CN116311237A - 一种基于深度学习网络的钢铁微观组织识别算法 - Google Patents
一种基于深度学习网络的钢铁微观组织识别算法 Download PDFInfo
- Publication number
- CN116311237A CN116311237A CN202310149249.8A CN202310149249A CN116311237A CN 116311237 A CN116311237 A CN 116311237A CN 202310149249 A CN202310149249 A CN 202310149249A CN 116311237 A CN116311237 A CN 116311237A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- algorithm based
- sample
- learning network
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 17
- 239000010959 steel Substances 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000000227 grinding Methods 0.000 claims abstract description 4
- 238000005498 polishing Methods 0.000 claims abstract description 4
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 14
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 4
- 229910000677 High-carbon steel Inorganic materials 0.000 claims description 3
- 229910001209 Low-carbon steel Inorganic materials 0.000 claims description 3
- 229910000954 Medium-carbon steel Inorganic materials 0.000 claims description 3
- 229910001566 austenite Inorganic materials 0.000 claims description 3
- 229910001563 bainite Inorganic materials 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 229910000734 martensite Inorganic materials 0.000 claims description 3
- 229910001562 pearlite Inorganic materials 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 229910000859 α-Fe Inorganic materials 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000005260 corrosion Methods 0.000 abstract 1
- 230000007797 corrosion Effects 0.000 abstract 1
- 238000003672 processing method Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- G06V20/698—Matching; Classification
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/695—Preprocessing, e.g. image segmentation
-
- 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)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习网络的钢铁微观组织识别算法，属于图像识别方法技术领域。本发明的技术方案是：利用标准金相制样技术，对试样进行磨、抛和腐蚀操作，经显微镜下选取合适的放大倍数，并获取图像，由此建立不同微观组织图像数据集；采用图像尺寸归一化处理方法，建立深度学习网络训练集，利用深度学习ResNet50网络对组织特征进行学习，实现钢铁微观组织识别。本发明的有益效果是：利用深度学习算法，结合图像处理，降低人工分辨金相组织图像类别的误差率，提高分辨效率，有效节约了人员成本和时间成本。
Description
技术领域
本发明涉及一种基于深度学习网络的钢铁微观组织识别算法，属于图像识别方法技术领域。
背景技术
钢铁微观组织分析技术对于研究金属材料成分、热处理工艺、组织结构具有重要的作用。目前微观组织识别主要采用光学显微镜观察记录、人工分析的方式。组织分析对于人员技术能力要求较高，普通检验人员对疑难组织认识度低，需要多年的经验积累和培养。不同的检验人员，对同类样品的评测标准不统一，受主观意识影响大，大部分检验项目评判主要靠人员多年的检测经验，多数环节都需要专家参与和把关。
发明内容
本发明目的是提供一种基于深度学习网络的钢铁微观组织识别算法，利用深度学习算法，结合图像处理，降低人工分辨金相组织图像类别的误差率，提高分辨效率，有效节约了人员成本和时间成本，有效地解决了背景技术中存在的上述问题。
本发明的技术方案是：一种基于深度学习网络的钢铁微观组织识别算法，包含以下步骤：
S1、试样选材：选取不同钢种和不同热处理工艺下的中碳、高碳及低碳钢铁材料，按金相试样要求进行切割选材；
S2、试样制备：按照标准金相制样要求，对试样进行磨、抛和腐蚀；
S3、图像采集：利用显微镜采集各组织图像；
S4、图像预处理：将采集图像进行归一化和分割处理，经旋转、平移和裁剪方式进行数据增强后形成训练集；
S5、深度模型训练：基于Tensorflow框架搭建Resnet50模型，利用训练集训练该模型；
S6、成果测试：利用测试集检验Resnet50模型泛化能力， 即检验模型对训练样本之外微观组织图像的识别准确率。
所述步骤S3中，利用蔡司级金相显微镜采集各组织图像，调节显微镜焦距亮度，可清晰显示组织细节，选取合适的视场，共采集铁素体、珠光体、马氏体、贝氏体和奥氏体组织。
所述步骤S4中，将采集图像进行归一化和分割处理，将图像经过裁剪后分为四等份，在图像上下增加相应灰度条，放大，进行数据增强后形成训练集。
所述步骤S5中，基于TensorFlow框架搭建Resnet50网络， 即在卷积神经网络中加入残差学习。
本发明的有益效果是：利用深度学习算法，结合图像处理，降低人工分辨金相组织图像类别的误差率，提高分辨效率，有效节约了人员成本和时间成本。
附图说明
图1是本发明的流程图；
图2是本发明深度学习Resnet50网络模型图；；
图3是本发明实施例的测试图；
图4是本发明实施例的测试数据结果图。
实施方式
为了使发明实施案例的目的、技术方案和优点更加清楚，下面将结合实施案例中的附图，对本发明实施案例中的技术方案进行清晰的、完整的描述，显然，所表述的实施案例是本发明一小部分实施案例，而不是全部的实施案例，基于本发明中的实施案例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例，都属于本发明保护范围。
一种基于深度学习网络的钢铁微观组织识别算法，包含以下步骤：
S1、试样选材：选取不同钢种和不同热处理工艺下的中碳、高碳及低碳钢铁材料，按金相试样要求进行切割选材；
S2、试样制备：按照标准金相制样要求，对试样进行磨、抛和腐蚀；
S3、图像采集：利用显微镜采集各组织图像；
S4、图像预处理：将采集图像进行归一化和分割处理，经旋转、平移和裁剪方式进行数据增强后形成训练集；
S5、深度模型训练：基于Tensorflow框架搭建Resnet50模型，利用训练集训练该模型；
S6、成果测试：利用测试集检验Resnet50模型泛化能力， 即检验模型对训练样本之外微观组织图像的识别准确率。
所述步骤S3中，利用蔡司级金相显微镜采集各组织图像，调节显微镜焦距亮度，可清晰显示组织细节，选取合适的视场，放大倍数为500X或者1000X，共采集铁素体、珠光体、马氏体、贝氏体和奥氏体组织类型17类，共计4000张。
所述步骤S4中，将采集图像进行归一化和分割处理，原始图像为1292×968像素大小，将图像经过裁剪后分为四等份，每张图像大小为324×242，在图像上下增加相应灰度条，放大至672×672像素大小。进行数据增强后形成训练集，训练集总量共16000张。
所述步骤S5中，基于TensorFlow框架搭建Resnet50网络， 即在卷积神经网络中加入残差学习，网络结构共有50层，输入图像大小为672×672像素。
在实际应用中，如图2，深度学习Resnet50网络模型中，其中的CONV表示卷积层，Batch Norm表示Batch归一化层，ID BLOCK表示Identity块，由多个层构成，Conv BLOCK表示卷积块，由多个层构成。为了使得model个结构更加清晰，才提取出了conv block和idblock两个块，分别把它们封装成函数。
本发明提供的方法，可以实现钢铁微观组织识别。对于实施例公开的方法而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于深度学习网络的钢铁微观组织识别算法，其特征在于包含以下步骤：
S1、试样选材：选取不同钢种和不同热处理工艺下的中碳、高碳及低碳钢铁材料，按金相试样要求进行切割选材；
S2、试样制备：按照标准金相制样要求，对试样进行磨、抛和腐蚀；
S3、图像采集：利用显微镜采集各组织图像；
S4、图像预处理：将采集图像进行归一化和分割处理，经旋转、平移和裁剪方式进行数据增强后形成训练集；
S5、深度模型训练：基于Tensorflow框架搭建Resnet50模型，利用训练集训练该模型；
S6、成果测试：利用测试集检验Resnet50模型泛化能力， 即检验模型对训练样本之外微观组织图像的识别准确率。
2.根据权利要求1所述的一种基于深度学习网络的钢铁微观组织识别算法，其特征在于：所述步骤S3中，利用蔡司级金相显微镜采集各组织图像，调节显微镜焦距亮度，可清晰显示组织细节，选取合适的视场，共采集铁素体、珠光体、马氏体、贝氏体和奥氏体组织。
3.根据权利要求1所述的一种基于深度学习网络的钢铁微观组织识别算法，其特征在于：所述步骤S4中，将采集图像进行归一化和分割处理，将图像经过裁剪后分为四等份，在图像上下增加相应灰度条，放大，进行数据增强后形成训练集。
4.根据权利要求1所述的一种基于深度学习网络的钢铁微观组织识别算法，其特征在于：所述步骤S5中，基于TensorFlow框架搭建Resnet50网络， 即在卷积神经网络中加入残差学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310149249.8A CN116311237A (zh) | 2023-02-22 | 2023-02-22 | 一种基于深度学习网络的钢铁微观组织识别算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310149249.8A CN116311237A (zh) | 2023-02-22 | 2023-02-22 | 一种基于深度学习网络的钢铁微观组织识别算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116311237A true CN116311237A (zh) | 2023-06-23 |
Family
ID=86798986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310149249.8A Pending CN116311237A (zh) | 2023-02-22 | 2023-02-22 | 一种基于深度学习网络的钢铁微观组织识别算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116311237A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237930A (zh) * | 2023-11-13 | 2023-12-15 | 成都大学 | 基于ResNet与迁移学习的腐蚀金具SEM图像识别方法 |
-
2023
- 2023-02-22 CN CN202310149249.8A patent/CN116311237A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237930A (zh) * | 2023-11-13 | 2023-12-15 | 成都大学 | 基于ResNet与迁移学习的腐蚀金具SEM图像识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Steel surface defect detection using a new Haar–Weibull-variance model in unsupervised manner | |
| CN112395932B (zh) | 一种金属材料中显微组织全视场定量统计分布表征方法 | |
| CN109034217A (zh) | 基于图像识别深度学习技术的晶粒度智能评级方法 | |
| CN113628178B (zh) | 一种速度与精度平衡的钢铁产品表面缺陷检测方法 | |
| CN116311237A (zh) | 一种基于深度学习网络的钢铁微观组织识别算法 | |
| CN114331971A (zh) | 一种基于半监督自训练的超声内镜目标检测方法 | |
| CN116309368B (zh) | 一种基于深度迁移学习的肺癌病理诊断*** | |
| Xue et al. | Key technologies of steel plate surface defect detection system based on artificial intelligence machine vision | |
| CN116883393A (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
| CN115909057A (zh) | 一种基于高光谱成像的牛黄智能鉴别方法及应用 | |
| CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控***及方法 | |
| CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 | |
| CN111833335A (zh) | 一种基于超分辨率重建的点阵结构缺陷检测方法及*** | |
| Wang et al. | Measuring the atmospheric corrosion of Q235B and T91 steels using gray value, wavelet analysis and fuzzy Kolmogorov–Sinai entropy | |
| Laub et al. | Determination of grain size distribution of prior austenite grains through a combination of a modified contrasting method and machine learning | |
| Ye et al. | Flaw detection on FPC solder surface | |
| CN115661126A (zh) | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 | |
| CN112862763A (zh) | 基于深度学习的高钢级厚壁管件热处理状态检测***及方法 | |
| CN114240914A (zh) | 基于数据扩增的复材红外热成像缺陷检测图像处理方法 | |
| Liu et al. | Method to detect the bolt thread defect in the aerospace vehicle with ultrasonic image and its implementation | |
| CN113902695A (zh) | 一种针对色织物裁片缺陷区域的检测方法 | |
| CN112861665A (zh) | 一种基于深度学习的油套管热处理组织检验方法 | |
| Liu et al. | Micro-defect Varifocal Network: Channel attention and spatial feature fusion for turbine blade surface micro-defect detection | |
| JP7473765B2 (ja) | 非金属介在物の自動領域識別方法およびそれを組み込んだ介在物判別システム | |
| CN117636015A (zh) | 一种钢材表面缺陷分类方法 |
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 |