一种金属失效类型自动化判断方法技术

技术编号:17780424 阅读:24 留言:0更新日期:2018-04-22 09:18
本发明专利技术公开了一种金属失效类型自动化判断方法,包括以下步骤:准备电镜图像训练集合;训练特征提取器;输入新的待分类电镜图像;得到失效类型分类结果,本发明专利技术致力于解决上述缺点,通过对金属断口电镜图像进行一系列的自动分析流程,自动判断金属失效类型,将显著提高分析效率,提升客观性与准确性。

【技术实现步骤摘要】
一种金属失效类型自动化判断方法
本专利技术涉及金属失效类型判断
,具体而言,涉及一种金属失效类型自动化判断方法。
技术介绍
金属材料广泛应用与工业生产中,金属失效是指因内在或外在的原因,导致金属材料断裂、爆破等损坏,可发生于工业生产中的各个领域,包括各类化工设备、压力容器、机械加工设备、冶炼装置、交通设备等。一旦发生金属材料的失效,往往就会带来各类生产事故,严重会造成巨大的人员伤害和财产损失。金属失效分析是指在金属材料失效(如断裂、爆破等)发生后,通过相应的分析,判断金属失效的类型、原因、过程,总而还原事故原因,指导采取相应措施,预防失效再次发生。对金属断口电镜图像的分析,是判断金属失效类型的重要手段,但金属断口电镜图像从总体上可分为韧窝形貌、沿晶形貌、解理形貌、准解理形貌、疲劳形貌等。细节上需要分析其是否有存在碳化物、是否有发纹特征、是否有沿晶韧窝、是否有腐蚀坑、晶粒是否光滑等诸多细节指标,目前完全依靠人工分析存在以下缺点:(1)依赖于专业人员,普通工作人员无法对复杂的断口电镜图像进行分析;(2)依赖于人员主观认识,不同的人员针对同一断口电镜图像得出不同的判断,缺乏客观性;(3)人工分析效率低,人的工作效率与工作时间受自身限制。
技术实现思路
针对上述现有技术中存在的问题,本专利技术提供一种金属失效类型自动化判断方法。该方法通过对金属断口电镜图像进行一系列的自动分析流程,找出其隐含的特征点,最终实现对金属失效类型的自动化判断,代替了原有人工操作,具有判据客观、效率高、无需专业人员参与等优点。为实现上述目的,本专利技术提供如下技术方案:一种金属失效类型自动化判断方法,包括以下步骤:S1:图像特征包括总体特征或微观特征,针对每一种图像特征,分别准备多张断口电镜图像集合,并将其作为训练集合,集合中的每张图片标记为Xi,每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti,其中,Fi为1x10的向量,向量中每一个元素对应于一个图像特征,元素取0代表无此图像特征,1代表存在该图像特征,如下所示:Ti为一个整数,取值为1~12,代表待判定的12种失效类型;S2:选取训练集合中的1个断口电镜图像x,将x输入到特征提取器中,利用图像x的特征向量训练特征提取器参数;S3:若训练集合图像均已输入到特征提取器中,则进行S4;否则,转到S2选取训练集合中1个新的断口电镜图像,并且与原有已参与训练的电镜图像共同执行S2;S4:特征提取器训练完成后,输入任意一个新的金属断口电镜图像,输出其对应的特征向量f’;S5:将S4输出的特征向量f’输入断口失效类型决策树,得到断口失效类型t。优选地,训练特征提取器参数包括以下步骤:(1)特征提取器基于卷积神经网络结构,包括3个卷积层、3个池化层和3个全连接层;(2)该特征提取器卷积层中的核、全连接层的权重全部初始化为随机数;(3)该特征提取器得出电镜图像x对应的特征向量fx;因其所有核、权重均为初始值,所以fx与人工标记的Fx特征向量存在差值e:其中Fi为原有人工标定特征向量的第i个元素,fi是特征提取器输出的特征向量的第i个元素;(4)根据差值e,使用BP算法调整各个核、权重的值,使差值e小于阈值;(5)计算所有图像的特征向量平均误差E,其中N为训练样本的总数;若E的误差可以接受,则训练完成;否则,回到S1增加训练样本。优选地,S2中将电镜图像x输入特征提取器之前,还进行预处理步骤,预处理包括光照补偿和中值滤波去噪。优选地,所述训练集合中断口电镜图像不少于150张。优选地,所述训练集合中断口电镜图像分辨率为256*256。本申请的关键点在于:(1)提出一种基于电镜图像实现金属失效类型分类的思路。(2)在训练特征分类器时,采用图像累加输入训练的方式。(3)将图像特征分为总体特征和微观特征两种,并分别进行识别。(4)通过决策树实现图像特征到失效类型的关联,速度快,易于理解。本专利技术的有益效果如下:(1)目前电镜图像的分析由人工进行,主观性强、效率低、需要专业人员参与。通过该方法可以将该部分自动化,效率高,更加客观。(2)失效类型的确定可以是失效分析的基础部分,目前需要多维度分析才能确定。通过该方法可以基于电镜图像确定失效类型,具有简单直接、易于理解、可参考性强等特点。附图说明图1为本专利技术的特征提取器训练和失效类型判断总体流程图;图2为本专利技术的特征提取器训练流程图;图3为本专利技术的失效类型判断流程图。具体实施方式为了使本领域的人员更好地理解本专利技术的技术方案,下面结合本专利技术的附图,对本专利技术的技术方案进行清楚、完整的描述,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例,都应当属于本申请保护的范围。实施例一:一种金属失效类型自动化判断方法,包括以下步骤:S1:图像特征包括总体特征或微观特征,针对每一种图像特征,分别准备不少于150张断口电镜图像集合,并将其作为训练集合,所述训练集合中断口电镜图像分辨率为256*256,256级灰度图像,集合中的每张图片标记为Xi(i=1,2,3...150),每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti,其中,Fi为1x10的向量,向量中每一个元素对应于一个图像特征,元素取0代表无此图像特征,1代表存在该图像特征,如下所示:Ti为一个整数,取值为1~12,代表待判定的12种失效类型;S2:选取训练集合中的1个断口电镜图像x,对其进行预处理步骤,预处理包括光照补偿和中值滤波去噪,然后将x输入到特征提取器中,利用图像x的特征向量训练特征提取器参数;S3:若训练集合图像均已输入到特征提取器中,则进行S4;否则,转到S2选取训练集合中1个新的断口电镜图像,并且与原有已参与训练的电镜图像共同执行S2;S4:特征提取器训练完成后,输入任意一个新的金属断口电镜图像,输出其对应的特征向量f’;S5:将S4输出的特征向量f’输入断口失效类型决策树,得到断口失效类型t。此处断口失效类型决策树为:(1)该决策树接收一个特征向量f’。(2)该决策树由先验知识人工创建,通过对上述特征的判断步骤,构建树形结构。(3)该决策树最终输出失效类型t,t为1~12的整数,对应既定的12类失效类型。训练特征提取器参数包括以下步骤:(1)特征提取器基于卷积神经网络结构,包括3个卷积层、3个池化层和3个全连接层;(2)该特征提取器卷积层中的核、全连接层的权重全部初始化为随机数;本实施例中3个卷积核数分别为6,6,8;3个池化层的核大小分别是2,2,2;(3)该特征提取器得出电镜图像x对应的特征向量fx;因其所有核、权重均为初始值,所以fx与人工标记的Fx特征向量存在差值e:其中Fi为原有人工标定特征向量的第i个元素,fi是特征提取器输出的特征向量的第i个元素;(4)根据差值e,使用BP算法调整各个核、权重的值,使差值e小于阈值。(5)计算所有图像的特征向量平均误差E,其中N为训练样本的总数;若E的误差可以接受,则训练完成;否则,回到S1增加训练样本。使用该方法的判断准确率可达96%以上。此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术本文档来自技高网...
一种金属失效类型自动化判断方法

【技术保护点】
一种金属失效类型自动化判断方法,其特征在于,包括以下步骤:S1:图像特征包括总体特征或微观特征,针对每一种图像特征,分别准备多张断口电镜图像集合,并将其作为训练集合,集合中的每张图片标记为Xi,每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti,其中,Fi为1x10的向量,向量中每一个元素对应于一个图像特征,元素取0代表无此图像特征,1代表存在该图像特征,如下所示:

【技术特征摘要】
1.一种金属失效类型自动化判断方法,其特征在于,包括以下步骤:S1:图像特征包括总体特征或微观特征,针对每一种图像特征,分别准备多张断口电镜图像集合,并将其作为训练集合,集合中的每张图片标记为Xi,每张图片对应一个已人工标记的特征向量Fi以及人工标记的失效类型Ti,其中,Fi为1x10的向量,向量中每一个元素对应于一个图像特征,元素取0代表无此图像特征,1代表存在该图像特征,如下所示:Ti为一个整数,取值为1~12,代表待判定的12种失效类型;S2:选取训练集合中的1个断口电镜图像x,将x输入到特征提取器中,利用图像x的特征向量训练特征提取器参数;S3:若训练集合图像均已输入到特征提取器中,则进行S4;否则,转到S2选取训练集合中1个新的断口电镜图像,并且与原有已参与训练的电镜图像共同执行S2;S4:特征提取器训练完成后,输入任意一个新的金属断口电镜图像,输出其对应的特征向量f’;S5:将S4输出的特征向量f’输入断口失效类型决策树,得到断口失效类型t。2.根据权利要求1所述的金属失效类型自动化判断方法,其特征在于,训练特征提取器参数包括以下步骤:(1)特征提取器基于卷积神经...

【专利技术属性】
技术研发人员:孙振李庆党吴俊飞
申请(专利权)人:青岛科技大学
类型:发明
国别省市:山东,37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1