CN113112512A - Ai识别晶粒度的方法、装置、计算机设备及存储介质 - Google Patents
Ai识别晶粒度的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113112512A CN113112512A CN202110456704.XA CN202110456704A CN113112512A CN 113112512 A CN113112512 A CN 113112512A CN 202110456704 A CN202110456704 A CN 202110456704A CN 113112512 A CN113112512 A CN 113112512A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- scale
- grain size
- grain
- 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 49
- 238000013473 artificial intelligence Methods 0.000 title description 16
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 239000013078 crystal Substances 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开AI识别晶粒度的方法、装置、计算机设备及存储介质,该方法,包括如下步骤:获取待测图像,所述待测图像为含有标尺的晶粒图像;将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别。本发明能够自动对不同级别的晶粒度图片进行识别并定级,减少人为主观因素造成的识别错误,使识别更为精准、更快速。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及AI识别晶粒度的方法、装置、计算机设备及存储介质。
背景技术
在金相组织分析领域,晶粒度检测是一项极其重要的检测项目,晶粒度级别对产品合格与否的定性有着直接的影响。目前,对于晶粒度的检测评级主要有两种方式,一是依靠人工拍照,并将图片与国家标准中的标准图片进行比照,通过肉眼比照定级,人工比照法受主观意识影响明显,误差较大,且不同人员标准不统一;二是利用传统图像处理软件进行人工选取截点,利用截点数量进行计算,传统软件截点法步骤繁琐,耗时长,目前尚未提出有效的解决方案。
发明内容
为了解决上述技术问题,本发明提出AI识别晶粒度的方法、装置、计算机设备及存储介质,能够自动对不同级别的晶粒度图片进行识别并定级,减少人为主观因素造成的识别错误,使识别更为精准、更快速,技术方案如下:
一种AI识别晶粒度的方法,包括如下步骤:
获取待测图像,所述待测图像为含有标尺的晶粒图像;
将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别。
在其中一个实施例中,所述将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度,具体包括如下步骤,
识别所述待测图像相对应的标尺区域图中的数值区域图和线段区域图,并进行分割;
将分割出的数值区域图输入预设的检测子模型中,获得数值区域图所代表的数值结果;
将待测图像缩放至与数值结果相对应,获得待测图像与标准图之间的缩放比例;
提取分割出的线段区域图中的线段轮廓并计算线段轮廓的像素点长度;
结合缩放比例和线段轮廓的像素点长度,得出对应线段所代表的实际数值,从而得出标尺的实际长度。
在其中一个实施例中,所述提取分割出的线段区域图中的线段轮廓,包括如下步骤,
将分割出的线段区域图进行边缘检测,得到边缘检测结果;
对边缘结果进行骨架提取,提取出线段轮廓。
在其中一个实施例中,所述方法还包括如下步骤:
将所述待测图像相对应的晶界图进行预处理,所述预处理为基于待测图像中晶界与周围区域之间的灰度差异,采用自适应阈值二值化法对晶界图像进行二值化。
在其中一个实施例中,所述根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级,包括如下步骤:
根据辅助线和晶界相交的交点数,计算单位长度下截线段数和/或截点数,基于所述截线段数,和/或截点数以及所述待测图像中的标尺实际长度,计算对应的晶粒度级别。
在其中一个实施例中,所述根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级,包括如下步骤:
根据辅助线和晶界相交的交点数,计算单位长度下截线段数或截点数,并根据截线段数或截点数计算平均截距值,基于所述平均截距值以及所述待测图像中的标尺实际长度,计算对应的晶粒度级别或参照对应的晶粒度级别对照表确定对应的晶粒度级别。
在其中一个实施例中,所述第一检测模型、所述第二检测模型通过如下步骤训练得到:
将获得待训练的样本数据集,所述样本数据集中的每个样本数据包含有标尺的晶粒图像及其对应的标注图像;
对所述样本数据集进行预处理,获得处理后的样本数据集;
使用机器学习算法对所述处理后的样本数据集进行机器学习,生成对应的检测模型。
一种AI识别晶粒度的装置,包括:
获取单元,用于获取待测图像,所述待测图像为含有标尺的晶粒图像,并将待测图像输入至第一识别模型、第二识别模型中;
第一输入单元,用于将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
第二输入单元,用于将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
处理单元,用于根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级。
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上述一种AI识别晶粒度的方法的步骤。
一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述一种AI识别晶粒度的方法的步骤。
基于上述技术方案,本发明的有益效果是:本发明克服现有传统技术的不足,能够适应不同级别的晶粒度图片,且无需人工干预,自动对金相图片不同级别的晶粒度图片进行高精度识别,最大限度地减少人为主观因素造成的识别错误,使识别更为精准、更快速。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1:一个实施例中AI识别晶粒度的方法的应用环境图;
图2:一个实施例中一种AI识别晶粒度的方法流程示意图;
图3:一个实施例中待测图像中晶粒与晶界的示意图;
图4:一个实施例中辅助线的示意图;
图5:一个实施例中辅助线覆盖于待测图像上与晶界相交时的示意图;
图6:一个实施例中金相组织的识别装置的结构框图;
图7:一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例提供的AI识别晶粒度的方法,可以应用于如图1所示的应用环境中。如图1所示,该应用环境包括计算机设备110。计算机设备110可以获取待测图像,所述待测图像为含有标尺的晶粒图像;计算机设备110可以将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;计算机设备110可以将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;计算机设备110可以根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别,其中,计算机设备110可以但不限于是各种个人计算机、笔记本电脑、机器人、平板电脑等。
在一个实施例中,如图2所示,提供一种AI识别晶粒度的方法,包括如下步骤:
步骤202,获取待测图像,所述待测图像为含有标尺的晶粒图像;
本实施例中,可以通过金相显微镜观察大量的金属材料试样的金属组织并采集相应的金相组织图像,这样,就可以得到含有标尺的晶粒图像。
步骤204,将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
本实施例中,计算机设备可以将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,计算机设备基于所述多个识别结果,确定所述待测图像中的标尺实际长度,其中,计算机设备可以将待测图像进行滤波处理和/或图像增强处理,使得待测图像更清晰,可以提高待测图像的质量。
步骤206,将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
本实施例中,计算机设备可以将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息,其中,计算机设备可以将待测图像进行滤波处理和/或图像增强处理,使得待测图像更清晰,可以提高待测图像的质量。
步骤208,根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别。
本实施例中,计算机设备可以所述待测图像中的标尺实际长度确定待测图像实际放大倍数;将辅助线(如图4)覆盖于晶界图上,如图5所示,辅助线和图像中的晶界相交,计算机获取辅助线和晶界相交数据信息(辅助线和二值化后的晶界的交点数量Pi或截线段数量Ni),基于待测图像实际放大倍数以及辅助线和晶界相交数据信息,查看对应的晶粒度级别对照表,确定获取待测图像对应的晶粒度级别。
在一个实施例中,提供了一种金相组织识别方法,包括将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果的过程,过程包括以下步骤:识别所述待测图像相对应的标尺区域图中的数值区域图和线段区域图,并进行分割;将分割出的数值区域图输入预设的检测子模型中,获得数值区域图所代表的数值结果;将待测图像缩放至与数值结果相对应,获得待测图像与标准图之间的缩放比例;提取分割出的线段区域图中的线段轮廓并计算线段轮廓的像素点长度;结合缩放比例和线段轮廓的像素点长度,得出对应线段所代表的实际数值,从而得出标尺的实际长度。
本实施例中,计算机设备可以识别所述待测图像相对应的标尺区域图中的数值区域图和线段区域图,并进行分割;计算机设备将分割出的数值区域图输入预设的检测子模型中,获得数值区域图所代表的数值结果;计算机设备将待测图像缩放至与数值结果相对应,获得待测图像与标准图之间的缩放比例;计算机设备提取分割出的线段区域图中的线段轮廓并计算线段轮廓的像素点长度;计算机设备结合缩放比例和线段轮廓的像素点长度,得出对应线段所代表的实际数值,从而得出标尺的实际长度,计算机设备可以对不同级别、尺寸的晶粒度图片进行识别、评级。
在一个实施例中,提供了一种金相组织识别方法,包括提取分割出的线段区域图中的线段轮廓的过程,过程包括如下步骤,将分割出的线段区域图进行边缘检测,得到边缘检测结果;对边缘结果进行骨架提取,提取出线段轮廓。
本实施例中,计算机设备通过微分检测算子Canny对分割出的线段区域图进行边缘检测,计算机设备对边缘检测结果采用K3M算法进行骨架提取,提取出线段轮廓,但不仅限如此,可以采用其他的方式进行边缘检测以及骨架提取。
在一个实施例中,提供了一种金相组织识别方法,还包括如下步骤:将所述待测图像相对应的晶界图进行预处理,所述预处理为基于待测图像中晶界与周围区域之间的灰度差异,采用自适应阈值二值化法对晶界图像进行二值化,如图3所示。
在一个实施例中,提供了一种金相组织识别方法,包括根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级的过程,过程包括如下步骤:根据辅助线和晶界相交的交点数,计算单位长度下截线段数和/或截点数,基于所述截线段数,和/或截点数以及所述待测图像中的标尺实际长度,参照对应的晶粒度级别对照表确定对应的晶粒度级别.
本实施例中,计算机设备结合标尺对应的实际长度,确定待测图像的实例尺寸,本发明能够适应不同级别、尺寸的晶粒度图片的识别工作,将辅助线覆盖于预处理后的图像上,如图5所示,使辅助线和图像中的晶界相交计算标准辅助线和二值化后的晶界的交点数量Pi或截线段数量Ni,计算机设备计算单位单位长度下的截线段数NL或截点数PL,其中M为倍数,L为试验线长度,公式如下所示,
然后,计算机设备计算晶粒度级别G并将结果进行输出,整个过程无需人工干预,最大限度地减少人为主观因素造成的识别错误,使识别更为精准、更快速。
G=6.643 856 lgNL-3.288
G=6.643 856 lgPL-3.288
在一个实施例中,提供了一种金相组织识别方法,包括根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级的过程,过程包括如下步骤:根据辅助线和晶界相交的交点数,计算单位长度下截线段数或截点数,并根据截线段数或截点数计算平均截距值,基于所述平均截距值以及所述待测图像中的标尺实际长度,参照对应的晶粒度级别对照表确定对应的晶粒度级别。
表1 晶粒度级别对照表
在一个实施例中,提供了一种金相组织识别方法中第一检测模型、所述第二检测模型通过如下步骤训练得到:获得待训练的样本数据集,其中,所述样本数据集中的每个样本数据包括:含有标尺的晶粒图像及其对应的标注图像;对所述样本数据集进行预处理,获得处理后的样本数据集;使用机器学习算法对所述处理后的样本数据集进行机器学习,生成对应的检测模型。
本实施例中,样本数据来源主要是样品拍照、历史检测数据图片和客户图片收集等等,然后上传至计算机设备中保存,形成样本数据集。计算机设备对样本数据进行预处理,获得处理后的样本数据集,并将样本数据集中的样本数据按照比例分为训练样本集和测试样本集,计算机设备使用机器学习算法对训练样本集进行机器学习,生成对应的检测模型。计算机设备将测试样本集输入检测模型进行验证,若检测模型的验证准确率未达到预设阈值,则增加样本数据量对检测模型进行再次训练,直至验证准确率达到或超过预设阈值为止。当训练样本为500张时,测试准确率可达到98%,基于人工智能的方法,通过对已存在的样本数据集进行训练,无需人工干预,进行自动识别。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行
在一个实施例中,如图6所示,一种AI识别晶粒度的装置,包括:获取单元310、第一输入单元320、第二输入单元330和处理单元340,其中,
获取单元310,用于获取待测图像,所述待测图像为含有标尺的晶粒图像,并将待测图像输入至第一识别模型、第二识别模型中;
第一输入单元320,用于将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
第二输入单元330,用于将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
处理单元340,用于根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级。
本领域技术人员可以理解,上述实施例阐明的装置、模块或单元,具体可以由计算机芯片或设备实现,或者由具有某种功能的产品来实现,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得该处理器执行计算机程序时实现以下步骤:
获取待测图像,所述待测图像为含有标尺的晶粒图像;
将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别。
在一个实施例中,提供了一种存储有计算机可读指令的存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行时实现以下步骤:
获取待测图像,所述待测图像为含有标尺的晶粒图像;
将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别。
计算机可读指令的存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本说明书实施例中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种AI识别晶粒度的方法,其特征在于,包括如下步骤:
获取待测图像,所述待测图像为含有标尺的晶粒图像;
将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度级别。
2.根据权利要求1所述的一种AI识别晶粒度的方法,其特征在于,所述将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度,具体包括如下步骤,
识别所述待测图像相对应的标尺区域图中的数值区域图和线段区域图,并进行分割;
将分割出的数值区域图输入预设的检测子模型中,获得数值区域图所代表的数值结果;
将待测图像缩放至与数值结果相对应,获得待测图像与标准图之间的缩放比例;
提取分割出的线段区域图中的线段轮廓并计算线段轮廓的像素点长度;
结合缩放比例和线段轮廓的像素点长度,得出对应线段所代表的实际数值,从而得出标尺的实际长度。
3.根据权利要求2所述的一种AI识别晶粒度的方法,其特征在于,所述提取分割出的线段区域图中的线段轮廓,包括如下步骤,
将分割出的线段区域图进行边缘检测,得到边缘检测结果;
对边缘结果进行骨架提取,提取出线段轮廓。
4.根据权利要求1所述的一种AI识别晶粒度的方法,其特征在于,还包括如下步骤:
将所述待测图像相对应的晶界图进行预处理,所述预处理为基于待测图像中晶界与周围区域之间的灰度差异,采用自适应阈值二值化法对晶界图像进行二值化。
5.根据权利要求1所述的一种AI识别晶粒度的方法,其特征在于,所述根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级,包括如下步骤:
根据辅助线和晶界相交的交点数,计算单位长度下截线段数和/或截点数,基于所述截线段数,和/或截点数以及所述待测图像中的标尺实际长度,计算对应的晶粒度级别。
6.根据权利要求1所述的一种AI识别晶粒度的方法,其特征在于,所述根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级,包括如下步骤:
根据辅助线和晶界相交的交点数,计算单位长度下截线段数或截点数,并根据截线段数或截点数计算平均截距值,基于所述平均截距值以及所述待测图像中的标尺实际长度,计算对应的晶粒度级别或参照对应的晶粒度级别对照表确定对应的晶粒度级别。
7.根据权利要求1至6任意一项所述的一种AI识别晶粒度的方法,其特征在于,所述第一检测模型、所述第二检测模型通过如下步骤训练得到:
获得待训练的样本数据集,所述样本数据集中的每个样本数据包含有标尺的晶粒图像及其对应的标注图像;
对所述样本数据集进行预处理,获得处理后的样本数据集;
使用机器学习算法对所述处理后的样本数据集进行机器学习,生成对应的检测模型。
8.一种AI识别晶粒度的装置,其特征在于,包括:
获取单元,用于获取待测图像,所述待测图像为含有标尺的晶粒图像,并将待测图像输入至第一识别模型、第二识别模型中;
第一输入单元,用于将待测图像输入至预设的第一检测模型中,获得与待测图像相对应的多个识别结果,基于所述多个识别结果,确定所述待测图像中的标尺实际长度;
第二输入单元,用于将待测图像输入至预设的第二检测模型中,获得与所述待测图像相对应的晶界图,将辅助线覆盖于晶界图上,获取辅助线和晶界相交数据信息;
处理单元,用于根据辅助线和晶界相交数据信息以及所述待测图像中的标尺实际长度,获取待测图像对应的晶粒度评级。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述一种AI识别晶粒度的方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述一种AI识别晶粒度的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456704.XA CN113112512A (zh) | 2021-04-27 | 2021-04-27 | Ai识别晶粒度的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456704.XA CN113112512A (zh) | 2021-04-27 | 2021-04-27 | Ai识别晶粒度的方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112512A true CN113112512A (zh) | 2021-07-13 |
Family
ID=76720137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456704.XA Pending CN113112512A (zh) | 2021-04-27 | 2021-04-27 | Ai识别晶粒度的方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112512A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1825158A (zh) * | 2005-02-25 | 2006-08-30 | 宝钢集团上海梅山有限公司 | 一种数码金相显微图像放大倍率的标定方法 |
CN101413786A (zh) * | 2008-11-28 | 2009-04-22 | 首钢总公司 | 一种用高温激光显微镜测量奥氏体晶粒尺寸的方法 |
CN101949810A (zh) * | 2010-08-12 | 2011-01-19 | 中国石油天然气集团公司 | 一种针状铁素体型管线钢组织鉴别和评定方法 |
CN106767426A (zh) * | 2016-11-15 | 2017-05-31 | 四川农业大学 | 水稻株叶型测定方法及其装置 |
CN111325706A (zh) * | 2018-12-13 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 一种晶界提取、晶界提取模型生成方法及装置 |
CN111611643A (zh) * | 2020-05-27 | 2020-09-01 | 电子科技大学中山学院 | 户型矢量化数据获得方法、装置、电子设备及存储介质 |
CN112396618A (zh) * | 2020-11-12 | 2021-02-23 | 北京科技大学 | 一种基于图像处理的晶界提取及晶粒度测量方法 |
-
2021
- 2021-04-27 CN CN202110456704.XA patent/CN113112512A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1825158A (zh) * | 2005-02-25 | 2006-08-30 | 宝钢集团上海梅山有限公司 | 一种数码金相显微图像放大倍率的标定方法 |
CN101413786A (zh) * | 2008-11-28 | 2009-04-22 | 首钢总公司 | 一种用高温激光显微镜测量奥氏体晶粒尺寸的方法 |
CN101949810A (zh) * | 2010-08-12 | 2011-01-19 | 中国石油天然气集团公司 | 一种针状铁素体型管线钢组织鉴别和评定方法 |
CN106767426A (zh) * | 2016-11-15 | 2017-05-31 | 四川农业大学 | 水稻株叶型测定方法及其装置 |
CN111325706A (zh) * | 2018-12-13 | 2020-06-23 | 阿里巴巴集团控股有限公司 | 一种晶界提取、晶界提取模型生成方法及装置 |
CN111611643A (zh) * | 2020-05-27 | 2020-09-01 | 电子科技大学中山学院 | 户型矢量化数据获得方法、装置、电子设备及存储介质 |
CN112396618A (zh) * | 2020-11-12 | 2021-02-23 | 北京科技大学 | 一种基于图像处理的晶界提取及晶粒度测量方法 |
Non-Patent Citations (2)
Title |
---|
林金萱: "定量金相自动分析关键技术研究及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, pages 17 - 26 * |
谢希文: "现代金相技术(下)", 《金属材料与热加工工艺》, pages 61 - 63 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7000627B2 (ja) | 標的細胞標識方法、装置、記憶媒体及び端末デバイス | |
CN105447512B (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
JP2024509411A (ja) | 欠陥検出方法、装置及びシステム | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN111598869B (zh) | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 | |
CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及*** | |
CN113591746B (zh) | 一种文档表格结构检测方法及装置 | |
CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及*** | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111415364A (zh) | 一种计算机视觉中图像分割样本的转换方法、***及存储介质 | |
CN112434555A (zh) | 键值对区域识别方法、装置、存储介质和电子设备 | |
CN112215217A (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN113112513A (zh) | Ai识别带状组织的方法、装置、计算机设备及存储介质 | |
CN113112512A (zh) | Ai识别晶粒度的方法、装置、计算机设备及存储介质 | |
CN113112514B (zh) | Ai识别石墨大小的方法、装置、计算机设备及存储介质 | |
CN115588196A (zh) | 基于机器视觉的指针型仪表读数方法和装置 | |
CN115374517A (zh) | 布线软件的测试方法、装置、电子设备及存储介质 | |
CN111325706A (zh) | 一种晶界提取、晶界提取模型生成方法及装置 | |
Prabha et al. | Defect detection of industrial products using image segmentation and saliency | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
CN109063601A (zh) | 唇纹检测方法、装置、计算机设备和存储介质 | |
CN114119594A (zh) | 一种基于深度学习的油液渗漏检测方法和检测装置 | |
CN108010020B (zh) | 一种硅片的滑道检测方法及装置 | |
CN113794815A (zh) | 用于提取视频关键帧的方法、装置及控制器 |
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 |