和解码器，编码器用以对输入的图像进行编码压缩；跳跃连接用以对下采样和对应的上采样中的特征图沿通道维度拼接；金字塔池化模块用以对特征图进行不同步长的最大池化或平均池化，并与初始特征图拼接，以捕获局部和全局上下文信息；解码器包括残差层和上采样层，用以恢复图像的分辨率；
深度学习模型训练；
将亚共晶铝硅合金显微组织的图像输入至完成训练的深度学习模型中，并对深度学习模型分割出的识别目标进行数字化表征与统计；
根据识别目标的形状因子与预设形状因子的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行判定；
在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，并在二次判定完成训练的深度学习模型不符合预设标准时根据识别目标的长径比确定针对完成训练的深度学习模型不符合预设标准的处理方式；
在判定完成训练的深度学习模型符合预设标准时，判定完成针对深度学习模型的训练，或，在完成确定针对完成训练的深度学习模型不符合预设标准的处理方式的确定时，使用调节后的训练参数重新对深度学习模型进行训练。
进一步地，对各图像进行数据增强的过程包括，第一种数据增强方法和第二种数据增强方法，第一种数据增强方法为通过对图像裁剪、翻转、旋转、平移和镜像以对数据进行扩充；第二种数据增强方法为改变各图像的亮度值和对比度以对数据进行扩充；
对深度学习模型分割出的目标进行数字化表征与统计的过程为，将深度学习模型分割出的目标记为识别目标，并对识别目标进行面积、等效直径、形状因子、长径比和长度的数字化表征计算，计算方式为，面积为识别目标边缘像素连线形成的密闭几何图形面积大小；
等效直径的计算公式为，其中，A 为识别目标的面积，D为等效直径；
形状因子的计算公式为，其中，A 为识别目标面积，P 为识别目标周长，SF为形状因子；
长径比为识别目标最小外接矩形的长边与短边的比值；长度为识别目标骨架线的长度。
进一步地，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中，以获取针对亚共晶铝硅合金显微组织图像的识别目标的形状因子，分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准，并在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，或，在判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述形状差值为亚共晶铝硅合金显微组织图像的识别目标的形状因子与预设形状因子的差值的绝对值。
进一步地，所述分析模块基于长径绝对值确定完成训练的深度学习模型是否符合预设标准，并在判定完成训练的深度学习模型不符合预设标准时，根据长径绝对值与预设长径绝对值的差值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述长径绝对值为亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值。
进一步地，所述分析模块基于绝对差值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设绝对差值与绝对差值的差值将解码器恢复图像的图像分辨率调节至对应值，或，根据第二预设形状差值与形状差值的差值将第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述绝对差值为长径绝对值与预设长径绝对值的差值。
进一步地，所述分析模块基于面积绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设绝对值与面积绝对值的差值将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值，或，根据面积绝对值与预设面积绝对值的差值将解码器恢复图像的图像分辨率调节至对应值；
其中，面积绝对值为亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值。
进一步地，所述分析模块基于计算的预设绝对差值与绝对差值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
进一步地，所述分析模块基于第二预设形状差值与所述形状差值的差值设有若干针对对比度值的选取数量的调节方式，且各调节方式针对所述第二种数据增强方法中针对对比度值的选取数量的调节幅度均不相同。
进一步地，所述分析模块基于预设绝对值与面积绝对值的差值设有若干针对对比度值的选取数量的调节方式，且各调节方式针对对比度值的选取数量的调节幅度均不相同。
进一步地，所述分析模块基于面积绝对值与预设面积绝对值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
与现有技术相比，通过深度学习模型自动识别、分类、标记亚共晶铝硅合金显微组织特征、缺陷特征，并进行数学统计分析。使用大量高质量显微照片增广后的数据训练出的深度学习模型，具有很强的鲁棒性和较高的准确性，确保检测结果的一致性，且算法效率高，有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。基于深度学习模型，快速准确地识别亚共晶铝硅合金的显微组织特征、缺陷特征。在有效提高深度学习模型的可靠性的同时，进而有效提高对亚共晶铝硅合金显微组织的目标的识别精确度。
进一步地，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中以根据深度学习模型的输出结果判定深度学习模型是否符合预设标准，获取识别目标的形状因子与预设形状因子的差值的绝对值，形状因子包括识别目标的面积与周长，形状差值过低时判定识别目标与亚共晶铝硅合金显微组织图像的目标相符，判定完成训练的深度学习模型符合预设标准，并判定完成针对深度学习模型的训练；使用完成训练的深度学习模型对各亚共晶铝硅合金显微组织图像的目标进行识别。在有效提高深度学习模型的可靠性的同时，进而有效提高对亚共晶铝硅合金显微组织的目标的识别精确度。
进一步地，在形状差值较大时，判定识别目标出现偏差，故获取识别目标的长径比判定以确定识别目标的最小外接矩形即识别目标是否被准确框取，在长径绝对值较小时，即识别目标被准确框取，分析模块判定完成训练的深度学习模型符合预设标准；在识别目标未被准确框取时，即长径绝对值大于预设长径绝对值时，根据长径绝对值的偏差情况确定针对完成训练的深度学习模型不符合预设标准的处理方式，综合对完成训练的深度学习模型是否符合预设标准进行判定，在即使形状差值仅出现较小偏差但识别目标的形状出现异常时，即长径比出现异常时，仍重新对深度学习模型进行训练，在有效提高深度学习模型的可靠性的同时，进而有效提高对亚共晶铝硅合金显微组织的目标的识别精确度。
进一步地，在识别目标的形状偏差过大时，即因亚共晶铝硅合金显微组织图像中最亮和最暗区域之间的差异过低导致图像中的大量细节未能被深度学习模型识别，即绝对差值过大时，根据形状与周长的偏差情况即第二预设形状差值与形状差值的差值对深度学习的训练量进行调高，以对多种对比度下的目标进行训练，在有效提高对亚共晶铝硅合金显微组织的目标的识别精确度的同时，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
进一步地，在绝对差值较小时，即在识别目标的形状偏差较小时，判定因解码器未能准确恢复图像的边界细节，导致识别结果中出现边界模糊或缺失的问题，故将解码器恢复图像的图像分辨率调高至对应值，在更好地保留和恢复图像中的细节和纹理信息，从而提高特征提取的精度的同时，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
进一步地，在形状差值过大时，判定完成训练的深度学习模型获取的识别目标存在较大偏差，故根据获取的面积绝对值即识别目标的面积与预设面积的差值，确定针对完成训练的深度学习模型不符合预设标准的处理方式；在面积绝对值过大时，判定因解码器恢复图像的图像分辨率过低导致深度学习模型未能对目标进行识别，解码器对图像的分辨率恢复过低导致识别结果缺乏真实性，故对解码器恢复图像的图像分辨率大幅调高，以确保准确地定位目标区域，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
进一步地，在面积绝对值较小时，判定因亚共晶铝硅合金显微组织图像的对比度与最接近的完成训练的图像的对比度相差过大以致存在过多细节未能被深度学习模型获取，故对对比度值的选取数量大幅调高，以对深度学习的训练量进行调高，在有效提高对亚共晶铝硅合金显微组织的目标的识别精确度的同时，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
附图说明
图1为本发明实施例亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法的步骤流程图；
图2为本发明实施例Res-UNet网络结构图；
图3为本发明实施例分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准的模型判定方式流程图；
图4为本发明实施例分析模块根据长径绝对值确定完成训练的深度学习模型是否符合预设标准的模型二次判定方式流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述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。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1、图2、图3以及图4所示，其分别为本发明实施例亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法的步骤流程图、Res-UNet网络结构图、分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准的模型判定方式流程图、分析模块根据长径绝对值确定完成训练的深度学习模型是否符合预设标准的模型二次判定方式流程图；本发明实施例一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，包括：
S1，深度学习训练数据的收集和预处理，从实际生产中获取预设数量的亚共晶铝硅合金显微组织的图像，并对各图像中的目标进行标记，识别目标为硅颗粒、铁相、氧化皮夹杂和孔洞缺陷，其中，孔洞缺陷包括气孔、气缩孔和缩松；对各图像进行数据增强，并进行归一化处理；
S2，深度学习模型建立，建立Res-Unet网络，Res-Unet网络包括，编码器、跳跃连接，金字塔池化模块和解码器，编码器包括用以对输入图像进行编码压缩的残差层和最大池化层；跳跃连接用以对下采样和对应的上采样中的特征图沿通道维度拼接；金字塔池化模块对特征图进行不同步长的最大池化或平均池化，并与初始特征图拼接，以捕获局部和全局上下文信息；解码器包括残差层和上采样层，用以恢复图像的分辨率；
S3，深度学习模型训练，使用加权交叉熵作为分类函数，使用学习率预热和学习率衰减调整学习率，使用Adam作为优化器，在GPU上训练深度学习模型直至收敛；
S4，将亚共晶铝硅合金显微组织的图像输入至完成训练的深度学习模型中，并对深度学习模型分割出的识别目标进行数字化表征与统计；
S5，根据识别目标的形状因子与预设形状因子的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行判定，以及，在判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式；
S6，在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，并在二次判定完成训练的深度学习模型不符合预设标准时根据识别目标的长径比确定针对完成训练的深度学习模型不符合预设标准的处理方式；
S7，在判定完成训练的深度学习模型符合预设标准时，判定完成针对深度学习模型的训练，或，在完成确定针对完成训练的深度学习模型不符合预设标准的处理方式的确定时，使用调节后的训练参数重新对深度学习模型进行训练。
在所述S1中将各图像统一转化为单通道8bit图像，通过将像素矩阵除以255，使图像矩阵的像素值都在[0, 1]区间内，以对图像进行归一化处理；数据增强包括第一种数据增强方法和第二种数据增强方法，第一种数据增强方法为通过裁剪、翻转、旋转、平移和镜像的方法对训练数据进行扩充；第二种数据增强方法为改变图像的亮度值和对比度，以模拟不同抛光、腐蚀剂以及光照条件下的显微组织图像，使得模型拥有更好的鲁棒性能；
在所述S2中，编码器通过对输入图像进行编码压缩以起到提取特征的作用；跳跃连接通过将下采样和相应的上采样中的特征图沿通道维度拼接，使不同尺度的信息融合，以使解码器对图像位置和细节信息进行恢复；
通过深度学习模型自动识别、分类、标记亚共晶铝硅合金显微组织特征、缺陷特征，并进行数学统计分析。使用大量高质量显微照片增广后的数据训练出的深度学习模型，具有很强的鲁棒性和较高的准确性，确保检测结果的一致性，且算法效率高，有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。基于深度学习模型，快速准确地识别亚共晶铝硅合金的显微组织特征、缺陷特征。在有效提高深度学习模型的可靠性的同时，进而有效提高对亚共晶铝硅合金显微组织的目标的识别精确度。
具体而言，在所述S1中对数据增强，包括，第一种数据增强方法和第二种数据增强方法，其中，第一种数据增强方法为通过对图像裁剪、翻转、旋转、平移和镜像以对数据进行扩充；第二种数据增强方法为改变各图像的亮度值和对比度以对数据进行扩充；
在所述S5中对深度学习模型分割出的目标进行数字化表征与统计的过程为，将深度学习模型分割出的目标记为识别目标，并对识别目标进行面积、等效直径、形状因子、长径比和长度的数字化表征计算，计算方式为，面积：识别目标边缘像素连线形成的密闭几何图形面积大小；
等效直径：其中，A 为识别目标的面积；
形状因子：其中，A 为识别目标面积，P 为识别目标周长；
长径比：识别最小外接矩形的长边与短边的比值；
长度：识别目标骨架线的长度。
具体而言，在所述S5中，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中，以获取针对亚共晶铝硅合金显微组织图像的识别目标的形状因子，分析模块根据形状因子与预设形状因子的差值的绝对值，并将其记为形状差值，分析模块根据求得的形状差值确定完成训练的深度学习模型是否符合预设标准的模型判定方式，其中：
第一模型判定方式为所述分析模块判定完成训练的深度学习模型符合预设标准，并判定完成针对深度学习模型的训练；所述第一模型判定方式满足所述形状差值小于等于第一预设形状差值；
第二模型判定方式为所述分析模块初步判定完成训练的深度学习模型不符合预设标准，并根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定；所述第二模型判定方式满足所述形状差值小于等于第二预设形状差值且大于所述第一预设形状差值，第一预设形状差值小于第二预设形状差值；
第三模型判定方式为所述分析模块判定完成训练的深度学习模型不符合预设标准，并根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述第三模型判定方式满足所述形状差值大于所述第二预设形状差值。
其中，第一预设形状差值为0.2，第二预设形状差值为0.4。
将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中以根据深度学习模型的输出结果判定深度学习模型是否符合预设标准，获取识别目标的形状因子与预设形状因子的差值的绝对值，形状因子包括识别目标的面积与周长，形状差值过低时判定识别目标与亚共晶铝硅合金显微组织图像的目标相符，判定完成训练的深度学习模型符合预设标准，并判定完成针对深度学习模型的训练；使用完成训练的深度学习模型对各亚共晶铝硅合金显微组织图像的目标进行识别。
具体而言，所述分析模块在所述第二模型判定方式下计算针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值，并将其记为长径差值，分析模块根据求得的长径绝对值确定完成训练的深度学习模型是否符合预设标准的模型二次判定方式，其中：
第一模型二次判定为所述分析模块判定完成训练的深度学习模型符合预设标准，并判定完成针对深度学习模型的训练；所述第一模型二次判定满足所述长径绝对值小于等于预设长径绝对值；
第二模型二次判定为所述分析模块判定完成训练的深度学习模型不符合预设标准，并根据长径绝对值与预设长径绝对值的差值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述第二模型二次判定满足所述长径绝对值大于所述预设长径绝对值。
其中，预设长径绝对值为0.5。
在形状差值较大时，判定识别目标出现偏差，故获取识别目标的长径比判定以确定识别目标的最小外接矩形即识别目标是否被准确框取，在长径绝对值较小时，即识别目标被准确框取，分析模块判定完成训练的深度学习模型符合预设标准；在识别目标未被准确框取时，即长径绝对值大于预设长径绝对值时，根据长径绝对值的偏差情况确定针对完成训练的深度学习模型不符合预设标准的处理方式，综合对完成训练的深度学习模型是否符合预设标准进行判定，在即使形状差值仅出现较小偏差但识别目标的形状出现异常时，即长径比出现异常时，仍重新对深度学习模型进行训练，在有效提高深度学习模型的可靠性的同时，进而有效提高对亚共晶铝硅合金显微组织的目标的识别精确度。
具体而言，所述分析模块在所述第二模型二次判定下计算长径绝对值与预设长径绝对值的差值，并将其记为绝对差值，分析模块根据求得的绝对差值确定针对完成训练的深度学习模型不符合预设标准的训练处理方式，其中：
第一训练处理方式为所述分析模块判定根据预设绝对差值与绝对差值的差值将解码器恢复图像的图像分辨率调节至对应值；所述第一训练处理方式满足所述绝对差值小于等于预设绝对差值；
第二训练处理方式为所述分析模块判定根据第二预设形状差值与所述形状差值的差值将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第二训练处理方式满足所述绝对差值大于所述预设绝对差值。
其中，预设绝对差值为0.25。
在识别目标的形状偏差过大时，即因亚共晶铝硅合金显微组织图像中最亮和最暗区域之间的差异过低导致图像中的大量细节未能被深度学习模型识别，即绝对差值大于预设绝对差值时，根据形状与周长的偏差情况即第二预设形状差值与形状差值的差值对深度学习的训练量进行调高，以对多种对比度下的目标进行训练，在有效提高对亚共晶铝硅合金显微组织的目标的识别精确度的同时，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
在绝对差值较小时，即在识别目标的形状偏差较小时，判定因解码器未能准确恢复图像的边界细节，导致识别结果中出现边界模糊或缺失的问题，故将解码器恢复图像的图像分辨率调高至对应值，在更好地保留和恢复图像中的细节和纹理信息，从而提高特征提取的精度的同时，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
具体而言，所述分析模块在所述第三模型判定方式下计算获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值，并将其记为面积绝对值，分析模根据求得的面积绝对值确定针对完成训练的深度学习模型不符合预设标准的模型处理方式，其中：
第一模型处理方式为所述分析模块根据预设绝对值与面积绝对值的差值将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第一模型处理方式满足所述面积绝对值小于等于预设面积绝对值；
第二模型处理方式为所述分析模块根据面积绝对值与预设面积绝对值的差值将解码器恢复图像的图像分辨率调节至对应值；所述第二模型处理方式满足所述面积绝对值大于所述预设面积绝对值。
其中，预设面积绝对值为20μm2。
在形状差值过大时，判定完成训练的深度学习模型获取的识别目标存在较大偏差，故根据获取的面积绝对值即识别目标的面积与预设面积的差值，确定针对完成训练的深度学习模型不符合预设标准的处理方式；在面积绝对值过大时，判定因解码器恢复图像的图像分辨率过低导致深度学习模型未能对目标进行识别，解码器对图像的分辨率恢复过低导致识别结果缺乏真实性，故对解码器恢复图像的图像分辨率大幅调高，以确保准确地定位目标区域，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
在面积绝对值较小时，判定因亚共晶铝硅合金显微组织图像的对比度与最接近的完成训练的图像的对比度相差过大以致存在过多细节未能被深度学习模型获取，故对对比度值的选取数量大幅调高，以对深度学习的训练量进行调高，在有效提高对亚共晶铝硅合金显微组织的目标的识别精确度的同时，进而有效提高了对亚共晶铝硅合金显微组织的目标的识别效率。
具体而言，所述分析模块在所述第一训练处理方式下计算预设绝对差值与绝对差值的差值，并记为解码差值，分析模块根据求得的解码差值确定针对解码器恢复图像的图像分辨率的解码调节方式，其中：
第一解码调节方式为所述分析模块使用第一预设解码调节系数将解码器恢复图像的图像分辨率调节至对应值；所述第一解码调节方式满足所述解码差值小于等于第一预设解码差值；
第二解码调节方式为所述分析模块使用第二预设解码调节系数将解码器恢复图像的图像分辨率调节至对应值；所述第二解码调节方式满足所述解码差值小于等于第二预设解码差值且大于所述第一预设解码差值，第一预设解码差值小于第二预设解码差值；
第三解码调节方式为所述分析模块使用第三预设解码调节系数将解码器恢复图像的图像分辨率调节至对应值；所述第三解码调节方式满足所述解码差值大于所述第二预设解码差值。
其中，第一预设解码差值为0.8，第二预设解码差值为1.2，第一预设解码调节系数为1.23，第二预设解码调节系数1.17，第三预设解码调节系数1.1。
具体而言，所述分析模块在所述第二训练处理方式下计算第二预设形状差值与所述形状差值的差值，并记为增强差值，分析模块根据求得的增强差值确定针对对比度值的选取数量的增强调节方式，其中：
第一预设增强调节方式为所述分析模块使用第一预设增强调节系数将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第一训练处理方式满足所述增强差值小于等于第一预设增强差值；
第二预设增强调节方式为所述分析模块使用第二预设增强调节系数将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第二训练处理方式满足所述增强差值小于等于第二预设增强差值且大于所述第一预设增强差值，第一预设增强差值小于第二预设增强差值；
第三预设增强调节方式为所述分析模块使用第三预设增强调节系数将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第三训练处理方式满足所述增强差值大于所述第二预设增强差值。
其中，第一预设增强差值为0.07，第二预设增强差值为0.12，第一预设增强调节系数为1.24，第二预设增强调节系数为1.19，第三预设增强调节系数为1.11。
具体而言，所述分析模块在所述第一模型处理方式下计算预设绝对值与面积绝对值的差值，并记为面积差值，分析模块根据求得的面积差值确定针对对比度值的选取数量的数量调节方式，其中：
第一数量调节方式为所述分析模块使用第一预设数量调节系数将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第一数量调节方式满足所述面积差值小于等于第一预设面积差值；
第二数量调节方式为所述分析模块使用第二预设数量调节系数将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第二数量调节方式满足所述面积差值小于等于第二预设面积差值且大于所述第一预设面积差值，第一预设面积差值小于第二预设面积差值；
第三数量调节方式为所述分析模块使用第三预设数量调节系数将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述第三数量调节方式满足所述面积差值大于所述第二预设面积差值。
其中，第一预设面积差值为6μm2，第二预设面积差值为11μm2，第一预设数量调节系数为1.33，第二预设数量调节系数为1.22，第三预设数量调节系数为1.11。
具体而言，所述分析模块在所述第二模型处理方式下计算面积绝对值与预设面积绝对值的差值，并记为分辨差值，分析模块根据求得的分辨差值确定针对解码器恢复图像的图像分辨率的调节方式，其中：
第一分辨率调节方式为所述分析模块使用第一预设分辨率调节系数将解码器恢复图像的图像分辨率调节至对应值；所述第一分辨率调节方式满足所述分辨差值小于等于第一预设分辨差值。
第二分辨率调节方式为所述分析模块使用第二预设分辨率调节系数将解码器恢复图像的图像分辨率调节至对应值；所述第二分辨率调节方式满足所述分辨差值小于等于第二预设分辨差值且大于所述第一预设分辨差值，第一预设分辨差值小于第二预设分辨差值。
第三分辨率调节方式为所述分析模块使用第三预设分辨率调节系数将解码器恢复图像的图像分辨率调节至对应值；所述第三分辨率调节方式满足所述分辨差值大于所述第二预设分辨差值。
其中，第一预设分辨差值为9.5μm2，第二预设分辨差值为11.3μm2，第一预设分辨率调节系数为1.12，第二预设分辨率调节系数为1.22，第三预设分辨率调节系数为1.32。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，包括：
深度学习训练数据的收集和预处理，从实际生产中获取若干亚共晶铝硅合金显微组织的图像，并对各图像中的目标进行标记，目标为硅颗粒、铁相、氧化皮夹杂和孔洞缺陷，其中，孔洞缺陷包括气孔、气缩孔和缩松；对各图像进行数据增强，并进行归一化处理；
深度学习模型建立，建立Res-Unet网络，Res-Unet网络包括：编码器、跳跃连接，金字塔池化模块和解码器，编码器用以对输入的图像进行编码压缩；跳跃连接用以对下采样和对应的上采样中的特征图沿通道维度拼接；金字塔池化模块用以对特征图进行不同步长的最大池化或平均池化，并与初始特征图拼接，以捕获局部和全局上下文信息；解码器包括残差层和上采样层，用以恢复图像的分辨率；
深度学习模型训练；
将亚共晶铝硅合金显微组织的图像输入至完成训练的深度学习模型中，并对深度学习模型分割出的识别目标进行数字化表征与统计；
根据识别目标的形状因子与预设形状因子的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行判定；
在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，并在二次判定完成训练的深度学习模型不符合预设标准时根据识别目标的长径比确定针对完成训练的深度学习模型不符合预设标准的处理方式；
在判定完成训练的深度学习模型符合预设标准时，判定完成针对深度学习模型的训练，或，在完成确定针对完成训练的深度学习模型不符合预设标准的处理方式的确定时，使用调节后的训练参数重新对深度学习模型进行训练。
2.根据权利要求1所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，对各图像进行数据增强的过程包括：第一种数据增强方法和第二种数据增强方法，第一种数据增强方法为通过对图像裁剪、翻转、旋转、平移和镜像以对数据进行扩充；第二种数据增强方法为改变各图像的亮度值和对比度以对数据进行扩充；
对深度学习模型分割出的目标进行数字化表征与统计的过程为：将深度学习模型分割出的目标记为识别目标，并对识别目标进行面积、等效直径、形状因子、长径比和长度的数字化表征计算，计算方式为，面积为识别目标边缘像素连线形成的密闭几何图形面积大小；
等效直径的计算公式为，其中，A 为识别目标的面积，D为等效直径；
形状因子的计算公式为，其中，A 为识别目标面积，P 为识别目标周长，SF为形状因子；
长径比为识别目标最小外接矩形的长边与短边的比值；长度为识别目标骨架线的长度。
3.根据权利要求2所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中，以获取针对亚共晶铝硅合金显微组织图像的识别目标的形状因子，分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准，并在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，或，在判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述形状差值为亚共晶铝硅合金显微组织图像的识别目标的形状因子与预设形状因子的差值的绝对值。
4.根据权利要求3所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于长径绝对值确定完成训练的深度学习模型是否符合预设标准，并在判定完成训练的深度学习模型不符合预设标准时，根据长径绝对值与预设长径绝对值的差值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述长径绝对值为亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值。
5.根据权利要求4所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于绝对差值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设绝对差值与绝对差值的差值将解码器恢复图像的图像分辨率调节至对应值，或，根据第二预设形状差值与形状差值的差值将第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述绝对差值为长径绝对值与预设长径绝对值的差值。
6.根据权利要求5所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于面积绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设面积绝对值与面积绝对值的差值将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值，或，根据面积绝对值与预设面积绝对值的差值将解码器恢复图像的图像分辨率调节至对应值；
其中，面积绝对值为亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值。
7.根据权利要求6所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于计算的预设绝对差值与绝对差值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
8.根据权利要求7所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于第二预设形状差值与所述形状差值的差值设有若干针对对比度值的选取数量的调节方式，且各调节方式针对所述第二种数据增强方法中针对对比度值的选取数量的调节幅度均不相同。
9.根据权利要求8所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于预设绝对值与面积绝对值的差值设有若干针对对比度值的选取数量的调节方式，且各调节方式针对对比度值的选取数量的调节幅度均不相同。
10.根据权利要求9所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于面积绝对值与预设面积绝对值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016268.8A CN117542048B (zh) | 2024-01-05 | 2024-01-05 | 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016268.8A CN117542048B (zh) | 2024-01-05 | 2024-01-05 | 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117542048A true CN117542048A (zh) | 2024-02-09 |
| CN117542048B CN117542048B (zh) | 2024-03-22 |
Family
ID=89786485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410016268.8A Active CN117542048B (zh) | 2024-01-05 | 2024-01-05 | 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117542048B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805145A (zh) * | 2024-02-28 | 2024-04-02 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126494A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院自动化研究所 | 基于各向异性卷积的图像分类方法及系统 |
| CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
| CN112270335A (zh) * | 2020-09-04 | 2021-01-26 | 网络通信与安全紫金山实验室 | 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 |
| CN115311235A (zh) * | 2022-08-10 | 2022-11-08 | 中国钢研科技集团有限公司 | 基于图像识别的微观缺陷处理方法、装置及计算机设备 |
| US20230184703A1 (en) * | 2020-12-17 | 2023-06-15 | Central Iron & Steel Research Institute | Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning |
| WO2023218074A1 (en) * | 2022-05-12 | 2023-11-16 | Basf Se | Training method for training a machine learning algorithm, segmentation method, computer program product and segmentation device |
| US20230394806A1 (en) * | 2022-06-07 | 2023-12-07 | Hefei University Of Technology | Quickly extraction of morphology characterization parameters of recycled concrete sand particles based on deep learning technology |
-
2024
- 2024-01-05 CN CN202410016268.8A patent/CN117542048B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126494A (zh) * | 2019-12-25 | 2020-05-08 | 中国科学院自动化研究所 | 基于各向异性卷积的图像分类方法及系统 |
| CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
| CN112270335A (zh) * | 2020-09-04 | 2021-01-26 | 网络通信与安全紫金山实验室 | 一种搭接接头焊接质量缺陷预测的方法、系统及计算机可读存储介质 |
| US20230184703A1 (en) * | 2020-12-17 | 2023-06-15 | Central Iron & Steel Research Institute | Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning |
| WO2023218074A1 (en) * | 2022-05-12 | 2023-11-16 | Basf Se | Training method for training a machine learning algorithm, segmentation method, computer program product and segmentation device |
| US20230394806A1 (en) * | 2022-06-07 | 2023-12-07 | Hefei University Of Technology | Quickly extraction of morphology characterization parameters of recycled concrete sand particles based on deep learning technology |
| CN115311235A (zh) * | 2022-08-10 | 2022-11-08 | 中国钢研科技集团有限公司 | 基于图像识别的微观缺陷处理方法、装置及计算机设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805145A (zh) * | 2024-02-28 | 2024-04-02 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及系统 |
| CN117805145B (zh) * | 2024-02-28 | 2024-05-14 | 西安汉华建筑实业有限公司 | 一种铝模板表面缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117542048B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113450307B (zh) | 一种产品边缘缺陷检测方法 | |
| CN117542048B (zh) | 一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法 | |
| CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
| CN111223088B (zh) | 一种基于深层卷积神经网络的铸件表面缺陷识别方法 | |
| CN111429403B (zh) | 一种基于机器视觉的汽车齿轮成品缺陷检测方法 | |
| CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
| CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
| CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
| CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| CN110569730B (zh) | 一种基于U-net神经网络模型的路面裂缝自动识别方法 | |
| CN103442209A (zh) | 一种输电线路的视频监控方法 | |
| CN112101138B (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
| CN115049669A (zh) | 金属缺陷识别方法 | |
| CN112258470B (zh) | 基于缺陷检测的工业图像临界压缩率智能分析系统及方法 | |
| CN115272330B (zh) | 基于电池表面图像的缺陷检测方法、系统及相关设备 | |
| CN111986170A (zh) | 一种基于深度神经网络Mask R-CNN的缺陷检测算法 | |
| CN111667470B (zh) | 一种基于数字图像的工业管道探伤内壁检测方法 | |
| CN114549407A (zh) | 基于x射线图像的耐张线夹压接缺陷程度判断方法 | |
| Lee et al. | A new image-quality evaluating and enhancing methodology for bridge inspection using an unmanned aerial vehicle | |
| CN112727705A (zh) | 风力发电机组桨叶监测探伤方法 | |
| CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
| CN114708532A (zh) | 一种监控视频质量评估方法、系统及存储介质 | |
| CN114663382A (zh) | 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法 | |
| CN112329858B (zh) | 一种铁路动车防松铁丝折断故障图像识别方法 | |
| CN117011300B (zh) | 一种实例分割与二次分类相结合的微小缺陷检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |