CN113112513A - Ai识别带状组织的方法、装置、计算机设备及存储介质 - Google Patents
Ai识别带状组织的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113112513A CN113112513A CN202110456722.8A CN202110456722A CN113112513A CN 113112513 A CN113112513 A CN 113112513A CN 202110456722 A CN202110456722 A CN 202110456722A CN 113112513 A CN113112513 A CN 113112513A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- ferrite
- detection model
- identification
- 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 59
- 238000013473 artificial intelligence Methods 0.000 title description 28
- 229910000859 α-Fe Inorganic materials 0.000 claims abstract description 99
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000012795 verification Methods 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004590 computer program 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
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 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)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开AI识别带状组织的方法、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铁素体图像;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,识别所述待测图像中的铁素体;逐个判断铁素体带在待测图像长度中的占比值是否超过阈值,若超过,则判定为贯通铁素体带;统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。本发明对不同级别的带状组织图片进行高精度自动识别并定级,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识别带状组织的方法、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,带状组织检测是一项极其重要的检测项目,带状组织级别对产品合格与否的定性和力学性能有着直接的影响。目前,对于带状组织级别检测主要依靠人工拍照,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,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,本发明提出一种AI识别带状组织的方法、装置、计算机设备及存储介质,对不同级别的带状组织图片进行自动识别并定级,使识别更精准、更快速,技术方案如下:
一种AI识别带状组织的方法,包括如下步骤:
获取待测图像,所述待测图像为含有标尺的铁素体图像;
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,识别所述待测图像中的铁素体;
逐个判断铁素体带在待测图像长度中的占比值是否超过阈值,若超过,则判定为贯通铁素体带;
统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
在一个实施例中,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。
在一个实施例中,提供的一种AI识别带状组织的方法中包括所述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。
在一个实施例中,提供的一种AI识别带状组织的方法中,所述根据贯通铁素体带的数量确定待测图像对应的铁素体带级别之前,还包括如下步骤,提取待测样品的碳含量,根据国家带状组织评级图谱按碳含量确定待测品所属系列。
在一个实施例中,提供的一种AI识别带状组织的方法中,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:
获得样本数据库,所述样本数据库中的每个样本数据包含有标尺的铁素体图像及其对应的标注图像;
使用机器学习算法对所述样本数据库中的训练样本集进行机器学习,生成对应的检测模型。
在一个实施例中,提供的一种AI识别带状组织的方法,包括如下步骤:对所述样本数据进行预处理,获得处理后的样本数据。
在一个实施例中,提供的一种AI识别带状组织的方法,包括如下步骤:
将所述样本数据库中的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。
一种AI识别带状组织的装置,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铁素体图像,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,识别所述待测图像中的铁素体;
处理单元,用于逐个计算待测图像中铁素体和待测图像的实际长度,并判断铁素体带在待测图像长度中的占比是否超过预设阈值,若超过,则判定为贯通铁素体带;用于统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
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识别带状组织的方法的步骤。
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识别带状组织的方法的步骤。
基于上述技术方案,本发明的有益效果是:本发明能够适应不同样式的带状组织图片,克服现有传统技术的不足,本发明的目的在于提供一种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,对不同级别的带状组织图片进行高精度自动识别并定级,最大限度地减少人为主观因素造成的识别错误,使识别、定级更为精准、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识别带状组织的方法的应用环境图;
图2:一个实施例中AI识别带状组织的方法流程示意图;
图3:一个实施例中含有铁素体的待测图像示意图;
图4:一个实施例中AI识别带状组织的装置的结构框图;
图5:一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识别带状组织的方法,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铁素体图像;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,识别所述待测图像中的铁素体;计算机设备110可以基于标尺对应的实际长度设定判断阈值,逐个判断铁素体带在待测图像长度中的占比值是否超过判断阈值,若超过,则判定为贯通铁素体带。计算机设备110统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别,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识别带状组织的方法,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铁素体图像。
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铁素体图像。
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,并输出确定结果。其中,计算机设备可以根据待测图像的需求(如:锐化、平滑、降噪等)进行预处理,,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,识别所述待测图像中的铁素体。
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,识别所述待测图像中的铁素体,并输出识别结果,整个识别过程无需人工操作,降低了人工成本,提高了识别铁素体的准确率,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,逐个判断铁素体带在待测图像长度中的占比值是否超过判断阈值,若超过,则判定为贯通铁素体带。
本实施例中,计算机设备根据标尺计算图像中铁素体的真实长度,计算图片的真实长度,并设定判断阈值,该判断阈值至铁素体带在图片长度中的占比,如设定阈值=80%(也可以根据需求设定其他阈值),逐个计算监测得到的铁素体带在待测图像长度中的占比值,并与阈值进行对比,超高阈值判定该铁素体带为贯通铁素体带,保存该贯通铁素体带的信息。
步骤210,统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
本实施中,计算机设备可以提取待测样品的碳含量,根据国家带状组织评级图谱按碳含量确定待测品所属系列,计算机设备统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别,计算机设备可以输出确定结果。
在一个实施例中,提供一种AI识别带状组织的方法,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、尺寸的铁素体图像进行识别、评级。
在一个实施例中,提供一种AI识别带状组织的方法,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,提供一种AI识别带状组织的方法,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别之前,还包括如下步骤,提取待测样品的碳含量,根据国家带状组织评级图谱按碳含量确定待测品所属系列。
在一个实施例中,提供一种AI识别带状组织的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:
获得样本数据库,所述样本数据库中的每个样本数据包含有标尺的铁素体图像及其对应的标注图像;
使用机器学习算法对所述样本数据库中的训练样本集进行机器学习,生成对应的检测模型。
本实施例中,如图3所示,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,形成样本数据库,其样本数据库中的每个样本数据包含有标尺的铁素体图像及其对应的标注图像。将样本数据库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所述样本数据库中的训练样本集进行机器学习,生成对应的检测模型。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。
在一个实施例中,提供一种AI识别带状组织的方法,包括优化检测模型的过程,过程包括如下步骤:对所述样本数据进行预处理,获得处理后的样本数据。
在一个实施例中,提供一种AI识别带状组织的方法,包括优化检测模型的过程,过程包括如下步骤:将所述样本数据库中的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。
本实施例中,计算机设备将所述样本数据库中的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%。
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4所示,一种AI识别带状组织的装置,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铁素体图像,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,识别所述待测图像中的铁素体;
处理单元340,用于逐个计算待测图像中铁素体和待测图像的实际长度,并判断铁素体带在待测图像长度中的占比是否超过预设阈值,若超过,则判定为贯通铁素体带;用于统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
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5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。
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铁素体图像;
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,识别所述待测图像中的铁素体;
逐个判断铁素体带在待测图像长度中的占比值是否超过判断阈值,若超过,则判定为贯通铁素体带;
统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
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铁素体图像;
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,识别所述待测图像中的铁素体;
逐个判断铁素体带在待测图像长度中的占比值是否超过判断阈值,若超过,则判定为贯通铁素体带;
统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明所公开的一种AI识别带状组织的方法、装置、计算机设备及存储介质的优选实施方式,并非用于限定本说明书实施例的保护范围。凡在本说明书实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的保护范围之内。
Claims (10)
1.一种AI识别带状组织的方法,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铁素体图像;
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,识别所述待测图像中的铁素体;
逐个判断铁素体带在待测图像长度中的占比值是否超过阈值,若超过,则判定为贯通铁素体带;
统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
2.根据权利要求1所述的一种AI识别带状组织的方法,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识别带状组织的方法,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识别带状组织的方法,其特征在于,所述根据贯通铁素体带的数量确定待测图像对应的铁素体带级别之前,还包括如下步骤,提取待测样品的碳含量,根据国家带状组织评级图谱按碳含量确定待测品所属系列。
5.根据权利要求1至4任意一项所述的一种AI识别带状组织的方法,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:
获得样本数据库,所述样本数据库中的每个样本数据包含有标尺的铁素体图像及其对应的标注图像;
使用机器学习算法对所述样本数据库中的训练样本集进行机器学习,生成对应的检测模型。
6.根据权利要求5所述的一种AI识别带状组织的方法,其特征在于,包括如下步骤:
对所述样本数据进行预处理,获得处理后的样本数据。
7.根据权利要求5所述的一种AI识别带状组织的方法,其特征在于,包括如下步骤:
将所述样本数据库中的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。
8.一种AI识别带状组织的装置,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铁素体图像,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,识别所述待测图像中的铁素体;
处理单元,用于逐个计算待测图像中铁素体和待测图像的实际长度,并判断铁素体带在待测图像长度中的占比是否超过预设阈值,若超过,则判定为贯通铁素体带;用于统计待测图像中贯通铁素体带的数量,根据贯通铁素体带的数量确定待测图像对应的铁素体带级别。
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识别带状组织的方法的步骤。
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识别带状组织的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456722.8A CN113112513A (zh) | 2021-04-27 | 2021-04-27 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456722.8A CN113112513A (zh) | 2021-04-27 | 2021-04-27 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112513A true CN113112513A (zh) | 2021-07-13 |
Family
ID=76720095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456722.8A Pending CN113112513A (zh) | 2021-04-27 | 2021-04-27 | Ai识别带状组织的方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112513A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861304A (zh) * | 2023-02-20 | 2023-03-28 | 江苏金恒信息科技股份有限公司 | 一种基于图像处理的钢中带状组织检测方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112634200A (zh) * | 2020-12-01 | 2021-04-09 | 宝钢特钢韶关有限公司 | 钢中带状组织评价方法 |
-
2021
- 2021-04-27 CN CN202110456722.8A patent/CN113112513A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112634200A (zh) * | 2020-12-01 | 2021-04-09 | 宝钢特钢韶关有限公司 | 钢中带状组织评价方法 |
Non-Patent Citations (1)
Title |
---|
刘金源等: "运用ASTM E1268-01标准定量评定钢中显微带状组织", 《物理测试》, vol. 28, no. 6, pages 523 - 524 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861304A (zh) * | 2023-02-20 | 2023-03-28 | 江苏金恒信息科技股份有限公司 | 一种基于图像处理的钢中带状组织检测方法及*** |
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 | |
CN111950566A (zh) | 一种旋转不变的hog红外图像电力设备识别方法 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及*** | |
CN113112513A (zh) | Ai识别带状组织的方法、装置、计算机设备及存储介质 | |
CN111950544A (zh) | 一种确定病理图像中感兴趣区域的方法及装置 | |
CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
CN116309564B (zh) | 基于人工智能图像识别的电芯外观缺陷检测方法及*** | |
CN112434585A (zh) | 一种车道线的虚实识别方法、***、电子设备及存储介质 | |
CN111931920A (zh) | 基于级联神经网络的目标检测方法、装置及存储介质 | |
CN107566826A (zh) | 栅格图像处理器的测试方法及装置 | |
CN113112514B (zh) | Ai识别石墨大小的方法、装置、计算机设备及存储介质 | |
CN112749035A (zh) | 异常检测方法、装置及计算机可读介质 | |
CN115359031A (zh) | 一种数字病理图像制片质量评价方法 | |
CN113112512A (zh) | Ai识别晶粒度的方法、装置、计算机设备及存储介质 | |
Zhang et al. | Segmenting localized corrosion from rust-removed metallic surface with deep learning algorithm | |
CN115761606A (zh) | 基于图像处理的箱体电能表识别方法及装置 | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
CN114550129A (zh) | 一种基于数据集的机器学习模型处理方法和*** | |
CN116206111B (zh) | 一种缺陷识别方法、装置、电子设备及存储介质 | |
CN111524102A (zh) | 一种液晶显示器的屏幕脏污检测方法及装置 | |
CN116660302B (zh) | 一种镍基单晶高温合金γ′相的检测方法及相关装置 | |
CN115331223A (zh) | 基于相似图像匹配的弱监督染色体核型分类方法及装置 | |
CN117710772A (zh) | 一种基于特征存储的小样本异常检测方法及装置 | |
CN117218093A (zh) | 金相碳化物检测方法、装置及终端设备 | |
CN117541843A (zh) | 传送带异物检测方法、装置及存储介质 |
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 |