CN112907498A - 一种孔隙识别方法、装置、设备及存储介质 - Google Patents
一种孔隙识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112907498A CN112907498A CN201911130002.1A CN201911130002A CN112907498A CN 112907498 A CN112907498 A CN 112907498A CN 201911130002 A CN201911130002 A CN 201911130002A CN 112907498 A CN112907498 A CN 112907498A
- Authority
- CN
- China
- Prior art keywords
- pore
- metallographic
- identification
- image
- metallographic image
- 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
- 239000011148 porous material Substances 0.000 title claims abstract description 224
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 56
- 239000002131 composite material Substances 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种孔隙识别方法、装置、设备及存储介质，该方法包括：获取复合材料的金相图像；将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。通过运行本请求所提供的技术方案，可以解决孔隙统计工作费时费力，统计误差较大的问题，实现提高孔隙识别的效率和准确率的效果。
Description
技术领域
本发明实施例涉及计算机技术，尤其涉及一种孔隙识别方法、装置、设备及存储介质。
背景技术
复合材料的孔隙是一种分布于复材层压结构树脂层以及碳纤维层内的气体孔洞型缺陷，孔洞直径一般分布在1μm～100μm的范围内，是复合材料制件中最常见的一种内部质量缺陷。大量文献和试验数据显示，孔隙对复合材料制件的层间剪切强度影响较为突出。因此，孔隙检测作为无损检测的重要组成部分，对复材制件内部质量评定、质量提升以及产品工艺的持续改进都起着非常积极和重要的作用。
现阶段，复材孔隙的获得通常是通过人工识别或者是图像分析仪进行识别。
人工识别由于采集到的金相图片数量非常庞大，孔隙统计工作费时费力，并且不同人员所统计的结果可能存在差异，效率很低。图像分析仪识别，人为因素影响较小，但容易受到金相表面质量的影响，统计误差较大。
发明内容
本发明实施例提供一种孔隙识别方法、装置、设备及存储介质，以实现提高孔隙识别的效率和准确率的效果。
第一方面，本发明实施例提供了一种孔隙识别方法，包括：
获取复合材料的金相图像；
将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；
根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
第二方面，本发明实施例还提供了一种孔隙识别装置，该装置包括：
图像获取模块，用于获取复合材料的金相图像；
模型输入模块，用于将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；
识别结果确定模块，用于根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的孔隙识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的孔隙识别方法。
本发明实施例通过获取复合材料的金相图像；将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。通过采用本发明所提供的技术方案，解决孔隙统计工作费时费力，统计误差较大的问题，实现提高孔隙识别的效率和准确率的效果。
附图说明
图1为本发明实施例一提供的一种孔隙识别方法的流程图；
图2为本发明实施例二提供的一种孔隙识别模型的训练流程图；
图3为本发明实施例三所提供的一种孔隙识别装置的结构示意图；
图4为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种孔隙识别方法的流程图，本实施例可适用于识别复合材料的金相图像中的孔隙的情况，该方法可以由本发明实施例所提供的孔隙识别装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的一种孔隙识别方法，包括：
S110、获取复合材料的金相图像。
其中，复合材料是人为采用材料制备技术将不同性质的材料组分优化组合而成的新材料，应用于航空、航天、高端汽车等领域。复合材料的金相是通过对复合材料进行切割、镶嵌、打磨和抛光等处理，得到的一个截面。
可以通过金相显微镜对金相截面进行观察并获得金相图像，同一件复合材料可以获得至少一张金相图像。
S120、将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的。
其中，复合材料的孔隙是一种分布于复合材料层压结构树脂层以及碳纤维层内的气体孔洞型缺陷，孔洞直径一般在1μm～100μm的范围内，是复合材料制件中的一种内部质量缺陷。孔隙识别模型用于对输入的金相图像中的孔隙部分进行识别，可以为卷积神经网络等机器学习模型，本实施例对此并不进行任何限制。
孔隙识别模型的训练过程中，对金相图像进行压缩，压缩过程中导致采样点的坐标通常是浮点数，所以需要对压缩后的采样点使用插值的方法得到该点的像素值。此时通过双线性插值的方式，用四周临近的四个像素值共同计算得到将该点像素值。
在实际识别过程中，对每个像素点进行检测，如果该像素邻近的其他像素点大概率，例如百分之八十以上，也符合识别规律，则判定该点属于孔隙边缘点，从而确定孔隙边缘像素点。
S130、根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
其中，孔隙识别模型的输出结果可以为金像图上孔隙的每个孔隙的范围和/或位置分布情况。孔隙识别结果可以金相图上是否存在孔隙，也可以为识别出孔隙的具体种类，本实施例对此并不进行任何限制。
本实施例所提供的技术方案，通过取复合材料的金相图像；将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。解决孔隙统计工作费时费力，统计误差较大的问题，实现提高孔隙识别的效率和准确率的效果。
在上述技术方案的基础上，可选的，在根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果之后，所述方法还包括：
将金相图像的孔隙识别结果进行抽检；
若存在金相图像的孔隙识别结果的准确率低于预设基准值，则对金相图像的孔隙进行二次标注，并以二次标注后的金相图像作为训练样本，更新所述孔隙识别模型。
其中，孔隙识别结果的抽检可以由人工进行，对输出的相图像的孔隙识别结果进行检查。若存在金相图像的孔隙识别结果的准确率不低于预设基准值，则孔隙识别模型继续投入使用。
在识别过程中，有可能出现难以预料的孔隙类型，没有在之前的训练样本中出现过，因此导致孔隙识别结果的准确率低于预设基准值，因此在抽检中发现错误时，将识别错误的孔隙类型。通过人工的方式进行标注，将人工标注以后的图像作为训练样本，从而对孔隙识别模型进行更新。
本实施例在上述实施例的基础上，通过对金相图像的孔隙识别结果进行抽检和二次标注，防止由于难以预料的孔隙类型导致孔隙识别结果的准确率降低，提高了孔隙识别的准确率和孔隙识别方法适用范围。
实施例二
图2为本发明实施例二提供的一种孔隙识别模型的训练流程图。本技术方案是针对预先训练的孔隙识别模型的训练过程进行补充说明的。与上述方案相比，本方案具体优化为，预先训练的孔隙识别模型的训练过程，包括：
所述预先训练的孔隙识别模型的训练过程如下：
输入金相图像样本，对所述金相图像样本进行降噪处理；
从降噪处理后的金相图像样本中提取特征图块；
对所述特征图块进行压缩处理，进行双线性插值后得到压缩后的特征图块；
对压缩后的特征图块进行孔隙边缘点识别处理，得到压缩后的特征图块的孔隙边缘像素点；
采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果。
具体的，孔隙识别模型的训练流程图如图2所示：
S210、输入金相图像样本，对所述金相图像样本进行降噪处理。
其中，金相图像样本可以为事先采集好的金相图像，将这部分金相图像作为训练样本。
降噪处理可以但不限于采用中值滤波、最大值滤波和/或最小值滤波算法等。
S220、从降噪处理后的金相图像样本中提取特征图块。
其中，提取特征图块为，在降噪处理过的图中利用图像中的纹理、边缘、颜色等信息对降噪处理得到的图像进行孔隙候选区域的选定，其中孔隙候选区域为孔隙大致所在的范围，将可能为孔隙的部分，以方框、圆、椭圆以及不规则多边形等方式勾勒出来，作为需要进一步处理的区域。
S230、对所述特征图块进行压缩处理，进行双线性插值后得到压缩后的特征图块。
其中，压缩处理为将图片进行压缩，压缩后采用双线性插值法计算得到因为压缩而导致坐标为浮点数的点的像素值。压缩后的特征图块的像素点与原图的像素点一一对应。
S240、对压缩后的特征图块进行孔隙边缘点识别处理，得到压缩后的特征图块的孔隙边缘像素点。
对压缩后的特征图块，由孔隙识别模型对孔隙区域进行分析，生成孔隙识别模型内的孔隙边缘的像素点的识别规律，例如灰度变化规律，从而得到压缩后的特征图块的孔隙边缘像素点。
S250、采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果。
拟合函数用于将获得的孔隙边缘像素点连成线，从而形成孔隙的轮廓。可以通过将压缩后的特征图块孔隙边缘像素点反向映射回原图，在原图中构成孔隙轮廓；也可以在压缩后的特征图块中获取孔隙轮廓，再反向映射回原图。得到孔隙识别结果之后，可以和对金相图像的标记向对比，确定所确定的孔隙识别结果是否与标记信息相一致。
本实施例在上述实施例的基础上，通过训练的孔隙识别模型识别孔隙轮廓，从而获取金相图上的孔隙范围，提高孔隙的识别的效率和准确率。
在上述技术方案的基础上，可选的，所述金相图像样本为带有孔隙标记的金相图像样本；
相应的，在采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果之后，所述方法还包括：
将孔隙识别结果与金相图像样本的孔隙标记进行对比，得到对比结果；
若对比结果符合预设标准，则确定孔隙识别模型训练完成。
其中，带有孔隙标记的金相图像样本的选择可以分为典型的金相样本和特殊的金相样本；典型的金相样本需要足够清晰且无明显附着物，特殊的金相样本包括内部有杂质、表面有划痕和附着物以及其余不可预料的孔隙形态等。通过对这两类样本上的所有孔隙区域进行标注，将标注后的样本输入孔隙识别模型进行训练。
将孔隙识别的结果与孔隙标记进行对比，得到对比结果；
若对比结果符合预设标准，例如准确率达到百分之九十以上，则确定孔隙识别模型训练完成。若不符合标准，可以通过对训练过程中的参数进行调整，从而使的结果符合预期标准。
通过对特殊的金相样本进行孔隙标注，避免夹杂、划痕、附着物被误识别为孔隙；将孔隙识别的结果与孔隙标记进行对比，直到符合预设标准，从而提高孔隙识别的准确率。
在上述技术方案的基础上，可选的，所述压缩处理的压缩比例为1:16。
压缩处理加快了孔隙识别模型处理的速度，从而提高了孔隙识别的效率。
实施例三
图3为本发明实施例三所提供的一种孔隙识别装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种孔隙识别方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
图像获取模块310，用于获取复合材料的金相图像；
模型输入模块320，用于将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；
识别结果确定模块330，用于根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
本实施例所提供的技术方案，通过取复合材料的金相图像；将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。解决孔隙统计工作费时费力，统计误差较大的问题，实现提高孔隙识别的效率和准确率的效果。
在上述各技术方案的基础上，可选的，
模型训练模块，所述模型训练模块包括：
样本降噪处理单元，用于输入金相图像样本，对所述金相图像样本进行降噪处理；
特征图块提取单元，用于从降噪处理后的金相图像样本中提取特征图块；
特征图块压缩单元，用于对所述特征图块进行压缩处理，进行双线性插值后得到压缩后的特征图块；
像素点获取单元，用于对压缩后的特征图块进行孔隙边缘点识别处理，得到压缩后的特征图块的孔隙边缘像素点；
识别结果确定单元，用于采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果。
在上述各技术方案的基础上，可选的，所述金相图像样本为带有孔隙标记的金相图像样本；
相应的，所述装置还包括：
对比结果获取模块，用于所述识别结果确定模块之后，将孔隙识别结果与金相图像样本的孔隙标记进行对比，得到对比结果；
模型训练完成确定模块，用于若对比结果符合预设标准，则确定孔隙识别模型训练完成。
在上述各技术方案的基础上，可选的，所述压缩处理的压缩比例为1:16。
在上述各技术方案的基础上，可选的，所述装置还包括：
识别结果抽检模块，用于识别结果确定模块之后，将金相图像的孔隙识别结果进行抽检；
二次标注模块，用于识别结果确定模块之后，若存在金相图像的孔隙识别结果的准确率低于预设基准值，则对金相图像的孔隙进行二次标注，并以二次标注后的金相图像作为训练样本，更新所述孔隙识别模型。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图，如图4所示，该设备包括处理器40、存储器41、输入装置42和输出装置43；设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的孔隙识别方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的孔隙识别方法。
存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种孔隙识别方法，该方法包括：
获取复合材料的金相图像；
将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；
根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的孔隙识别方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、闪存(FLASH)、硬盘或光盘等，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的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种孔隙识别方法，其特征在于，包括：
获取复合材料的金相图像；
将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；
根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
2.根据权利要求1所述的方法，其特征在于，所述预先训练的孔隙识别模型的训练过程如下：
输入金相图像样本，对所述金相图像样本进行降噪处理；
从降噪处理后的金相图像样本中提取特征图块；
对所述特征图块进行压缩处理，进行双线性插值后得到压缩后的特征图块；
对压缩后的特征图块进行孔隙边缘点识别处理，得到压缩后的特征图块的孔隙边缘像素点；
采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果。
3.根据权利要求2所述的方法，其特征在于，所述金相图像样本为带有孔隙标记的金相图像样本；
相应的，在采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果之后，所述方法还包括：
将孔隙识别结果与金相图像样本的孔隙标记进行对比，得到对比结果；
若对比结果符合预设标准，则确定孔隙识别模型训练完成。
4.根据权利要求2所述的方法，其特征在于，所述压缩处理的压缩比例为1:16。
5.根据权利要求1所述的方法，其特征在于，在根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果之后，所述方法还包括：
将金相图像的孔隙识别结果进行抽检；
若存在金相图像的孔隙识别结果的准确率低于预设基准值，则对金相图像的孔隙进行二次标注，并以二次标注后的金相图像作为训练样本，更新所述孔隙识别模型。
6.一种孔隙识别装置，其特征在于，包括：
图像获取模块，用于获取复合材料的金相图像；
模型输入模块，用于将所述金相图像输入至预先训练的孔隙识别模型；其中，所述孔隙识别模型是在训练过程中，通过对压缩后的训练样本进行双线性插值确定训练样本的孔隙边缘像素点的；
识别结果确定模块，用于根据所述孔隙识别模型的输出结果，确定所述金相图像的孔隙识别结果。
7.根据权利要求6所述的装置，其特征在于，模型训练模块，所述模型训练模块包括：
样本降噪处理单元，用于输入金相图像样本，对所述金相图像样本进行降噪处理；
特征图块提取单元，用于从降噪处理后的金相图像样本中提取特征图块；
特征图块压缩单元，用于对所述特征图块进行压缩处理，进行双线性插值后得到压缩后的特征图块；
像素点获取单元，用于对压缩后的特征图块进行孔隙边缘点识别处理，得到压缩后的特征图块的孔隙边缘像素点；
识别结果确定单元，用于采用拟合函数确定压缩后的特征图块的孔隙边缘像素点所构成的孔隙轮廓，作为孔隙识别结果。
8.根据权利要求7所述的装置，其特征在于，所述金相图像样本为带有孔隙标记的金相图像样本；
相应的，所述装置还包括：
对比结果获取模块，用于所述识别结果确定模块之后，将孔隙识别结果与金相图像样本的孔隙标记进行对比，得到对比结果；
模型训练完成确定模块，用于若对比结果符合预设标准，则确定孔隙识别模型训练完成。
9.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的孔隙识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的孔隙识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911130002.1A CN112907498B (zh) | 2019-11-18 | 2019-11-18 | 一种孔隙识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911130002.1A CN112907498B (zh) | 2019-11-18 | 2019-11-18 | 一种孔隙识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907498A true CN112907498A (zh) | 2021-06-04 |
| CN112907498B CN112907498B (zh) | 2024-04-30 |
Family
ID=76103113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911130002.1A Active CN112907498B (zh) | 2019-11-18 | 2019-11-18 | 一种孔隙识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907498B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131334A (zh) * | 2022-07-21 | 2022-09-30 | 北京汉飞航空科技有限公司 | 一种基于机器学习的航发小孔种类识别和自动排序方法 |
| CN117808856A (zh) * | 2023-12-28 | 2024-04-02 | 中国人民解放军陆军装甲兵学院士官学校 | 一种基于人工智能的部件强度优化方法 |
| CN117808856B (zh) * | 2023-12-28 | 2024-08-30 | 中国人民解放军陆军装甲兵学院士官学校 | 一种基于人工智能的部件强度优化方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110055205A1 (en) * | 2009-08-11 | 2011-03-03 | Terrence Stanley David Scott | Data processing system for manufacturing quality inspection management system |
| DE102013210864A1 (de) * | 2012-06-19 | 2013-12-19 | GM Global Technology Operations, LLC (n.d. Ges. d. Staates Delaware) | Metallographisches Verfahren zur genauen Messung von Porengrößen und -verteilungen in Metallgussteilen |
| CN104766095A (zh) * | 2015-04-16 | 2015-07-08 | 成都汇智远景科技有限公司 | 一种移动终端图像识别方法 |
| CN105699341A (zh) * | 2014-11-28 | 2016-06-22 | 中国科学院金属研究所 | 一种金属材料中疏松/孔隙的荧光金相测量方法 |
| CN108416748A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德（北京）科技有限公司 | Jpeg压缩文档的图像预处理方法及装置 |
| WO2018166114A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技（深圳）有限公司 | 图片识别的方法、***、电子装置及介质 |
| CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
| CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
| CN109615630A (zh) * | 2019-01-18 | 2019-04-12 | 东北大学 | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 |
| CN109829483A (zh) * | 2019-01-07 | 2019-05-31 | 鲁班嫡系机器人（深圳）有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
| CN110348461A (zh) * | 2019-07-05 | 2019-10-18 | 江苏海事职业技术学院 | 一种工件表面缺陷特征提取方法 |
-
2019
- 2019-11-18 CN CN201911130002.1A patent/CN112907498B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110055205A1 (en) * | 2009-08-11 | 2011-03-03 | Terrence Stanley David Scott | Data processing system for manufacturing quality inspection management system |
| DE102013210864A1 (de) * | 2012-06-19 | 2013-12-19 | GM Global Technology Operations, LLC (n.d. Ges. d. Staates Delaware) | Metallographisches Verfahren zur genauen Messung von Porengrößen und -verteilungen in Metallgussteilen |
| CN105699341A (zh) * | 2014-11-28 | 2016-06-22 | 中国科学院金属研究所 | 一种金属材料中疏松/孔隙的荧光金相测量方法 |
| CN104766095A (zh) * | 2015-04-16 | 2015-07-08 | 成都汇智远景科技有限公司 | 一种移动终端图像识别方法 |
| WO2018166114A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技（深圳）有限公司 | 图片识别的方法、***、电子装置及介质 |
| CN108416748A (zh) * | 2018-02-26 | 2018-08-17 | 阿博茨德（北京）科技有限公司 | Jpeg压缩文档的图像预处理方法及装置 |
| CN108647588A (zh) * | 2018-04-24 | 2018-10-12 | 广州绿怡信息科技有限公司 | 物品类别识别方法、装置、计算机设备和存储介质 |
| CN109409428A (zh) * | 2018-10-25 | 2019-03-01 | 北京木业邦科技有限公司 | 木板识别及木板识别模型的训练方法、装置及电子设备 |
| CN109829483A (zh) * | 2019-01-07 | 2019-05-31 | 鲁班嫡系机器人（深圳）有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
| CN109615630A (zh) * | 2019-01-18 | 2019-04-12 | 东北大学 | 基于图像处理技术的半连续铸造铝硅合金微观组织分析方法 |
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110348461A (zh) * | 2019-07-05 | 2019-10-18 | 江苏海事职业技术学院 | 一种工件表面缺陷特征提取方法 |
| CN110308151A (zh) * | 2019-07-22 | 2019-10-08 | 重庆大学 | 一种基于机器视觉的金属工件表面缺陷识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 高志强等: "深度学习从入门到实战", 中国铁道出版社, pages: 66 - 67 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131334A (zh) * | 2022-07-21 | 2022-09-30 | 北京汉飞航空科技有限公司 | 一种基于机器学习的航发小孔种类识别和自动排序方法 |
| CN115131334B (zh) * | 2022-07-21 | 2023-07-25 | 北京汉飞航空科技有限公司 | 一种基于机器学习的航发小孔种类识别和自动排序方法 |
| CN117808856A (zh) * | 2023-12-28 | 2024-04-02 | 中国人民解放军陆军装甲兵学院士官学校 | 一种基于人工智能的部件强度优化方法 |
| CN117808856B (zh) * | 2023-12-28 | 2024-08-30 | 中国人民解放军陆军装甲兵学院士官学校 | 一种基于人工智能的部件强度优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907498B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109087274B (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
| EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
| CN108009591B (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
| CN108682008B (zh) | 一种白细胞图像清晰度评价方法及装置 | |
| CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
| Sharifzadeh et al. | Detection of steel defect using the image processing algorithms | |
| CN107345916B (zh) | 一种基于固定轮廓的平面外观检测方法 | |
| CN112784835A (zh) | 圆形***的真实性识别方法、装置、电子设备及存储介质 | |
| CN115684176A (zh) | 一种薄膜表面缺陷在线视觉检测*** | |
| CN113269769A (zh) | 一种基于图像配准的缺陷检测方法、***及设备 | |
| CN115471466A (zh) | 一种基于人工智能的钢材表面缺陷检测方法及*** | |
| CN111860176B (zh) | 一种非金属夹杂全视场定量统计分布表征方法 | |
| CN113284094A (zh) | 获取玻璃基板缺陷信息的方法、装置、存储介质及设备 | |
| CN111028207B (zh) | 基于即时-通用特征提取网络的纽扣瑕疵检测方法 | |
| CN116311492A (zh) | 一种基于深度相机和轮廓提取的手势识别方法及*** | |
| CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及*** | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及*** | |
| Tian et al. | Corrosion identification of fittings based on computer vision | |
| CN115266728A (zh) | 一种冷轧带钢表面夹杂缺陷的识别方法 | |
| CN112907498B (zh) | 一种孔隙识别方法、装置、设备及存储介质 | |
| CN108182676B (zh) | 一种***碎片化率检测方法、装置、设备及可读存储介质 | |
| CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
| CN113421235A (zh) | 一种基于深度学习的烟支定位装置及方法 | |
| CN113298857A (zh) | 一种基于神经网络融合策略的轴承缺陷检测方法 | |
| CN112967224A (zh) | 一种基于人工智能的电子电路板检测***、方法及介质 |
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 |