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 PDF

Info

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
deep learning
image
algorithm based
learning network
steel microstructure
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
Application number
CN202310149249.8A
Other languages
English (en)
Inventor
宋月
张彩东
么洪勇
安治国
黄晓红
白丽娟
谷秀锐
邢承亮
刘艳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HBIS Co Ltd
Original Assignee
HBIS Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HBIS Co Ltd filed Critical HBIS Co Ltd
Priority to CN202310149249.8A priority Critical patent/CN116311237A/zh
Publication of CN116311237A publication Critical patent/CN116311237A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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

一种基于深度学习网络的钢铁微观组织识别算法
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。
CN202310149249.8A 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 Pending CN116311237A (zh)

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)

* Cited by examiner, † Cited by third party
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619355A (zh) * 2019-08-28 2019-12-27 武汉科技大学 基于深度学习的钢铁材料微观组织自动识别方法
CN113313004A (zh) * 2021-05-25 2021-08-27 武汉工程大学 一种基于自监督学习的钢材微观组织分割方法
KR20220073287A (ko) * 2020-11-26 2022-06-03 현대제철 주식회사 딥러닝을 이용한 철강 미세 조직 분석 방법 및 시스템
CN114972300A (zh) * 2022-06-17 2022-08-30 鞍钢集团北京研究院有限公司 一种基于计算机视觉和深度学习的材料图像分割识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619355A (zh) * 2019-08-28 2019-12-27 武汉科技大学 基于深度学习的钢铁材料微观组织自动识别方法
KR20220073287A (ko) * 2020-11-26 2022-06-03 현대제철 주식회사 딥러닝을 이용한 철강 미세 조직 분석 방법 및 시스템
CN113313004A (zh) * 2021-05-25 2021-08-27 武汉工程大学 一种基于自监督学习的钢材微观组织分割方法
CN114972300A (zh) * 2022-06-17 2022-08-30 鞍钢集团北京研究院有限公司 一种基于计算机视觉和深度学习的材料图像分割识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何福贵: "《Python深度学习 逻辑、算法与编程实战》", 30 June 2020, 北京：机械工业出版社, pages: 124 - 126 *

Cited By (1)

* Cited by examiner, † Cited by third party
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
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
CN102867299B (zh) 一种基于奇异值分解的图像分析方法及应用于织物瑕疵检测的方法
US20230184703A1 (en) Quantitative statistical characterization method of micron-level second phase in aluminum alloy based on deep learning
Laub et al. Determination of grain size distribution of prior austenite grains through a combination of a modified contrasting method and machine learning
CN116311237A (zh) 一种基于深度学习网络的钢铁微观组织识别算法
Yang et al. Crack identification of automobile steering knuckle fluorescent penetrant inspection based on deep convolutional generative adversarial networks data enhancement
Xie et al. Research on controllable deep learning of multi-channel image coding technology in Ferrographic Image fault classification
Ran et al. Sketch-guided spatial adaptive normalization and high-level feature constraints based GAN image synthesis for steel strip defect detection data augmentation
Wang et al. Prior austenite grain boundary recognition in martensite microstructure based on deep learning: XD Wang et al.
Bueno et al. Microscopic image quality in few-shot GAN-generated cyanobacteria images and its impact on classification networks
CN116228706B (zh) 基于深度学习的细胞自噬免疫荧光图像分析系统和方法
Zhao et al. Artificial intelligence based microcracks research in 3D printing concrete
Zhang et al. A deep learning-based approach for the automatic measurement of laser-cladding coating sizes
CN113313004A (zh) 一种基于自监督学习的钢材微观组织分割方法
Gao et al. Processing of eddy current infrared thermography and magneto-optical imaging for detecting laser welding defects
CN120355714B (zh) 一种采用截点法自动评定金属材料平均晶粒度的方法
Feng et al. Research on the application of deep learning based surface defect detection and treatment method for hot rolled strip steel
Yang et al. Optimizing foreign fiber segmentation performance with DeepLab V3+ and GAN in industrial IoE environments
CN119168865A (zh) 一种基于扩散模型的轻量化扫描电镜图像超分辨率方法
CN108416794A (zh) 一种泡沫镍表面缺陷图像分割方法
CN110044900B (zh) 一种双相复合材料组织结构的表征方法
Ibrahim et al. Automated segmentation and quantification of retained austenite in AISI 4140 using image processing techniques
Li et al. MAM‐UNet: A multiple attention mechanism UNet for the eutectic segmentation of superalloys
CN113822857A (zh) 高镍铬铸铁轧辊的碳化物含量统计方法、存储介质及系统
CN112862763A (zh) 基于深度学习的高钢级厚壁管件热处理状态检测系统及方法

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