CN117218093A - 金相碳化物检测方法、装置及终端设备 - Google Patents
金相碳化物检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN117218093A CN117218093A CN202311217797.6A CN202311217797A CN117218093A CN 117218093 A CN117218093 A CN 117218093A CN 202311217797 A CN202311217797 A CN 202311217797A CN 117218093 A CN117218093 A CN 117218093A
- Authority
- CN
- China
- Prior art keywords
- carbide
- image
- level
- discrimination
- judgment
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 79
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 150000001247 metal acetylides Chemical class 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000956 alloy Substances 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请适用于金相检测技术领域，提供了金相碳化物检测方法、装置及终端设备，该方法本发明实施方式公开了一种金相碳化物检测方法，包括：首先获取待检测图像；然后对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；接着对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；最后对多个所述等级判别进行融合，得到碳化物判级。本发明实施方式通过图像分析，确定金相碳化物的可疑区域，并针对可疑区域获取高倍图像，并基于高倍图像进行评级，因此评级结果准确可靠，提高了检测效率。
Description
技术领域
本申请属于金相检测技术领域，尤其涉及金相碳化物检测方法、装置及终端设备。
背景技术
金相检验主要是通过采用定量金相学原理，运用二维金相试样磨面或薄膜的金相显微组织的测量和计算来确定合金组织的三维空间形貌，从而建立合金成分、组织和性能间的定量关系。
金相的碳化物检测是检测市场的细分领域，在传统金相检测中仍使用人工检测，通过人眼观察随机取样市场对碳化物进行分级判定，过于依赖检测员的专业知识和工作状态，检测过程中取样的偶然性、人眼误差的不准确性和检测效率，使得检测结果波动性较大。
随着人工智能的发展，我国检测行业也将迎来智能化，市面上也有通过U-net神经网络进行判级的检测方法，但是由于检测品种不同、显微镜倍率不同等实际原因，此方法的适用性较差，不易对结果进行量化判断。
发明内容
本申请实施例提供了金相碳化物检测方法、装置及终端设备，提供了一种适用性高的检测方法，提高了金相碳化物检测的准确性和检测效率。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种金相碳化物检测方法，包括：
获取待检测图像；
对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；
对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；
对多个所述等级判别进行融合，得到碳化物判级。
结合第一方面，在一些可能的实现方式中，所述对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域，具体包括：
对所述待检测图像进行灰度化处理和二值化处理，得到第一图像；
通过高斯滤波对所述第一图像进行平滑和滤波处理，得到第二图像；
基于所述第二图像，计算所述第二图像中碳化物的连通区域；
基于所述第二图像中碳化物的连通区域，得到所述连通区域的边缘；
基于所述连通区域的边缘，得到所述待检测图像的可疑区域。
结合第一方面，在一些可能的实现方式中，所述对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别，具体包括：
对所述待检测图像的可疑区域进行放大，得到可疑区域图像；
通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到第一等级判别；
通过视觉算法对所述可疑区域图像进行碳化物判级，得到第二等级判别；
对多个所述等级判别进行融合，得到碳化物判级，具体包括：
通过D-S理论对第一等级判别和所述第二等级判别进行融合，得到所述碳化物判级。
结合第一方面，在一些可能的实现方式中，所通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到第一等级判别，具体包括：
基于所述YOLOV8算法中的位置损失函数，计算所述可疑区域图像的位置损失；
基于所述位置损失对所述可疑区域图像进行切割，得到碳化物区域；
基于所述YOLOV8算法中的sigmoid损失函数和所述碳化物区域，计算所述碳化物区域的碳化物类别损失；
基于所述碳化物类别损失，得到所述第一等级判别。
结合第一方面，在一些可能的实现方式中，所述通过D-S理论对第一等级判别和所述第二等级判别进行融合，得到所述碳化物判级，具体包括：
通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到多个所述第一等级判别；
基于多个所述第一等级判别，得到含有碳化物判级的第一等级判别；
对所述含有碳化物判级的第一等级判别，得到多个碳化物区域；
将属于同一碳化物的多个碳化物区域进行拼接并重新剪切，得到第一检测图像；
通过YOLOV8算法对所述第一检测图像进行碳化物判级，得到第三等级判别；
通过D-S理论对第一等级判别、所述第三等级判别和所述第二等级判别进行融合，得到所述碳化物判级。
结合第一方面，在一些可能的实现方式中，所述通过D-S理论对第一等级判别、所述第三等级判别和所述第二等级判别进行融合，得到所述碳化物判级，具体包括：
判断多个所述第一等级判别和所述第三等级判别中碳化物判级的最高值，将所述碳化物判级的最高值对应的所述第一等级判别或者所述第三等级判别作为神经网络判别；
基于所述D-S理论的Dempster合成规则，对所述神经网络判别和所述第二等级判别进行融合，得到所述碳化物判级。
结合第一方面，在一些可能的实现方式中，所述通过视觉算法对所述可疑区域图像进行碳化物判级，得到第二等级判别，具体包括：
对所述可疑区域图像进行灰度化处理和二值化处理，得到第三图像；
通过所述高斯滤波对所述第三图像进行平滑和滤波处理，得到第四图像；
基于所述第四图像，得到所述可疑区域图像中的碳化物连通区域；
基于所述碳化物连通区域，得到碳化物的密度和碳化物的长度；
基于所述碳化物的密度、所述碳化物的长度和碳化物判级标准，得到所述第二等级判别。
第二方面，本申请实施例提供了一种金相碳化物检测装置，包括：
获取模块，用于获取待检测图像；
滤波模块，对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；
判别模块，用于对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；
融合模块，用于对多个所述等级判别进行融合，得到碳化物判级。
第三方面，本申请实施例提供了一种终端设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的金相碳化物检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的金相碳化物检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的金相碳化物检测方法。
可以理解的是，上述第二方面至第七方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本发明实施方式公开了一种金相碳化物检测方法，包括：首先获取待检测图像；然后对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；接着对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；最后对多个所述等级判别进行融合，得到碳化物判级。本发明实施方式通过图像分析，确定金相碳化物的可疑区域，并针对可疑区域获取高倍图像，并基于高倍图像进行评级，因此评级结果准确可靠，提高了检测效率。
本发明实施方式在评级方面除采用传统评级算法，还引进了深度学习方法进行评级，最后综合两者的评级结果做出判级结果，综合评级结果更准确、更可靠。
本发明实施方式为自动化智能检测技术，减少了检测的人力成本，降低了对检测人员的水平要求，消除了技术人员的主观影响，为大规模高效检测奠定了基础；
使用传统视觉算法与深度学习算法并行，使用D-S证据理论相融合的检测方法，能够保留两种算法的优点，如传统算法对信息的量化能力、深度学习算法的适应性等，更可以提高检测的准确度。
改进了YOLOv8算法，使用了Sophia优化器，提升了算法的运行效率，减少了算法的检测时间，提高了整体的检测效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的金相碳化物检测方法的流程示意图；
图2是本申请一实施例提供的金相碳化物检测原理图；
图3是本申请一实施例提供的YOLOv8网络结构图；
图4是本申请一实施例提供的金相碳化物检测装置的结构示意图；
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图1是本申请一实施例提供的金相碳化物检测方法的流程示意性图，参照图1，对该金相碳化物检测方法的详述如下：
在步骤101中，获取待检测图像；
在步骤102中，对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；
在一些实施方式中，步骤102包括：
对所述待检测图像进行灰度化处理和二值化处理，得到第一图像；
通过高斯滤波对所述第一图像进行平滑和滤波处理，得到第二图像；
基于所述第二图像，计算所述第二图像中碳化物的连通区域；
基于所述第二图像中碳化物的连通区域，得到所述连通区域的边缘；
基于所述连通区域的边缘，得到所述待检测图像的可疑区域。
示例性地，对于图像的采集方面，本发明实施方式是通过安装自动化显微镜和样本采集获得的，包括以下步骤：
首先将显微镜的运动控制平台、光源、图像采集摄像机与服务设备相连接，并安装控制软件；
然后将样本，放置在样本夹上，按照样本夹上的刻度尺进行区域选择；
最后根据对区域的选择，通过软件控制显微镜的运动控制平台，对样本进行采集，采集的图片大小为1500*1500。
本发明实施方式是基于对可疑区域的分析确定金相碳化物等级的，在本发明实施方式中，首先通过图像分析，找到可疑区域，然后针对可疑区域，通过调节显微镜放大倍数的方式，重新采集可疑区域的图像样本，完成对金相碳化物等级的分析的。
对于发现可疑区域方面，在一些应用场景中，首先对传入的低倍图像进行灰度化和二值化处理，这里使用的是一种自适应的阈值确定的方法，具体方法如下；
其中为前后景所占整体像素的比例，u为全局平均像素值，/>为前后景平均像素值，遍历0--255像素值，找到最大的g所对应的像素值即为所求阈值。
然后，对图像进行大核的高斯滤波，使碳化区域成为一个整体；
其中，为进行滤波后的坐标为(x,y)图像数值，/>为滤波设置值。
接着，计算图像中的联通区域，并找到边缘；
最后，将图像网格化，标注出可疑区域。
在步骤103中，对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别。
在一些实施方式中，步骤102包括：
对所述待检测图像的可疑区域进行放大，得到可疑区域图像；
通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到第一等级判别；
通过视觉算法对所述可疑区域图像进行碳化物判级，得到第二等级判别。
在一些实施方式中，在一些可能的实现方式中，所通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到第一等级判别，具体包括：
基于所述YOLOV8算法中的位置损失函数，计算所述可疑区域图像的位置损失；
基于所述位置损失对所述可疑区域图像进行切割，得到碳化物区域；
基于所述YOLOV8算法中的sigmoid损失函数和所述碳化物区域，计算所述碳化物区域的碳化物类别损失；
基于所述碳化物类别损失，得到所述第一等级判别。
在一些实施方式中，所述通过视觉算法对所述可疑区域图像进行碳化物判级，得到第二等级判别，具体包括：
对所述可疑区域图像进行灰度化处理和二值化处理，得到第三图像；
通过所述高斯滤波对所述第三图像进行平滑和滤波处理，得到第四图像；
基于所述第四图像，得到所述可疑区域图像中的碳化物连通区域；
基于所述碳化物连通区域，得到碳化物的密度和碳化物的长度；
基于所述碳化物的密度、所述碳化物的长度和碳化物判级标准，得到所述第二等级判别。
示例性地，本发明实施方式是通过可疑区域的图像采用传统算法和Yolov8模型双重识别方法确定碳化物等级的。
在一些场景中，传统算法确定碳化物的等级是通过如下步骤获得：
首先，对传入的高倍图像进行灰度化和二值化处理；
然后，对图像进行大核的高斯滤波，使碳化区域成为一个整体；
接着，计算图像中的联通区域，并找到原图中覆盖联通区域的最小矩形框；
最后，根据框中碳化物的密度、长度等参数参考碳化物判级标准，为碳化物判级并给出判级的分数。在一些场景中，通过传统算法确定的等级结果为B。
而Yolov8模型由于是深度学习的模型，其需要先对该模型进行训练，以保证其判定碳化物等级的精度，本发明实施方式中训练过程包括：
首先，大规模采集金属样本在高倍显微镜下的图片，并根据对碳化物的评估标准进行判级标注，作出高质量训练集、验证集和测试集；
然后，对于类别损失BCE Loss，YOLOv8采用了和RetinaNet、FCOS等相同的策略，使用sigmoid函数来计算每个类别的概率，并计算全局的类别损失，其学习标签是由TOOD给出的target_scores，其中，正样本的类别标签就是IoU值，而负样本处全是0。
接着，对于位置损失，YOLOv8将其分为两部分，第一部分就是计算预测框与目标框之间的IoU，一如既往的采用CIoU损失。而第二部分是Distribution Focal Loss，可以看作是对bbox方框坐标建模了单一的狄拉克分布，其表达式如下：
再接着，将优化器替换为Sophia（Second-order Clipped StochasticOptimization），这是一种轻量级二阶优化器，它使用Hessian对角线的廉价随机估计作为预调节器，并通过限幅机制来控制最坏情况下的更新大小。对角Hessian估计器的两种选择：
（a）使用Hessian向量积的无偏估计器，其运行时间与mini-batch梯度达到一个常数因子相同；
（b）有偏估计器，利用重采样标签进行小批量梯度计算。这两个估算器每步（平均）仅引入5%的开销。
在每一步，Sophia都会用梯度的指数移动平均值（EMA）除以对角Hessian估计的EMA，然后用标量进行裁剪来更新参数。
最后，对训练出的模型在测试集进行测验，选出在测试集上效果最佳的模型；若未达到测试要求，则重复训练迭代，直至训练出在测试集上满足要求的模型。
通过上述步骤，就能完成针对碳化物等级评定的YOLOv8的模型的训练。
使用训练好的模型对多个可疑视场的高倍图像进行初步判级。
在步骤104中，对多个所述等级判别进行融合，得到碳化物判级。
在一些实施方式中，步骤104包括：
通过D-S理论对第一等级判别和所述第二等级判别进行融合，得到所述碳化物判级。
在一些实施方式中，所述通过D-S理论对第一等级判别和所述第二等级判别进行融合，得到所述碳化物判级，包括：
通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到多个所述第一等级判别；
基于多个所述第一等级判别，得到含有碳化物判级的第一等级判别；
对所述含有碳化物判级的第一等级判别，得到多个碳化物区域；
将属于同一碳化物的多个碳化物区域进行拼接并重新剪切，得到第一检测图像；
通过YOLOV8算法对所述第一检测图像进行碳化物判级，得到第三等级判别；
通过D-S理论对第一等级判别、所述第三等级判别和所述第二等级判别进行融合，得到所述碳化物判级。
在一些实施方式中，所述通过D-S理论对第一等级判别、所述第三等级判别和所述第二等级判别进行融合，得到所述碳化物判级，具体包括：
判断多个所述第一等级判别和所述第三等级判别中碳化物判级的最高值，将所述碳化物判级的最高值对应的所述第一等级判别或者所述第三等级判别作为神经网络判别；
基于所述D-S理论的Dempster合成规则，对所述神经网络判别和所述第二等级判别进行融合，得到所述碳化物判级。
示例性地，对于采用YOLOV8算法判级方面，如前所述，本发明实施方式首先对多个可疑视场的高倍图像进行初步判级，获得多个初步判级的结果，例如为A11、A12、、A1N，在多个高倍图像中的一个或多个图像位于低倍图像的边缘时，需要将位于边缘的高倍图像和相邻的图像进行拼接，然后，根据拼接的图像再次应用YOLOV8算法，进行二次判级，例如，获得的判级结果为A21、A22、、A2N，综合上述获得的判级结果A11、A12、、A1N、A21、A22、、A2N，选择最坏的结果作为YOLOV8算法的判级结果A。
如期所述，采用传统算法，根据多个高倍图像确定判级结果为B。
根据D-S证据理论，将结果A和结果B相融合得到最终的判级结果。其中对于假设A，两个质量函数m1，m2的Dempster合成规则如下：
其中系数K表达式为：
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本发明实施方式公开了一种金相碳化物检测方法，包括：首先获取待检测图像；然后对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；接着对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；最后对多个所述等级判别进行融合，得到碳化物判级。本发明实施方式通过图像分析，确定金相碳化物的可疑区域，并针对可疑区域获取高倍图像，并基于高倍图像进行评级，因此评级结果准确可靠，提高了检测效率。
本发明实施方式在评级方面除采用传统评级算法，还引进了深度学习方法进行评级，最后综合两者的评级结果做出判级结果，综合评级结果更准确、更可靠。
本发明实施方式为自动化智能检测技术，减少了检测的人力成本，降低了对检测人员的水平要求，消除了技术人员的主观影响，为大规模高效检测奠定了基础；
使用传统视觉算法与深度学习算法并行，使用D-S证据理论相融合的检测方法，能够保留两种算法的优点，如传统算法对信息的量化能力、深度学习算法的适应性等，更可以提高检测的准确度。
改进了YOLOv8算法，使用了Sophia优化器，提升了算法的运行效率，减少了算法的检测时间，提高了整体的检测效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
对应于上文实施例所述的金相碳化物检测方法，图4示出了本申请实施例提供的金相碳化物检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图4，本申请实施例中的金相碳化物检测装置可以包括：
获取模块401，用于获取待检测图像；
滤波模块402，对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；
判别模块404，用于对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；
融合模块404，用于对多个所述等级判别进行融合，得到碳化物判级。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图5，该终端设备500可以包括：至少一个处理器510、存储器520，该存储器520存储有计算机程序521，所述处理器510调用并运行所述存储器520中存储的计算机程序521时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤104或者，处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
示例性的，计算机程序521可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器520中，并由处理器510执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备500中的执行过程。
本领域技术人员可以理解，图5仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器520可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器520用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的金相碳化物检测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、手机等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述金相碳化物检测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述金相碳化物检测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种金相碳化物检测方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；
对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；
对多个所述等级判别进行融合，得到碳化物判级。
2.如权利要求1所述的金相碳化物检测方法，其特征在于，所述对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域，具体包括：
对所述待检测图像进行灰度化处理和二值化处理，得到第一图像；
通过高斯滤波对所述第一图像进行平滑和滤波处理，得到第二图像；
基于所述第二图像，计算所述第二图像中碳化物的连通区域；
基于所述第二图像中碳化物的连通区域，得到所述连通区域的边缘；
基于所述连通区域的边缘，得到所述待检测图像的可疑区域。
3.如权利要求1所述的金相碳化物检测方法，其特征在于，所述对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别，具体包括：
对所述待检测图像的可疑区域进行放大，得到可疑区域图像；
通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到第一等级判别；
通过视觉算法对所述可疑区域图像进行碳化物判级，得到第二等级判别；
对多个所述等级判别进行融合，得到碳化物判级，具体包括：
通过D-S理论对第一等级判别和所述第二等级判别进行融合，得到所述碳化物判级。
4.如权利要求3所述的金相碳化物检测方法，其特征在于，所述通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到第一等级判别，具体包括：
基于所述YOLOV8算法中的位置损失函数，计算所述可疑区域图像的位置损失；
基于所述位置损失对所述可疑区域图像进行切割，得到碳化物区域；
基于所述YOLOV8算法中的sigmoid损失函数和所述碳化物区域，计算所述碳化物区域的碳化物类别损失；
基于所述碳化物类别损失，得到所述第一等级判别。
5.如权利要求4所述的金相碳化物检测方法，其特征在于，所述通过D-S理论对第一等级判别和所述第二等级判别进行融合，得到所述碳化物判级，具体包括：
通过YOLOV8算法对所述可疑区域图像进行碳化物判级，得到多个所述第一等级判别；
基于多个所述第一等级判别，得到含有碳化物判级的第一等级判别；
对所述含有碳化物判级的第一等级判别，得到多个碳化物区域；
将属于同一碳化物的多个碳化物区域进行拼接并重新剪切，得到第一检测图像；
通过YOLOV8算法对所述第一检测图像进行碳化物判级，得到第三等级判别；
通过D-S理论对第一等级判别、所述第三等级判别和所述第二等级判别进行融合，得到所述碳化物判级。
6.如权利要求5所述的金相碳化物检测方法，其特征在于，所述通过D-S理论对第一等级判别、所述第三等级判别和所述第二等级判别进行融合，得到所述碳化物判级，具体包括：
判断多个所述第一等级判别和所述第三等级判别中碳化物判级的最高值，将所述碳化物判级的最高值对应的所述第一等级判别或者所述第三等级判别作为神经网络判别；
基于所述D-S理论的Dempster合成规则，对所述神经网络判别和所述第二等级判别进行融合，得到所述碳化物判级。
7.如权利要求3所述的金相碳化物检测方法，其特征在于，所述通过视觉算法对所述可疑区域图像进行碳化物判级，得到第二等级判别，具体包括：
对所述可疑区域图像进行灰度化处理和二值化处理，得到第三图像；
通过所述高斯滤波对所述第三图像进行平滑和滤波处理，得到第四图像；
基于所述第四图像，得到所述可疑区域图像中的碳化物连通区域；
基于所述碳化物连通区域，得到碳化物的密度和碳化物的长度；
基于所述碳化物的密度、所述碳化物的长度和碳化物判级标准，得到所述第二等级判别。
8.一种金相碳化物检测装置，其特征在于，包括：
获取模块，用于获取待检测图像；
滤波模块，对所述待检测图像做平滑和滤波处理，得到待检测图像的可疑区域；
判别模块，用于对所述待检测图像的可疑区域进行碳化物检测，得到多个等级判别；
融合模块，用于对多个所述等级判别进行融合，得到碳化物判级。
9.一种终端设备，包括：处理器和存储器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的金相碳化物检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的金相碳化物检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217797.6A CN117218093A (zh) | 2023-09-20 | 2023-09-20 | 金相碳化物检测方法、装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311217797.6A CN117218093A (zh) | 2023-09-20 | 2023-09-20 | 金相碳化物检测方法、装置及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218093A true CN117218093A (zh) | 2023-12-12 |
Family
ID=89045900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311217797.6A Pending CN117218093A (zh) | 2023-09-20 | 2023-09-20 | 金相碳化物检测方法、装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218093A (zh) |
-
2023
- 2023-09-20 CN CN202311217797.6A patent/CN117218093A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10169861B2 (en) | Image processing apparatus, non-transitory computer readable medium, and image processing method | |
| CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
| WO2012169088A1 (ja) | 画像処理装置、画像処理方法及び画像処理システム | |
| CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
| CN109903282B (zh) | 一种细胞计数方法、***、装置和存储介质 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
| CN112818821B (zh) | 基于可见光和红外光的人脸采集源检测方法和装置 | |
| CN116824516B (zh) | 一种涉路施工安全监测及管理*** | |
| CN111340831A (zh) | 点云边缘检测方法和装置 | |
| CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
| CN112597995B (zh) | 车牌检测模型训练方法、装置、设备及介质 | |
| CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
| CN113780287A (zh) | 一种多深度学习模型的最优选取方法及*** | |
| CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及*** | |
| CN117079286A (zh) | 一种指针仪表的识别方法和识别*** | |
| CN111368823B (zh) | 一种指针式仪表读数识别方法及装置 | |
| CN117218093A (zh) | 金相碳化物检测方法、装置及终端设备 | |
| US10146042B2 (en) | Image processing apparatus, storage medium, and image processing method | |
| CN109214398B (zh) | 一种从连续图像中量测杆***置的方法和*** | |
| CN116259091B (zh) | 一种静默活体检测的方法和装置 | |
| CN110837805B (zh) | 视频标签的置信度的测量方法、装置、设备及存储介质 | |
| CN114092743B (zh) | 敏感图片的合规性检测方法、装置、存储介质及设备 | |
| CN114119506B (zh) | 基于背景信息的图像显著性检测方法 | |
| CN117523636B (zh) | 一种人脸检测方法、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 |