CN113112514B - Ai识别石墨大小的方法、装置、计算机设备及存储介质 - Google Patents
Ai识别石墨大小的方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113112514B CN113112514B CN202110456923.8A CN202110456923A CN113112514B CN 113112514 B CN113112514 B CN 113112514B CN 202110456923 A CN202110456923 A CN 202110456923A CN 113112514 B CN113112514 B CN 113112514B
- Authority
- CN
- China
- Prior art keywords
- image
- graphite
- detected
- line segment
- identifying
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 96
- 229910002804 graphite Inorganic materials 0.000 title claims abstract description 96
- 239000010439 graphite Substances 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 229910001141 Ductile iron Inorganic materials 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 229910000859 α-Fe Inorganic materials 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Geometry (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识别石墨大小的方法、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，待测图像为含有标尺的球墨铸铁图像；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，基于多个识别结果，确定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，识别待测图像中的石墨；基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；根据直径平均值确定待测图像对应的石墨级别。本发明对不同级别的球墨铸铁石墨大小图片进行自动识别并定级，使识别、定级更精准、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识别石墨大小的方法、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，球墨铸铁石墨大小检测是一项极其重要的检测项目，石墨大小级别对产品合格与否的定性和铸铁的力学性能有着直接的影响。目前对于球墨铸铁石墨大小的检测主要有两种方式，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，二是利用传统测量软件进行手动测量。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，而且，传统软件测量法步骤繁琐，耗时长且误差大。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识别石墨大小的方法、装置、计算机设备及存储介质。本发明的技术方案如下：
一种AI识别石墨大小的方法，包括如下步骤：
获取待测图像，所述待测图像为含有标尺的球墨铸铁图像；
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石墨；
基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；
根据所述直径平均值确定待测图像对应的石墨大小级别。
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，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。
在一个实施例中，将所述待测图像进行预处理，获得所述处理后的球墨铸铁图像。
在一个实施例中，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，其中，所述样本数据集中的每个样本数据包括：含有标尺的铁素体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。
在一个实施例中，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，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识别石墨大小的装置，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球墨铸铁图像；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石墨；
处理单元，用于基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；用于根据所述直径平均值确定待测图像对应的石墨大小级别。
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，使得所上述一种AI识别石墨大小的方法的步骤。
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识别石墨大小的方法的步骤。
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，对不同级别的球墨铸铁石墨大小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识别石墨大小的方法的应用环境图；
图2：一个实施例中AI识别石墨大小的方法流程示意图；
图3：一个实施例中含有石墨的待测图像示意图；
图4：一个实施例中AI识别石墨大小的装置的结构框图；
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一种AI识别石墨大小的方法，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球墨铸铁图像；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石墨；计算机设备110可以基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；计算机设备110根据所述直径平均值确定待测图像对应的石墨大小级别，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识别石墨大小的方法，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球墨铸铁图像。
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球墨铸铁图像。
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，识别所述待测图像中的石墨。
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石墨，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，提高了识别石墨的准确率，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208，基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值。
步骤210，根据所述直径平均值确定待测图像对应的石墨大小级别。
本实施中，计算机设备根据所述直径平均值与石墨大小级别对应表进行对比，确定待测图像对应的石墨大小级别，计算机设备可以输出确定结果。石墨大小级别对应表如下所示，其中石墨长度指代为所有直径大于A的石墨的直径平均值。
表1石墨大小级别对应表
在一个实施例中，提供一种AI识别石墨大小的方法，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、尺寸的球墨铸铁图像进行识别、评级。
在一个实施例中，提供一种AI识别石墨大小的方法，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识别石墨大小的方法，将所述待测图像进行预处理，获得所述处理后的球墨铸铁图像。
在一个实施例中，提供一种AI识别石墨大小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，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识别石墨大小的方法，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识别石墨大小的方法，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％。
在一个实施例中，如图4所示，一种AI识别石墨大小的装置，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球墨铸铁图像；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石墨；
处理单元340，用于基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；用于根据所述直径平均值确定待测图像对应的石墨大小级别。
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球墨铸铁图像；
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石墨；
基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；
根据所述直径平均值确定待测图像对应的石墨大小级别。
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球墨铸铁图像；
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石墨；
基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；
根据所述直径平均值确定待测图像对应的石墨大小级别。
计算机可读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。
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。
以上所述仅为本发明所公开的一种AI识别石墨大小的方法、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 (9)
1.一种AI识别石墨大小的方法，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球墨铸铁图像；
将待测图像输入至预设的第一检测模型中，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；
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石墨；
基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；
根据所述直径平均值确定待测图像对应的石墨大小级别。
2.根据权利要求1所述的一种AI识别石墨大小的方法，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。
3.根据权利要求1所述的一种AI识别石墨大小的方法，其特征在于，将所述待测图像进行预处理，获得所述处理后的球墨铸铁图像。
4.根据权利要求1至3任意一项所述的一种AI识别石墨大小的方法，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：
将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：含有标尺的铁素体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。
5.根据权利要求4所述的一种AI识别石墨大小的方法，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。
6.根据权利要求4所述的一种AI识别石墨大小的方法，其特征在于，包括如下步骤：
将所述样本数据集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。
7.一种AI识别石墨大小的装置，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球墨铸铁图像；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，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；
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石墨；
处理单元，用于基于标尺对应的实际长度，逐个计算石墨的直径和半径，将石墨的最大半径记为A，提取所有直径大于A的石墨，并计算所有直径大于A的石墨的直径平均值；
用于根据所述直径平均值确定待测图像对应的石墨大小级别。
8.一种计算机设备，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6中任一项权利要求所述一种AI识别石墨大小的方法的步骤。
9.一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6中任一项权利要求所述一种AI识别石墨大小的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110456923.8A CN113112514B (zh) | 2021-04-27 | 2021-04-27 | Ai识别石墨大小的方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110456923.8A CN113112514B (zh) | 2021-04-27 | 2021-04-27 | Ai识别石墨大小的方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113112514A CN113112514A (zh) | 2021-07-13 |
| CN113112514B true CN113112514B (zh) | 2024-05-17 |
Family
ID=76720135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110456923.8A Active CN113112514B (zh) | 2021-04-27 | 2021-04-27 | Ai识别石墨大小的方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112514B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE952909C (de) * | 1953-11-21 | 1956-11-22 | Eisenwerke Gelsenkirchen Ag | Verfahren zum Herstellen von Gusseisen, welches den Graphit ganz oder teilweise in kompakter bzw. knotenartiger oder kugelartiger Form enthaelt, und nach dem Verfahren hergestellte Gusseisenlegierung |
| EP0353804A1 (de) * | 1988-07-16 | 1990-02-07 | SKW Trostberg Aktiengesellschaft | Verfahren zur Herstellung von Gusseisen mit Kugelgraphit und/oder Vermiculargraphit |
| CN102494987A (zh) * | 2011-12-13 | 2012-06-13 | 天津卓朗科技发展有限公司 | 球墨铸铁中显微粒子的自动分类评级方法 |
| 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 |
| CN108596221A (zh) * | 2018-04-10 | 2018-09-28 | 江河瑞通（北京）技术有限公司 | 标尺读数的图像识别方法及设备 |
| CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与*** |
| CN111222508A (zh) * | 2020-01-13 | 2020-06-02 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110274946A1 (en) * | 2009-01-14 | 2011-11-10 | Shw Casting Technologies Gmbh | Cast body |
| US9129438B2 (en) * | 2011-01-18 | 2015-09-08 | NedSense Loft B.V. | 3D modeling and rendering from 2D images |
-
2021
- 2021-04-27 CN CN202110456923.8A patent/CN113112514B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE952909C (de) * | 1953-11-21 | 1956-11-22 | Eisenwerke Gelsenkirchen Ag | Verfahren zum Herstellen von Gusseisen, welches den Graphit ganz oder teilweise in kompakter bzw. knotenartiger oder kugelartiger Form enthaelt, und nach dem Verfahren hergestellte Gusseisenlegierung |
| EP0353804A1 (de) * | 1988-07-16 | 1990-02-07 | SKW Trostberg Aktiengesellschaft | Verfahren zur Herstellung von Gusseisen mit Kugelgraphit und/oder Vermiculargraphit |
| CN102494987A (zh) * | 2011-12-13 | 2012-06-13 | 天津卓朗科技发展有限公司 | 球墨铸铁中显微粒子的自动分类评级方法 |
| 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 |
| CN108763606A (zh) * | 2018-03-12 | 2018-11-06 | 江苏艾佳家居用品有限公司 | 一种基于机器视觉的户型图元素自动提取方法与*** |
| CN108596221A (zh) * | 2018-04-10 | 2018-09-28 | 江河瑞通（北京）技术有限公司 | 标尺读数的图像识别方法及设备 |
| CN111222508A (zh) * | 2020-01-13 | 2020-06-02 | 江苏艾佳家居用品有限公司 | 基于roi的户型图比例尺识别方法、装置、计算机设备 |
| 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 |
Non-Patent Citations (9)
| Title |
|---|
| 人工神经网络在金相图像分割中的应用研究;何维娜;张丽丽;;电子设计工程(03);143-147页 * |
| 何维娜 ; 张丽丽 ; .人工神经网络在金相图像分割中的应用研究.电子设计工程.2013,(03),143-147页. * |
| 冯伟标 ; 李涛 ; .球墨铸铁金相定量分析方法探讨.现代铸铁.2015,(06),全文. * |
| 冯伟标 ; 李涛 ; .球墨铸铁金相定量分析方法探讨.现代铸铁.2015,(06),第35-40页. * |
| 利用图像分析仪和SPSS软件确定石墨球化率;徐炜新;顾艳;金致华;;理化检验(物理分册);20080308(03);全文 * |
| 基于BP神经网络的球墨铸铁球化率的预测;杨波涛;周怡君;杨立新;;机械设计与制造工程;20160915(09);全文 * |
| 球墨铸铁金相定量分析方法探讨;冯伟标;李涛;;现代铸铁(06);第35-40页 * |
| 金相组织计算机图像处理与识别技术研究现状;单鹂娜, 李大勇;中国铸造装备与技术;20050130(01);全文 * |
| 高强度球墨铸铁凸轮轴的生产;刘峰, 沈保罗, 杨屹, 郭尔奇;热加工工艺;20050320(03);全文全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113112514A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
| CN103164692A (zh) | 一种基于计算机视觉的特种车辆仪表自动识别***及算法 | |
| 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 | |
| CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及*** | |
| CN113658174B (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
| CN112287884B (zh) | 一种考试异常行为检测方法、装置及计算机可读存储介质 | |
| CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
| CN113487533A (zh) | 一种基于机器学习的零件装配质量数字化检测***及方法 | |
| CN112270596A (zh) | 基于用户画像构建的风险控制***及方法 | |
| Patel et al. | Development and an application of computer vision system for nondestructive physical characterization of mangoes | |
| CN109886956A (zh) | 检测缺陷点聚集性的方法及装置 | |
| CN106442122A (zh) | 基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法 | |
| CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
| CN112990792B (zh) | 一种侵权风险自动化检测方法、装置和电子设备 | |
| Shu et al. | Marker controlled superpixel nuclei segmentation and automatic counting on immunohistochemistry staining images | |
| CN113112514B (zh) | Ai识别石墨大小的方法、装置、计算机设备及存储介质 | |
| CN113112513A (zh) | Ai识别带状组织的方法、装置、计算机设备及存储介质 | |
| CN108985350B (zh) | 一种基于梯度幅值稀疏特征信息识别模糊图像的方法和装置、计算设备及存储介质 | |
| CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
| CN115984215A (zh) | 一种基于双生网络的纤维束缺陷检测方法 | |
| KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
| CN114494765A (zh) | 真假烟鉴别点的识别方法、装置、电子设备及存储介质 | |
| CN113112512A (zh) | Ai识别晶粒度的方法、装置、计算机设备及存储介质 | |
| CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及*** | |
| CN116206111B (zh) | 一种缺陷识别方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |