一种渗碳淬火钢磨削表层组织与烧伤智能识别方法技术

本发明专利技术提出的一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，属于金相组织的检测技术领域，该方法包括：采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理；提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织；培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息；利用上述训练好的神经网络模型对待检测样本进行识别；该方法具备光照不敏感、图像旋转不变性等优点，操作简单，可减轻对人员的主观分析水准的依赖，为智能化快速识别与评价渗碳钢磨削表层组织与烧伤程度提供可靠的方法。

【技术实现步骤摘要】
一种渗碳淬火钢磨削表层组织与烧伤智能识别方法
本专利技术属于材料组织结构检测
，具体涉及一种采用二值图像处理技术，开展渗碳淬火钢磨削表层金相组织状态识别与磨削烧伤程度评价的智能识别方法。
技术介绍
20CrMnTi、22CrMnMo、8620H、20Cr等渗碳淬火钢材料有较好的力学性能，被广泛应用在齿轮、轴类、柱塞等零部件。由于渗碳淬火钢表层材料在磨削过程中受到瞬时高温快冷作用，金相组织发生了局部的不可逆变化，通常可分为回火烧伤和淬火烧伤。磨削表层组织状态是影响磨削裂纹和表层显微硬度的主要因素。目前，对渗碳淬火钢磨削表层金相组织的研究手段主要依赖人工使用金相显微镜进行观察与主观判断，需要较强的专业知识和技能以及经验。近些年，计算机图像处理和神经网络技术发展迅速，被普遍应用于医学、通信、材料、机械等多个领域。图像特征主要包括形状特征、颜色特征、纹理特征、空间关系特征等，可在众多特征信息中寻找不同图像之间的差异性与相似性，典型应用事例有指纹识别、医学影片诊断、表面粗糙度评价等。人工神经网络种类繁多，包括感知神经网络、线性神经网络、径向基函数神经网络、自组织竞争神经网络、反馈神经网络等。神经网络有自组织、自学习等能力，可以自适应的调整网络内部节点的权值与阈值，从而找出培训样本的输入与输出之间的规律与关系，适用于对待识样本的预测与分类，典型应用事例有语言特征识别、非线性函数拟合、乳腺肿瘤诊断、数字识别、人脸朝向识别、短时交通量预测、高校科研能力评价等。随着计算机图形分析技术、数理统计与概率分布、人工神经网络等的迅速发展，以后被应用到材料微观组织研究领域将成为趋势。为了研究金相组织与工艺参数、力学性能之间的相关性，有必要将金相组织的形态进行定量描述，可利用边缘检测与提取、图像分割等技术对金相组织中某一组织形态进行轮廓自动提取与计算分析。金相显微组织的智能识别与分析应在定性识别不同金相组织类型的的基础上，再对其形态、大小、数量进行定量分析。目前，针对不同的工件材料提取有价值的多类型特征信息时，可实用的特征参数选取存在差异性，且特征提取算法也不同。不同类型金相组织的分布形态、大小、数量均有差异，且经硝酸酒精等不同溶液清洗后，酸蚀着色等状况也不同，从而使观察到的金相组织的图像特征信息存在差异。图像特征参数种类较多，特征提取方式及特征参数类型选取的差异，均会影响到磨削表层金相组织状态识别的准确性，致使应选取的有效特征参数存在差异。且即使采取同组类型的特征参数去表征，不同材料的特征值分布区域也会有差异。
技术实现思路
本专利技术的目的是针对渗碳淬火钢磨削表层组织在磨削力和磨削热综合作用下而变更形态后识别困难的问题，提出一种渗碳淬火钢磨削表层组织状态与烧伤智能化快速识别方法。该方法利用不同金相组织类型、成分占比及形态对二值图像的分形维数、像素平均值、欧拉数、对比度、能量指标的影响规律，将图像特征分析和人工神经网络两种方法融合，可以对渗碳淬火钢磨削表层金相组织和磨削烧伤程度开展有效的定性与定量分析。本专利技术提出的一种渗碳淬火钢磨削表层组织状态与烧伤智能化快速识别方法，实现过程示意图如附图1所示，其特征在于：该方法包括以下步骤：1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：将渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用金相显微镜采集不同的试件磨削表层的金相组织图，且将图像进行二值化处理得到二值图像；2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织：将步骤2)提取的二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述5项特征值的影响规律，培训用于第一级分类的神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层磨削烧伤程度及金相组织进行第一级定性分类识别；4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息：在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训用于第二级分类的第一神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响规律，培训用于第二级分类的第二神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层未烧伤组织的形态、粒度大小、成分占比进行第二级定性分类识别；5)利用上述训练好的神经网络模型对待检测样本进行识别：使用金相显微镜随机采集1次经4％硝酸酒精浸蚀的渗碳淬火钢磨削表层的金相组织图，且将其转换为二值图像；重复步骤2)；将提取的待检测样本的5项特征值数据输入经步骤3)培训好的用于第一级分类的神经网络模型中，输出第一级分类的测试结果；根据第一级分类的测试结果，将提取的待检测样本二值图像的像素平均值、对比度、能量共3项特征值数据或者分形维数、像素平均值、欧拉数、对比度共4项特征输入经步骤4)培训好的用于第二级分类的神经网络模型中，输出第二级分类的测试结果。本专利技术具有如下的特点及有益效果：该方法利用不同金相组织成分、占比及形态对分形维数、像素平均值、欧拉数、对比度、能量指标的影响规律，实现对不同磨削烧伤程度条件下渗碳淬火钢磨削表层金相组织有效开展定性、定量分析，可以对渗碳淬火钢磨削表层组织状态进行智能识别与磨削烧伤程度判定。该方法具有光照不敏感、图像旋转不变性等众多优势，操作方式简单，易于编程实现，可减轻对人员的主观性分析的依赖，为更智能、更科学客观的识别与评价渗碳钢磨削表层组织状态与烧伤程度提供可靠的方法。附图说明图1为本专利技术方法的整个操作过程流程图；图2为不同金相组织形式的分形维数分布状况；图3为不同金相组织形式的欧拉数分布状况；图4为不同金相组织形式的像素平均值分布状况；图5为不同金相组织形式的对比度分布状况；图6为不同金相组织形式的能量分布状况。具体实施方式下面通过具体的实施例及附图，对本专利技术的技术方案作进一步的详细说明。本专利技术处理的渗碳淬火钢是指由20CrMnTi、8620H、22CrMnMo、20Cr中任意一种构成的低碳合金钢，渗碳淬火钢试件磨削表层的金相组织图像通过金相显微镜应以400～1000倍率采集。现以20CrMnTi渗碳淬火钢试件磨削表层组织状态识别和烧伤判定为例，将采集的金相组织图二值化，提取二值图像的盒维数、欧拉数、像素平均值、对比度、能量共5项特征值进行分析。整个实施过程示意图如图1所示，具体包括以下步骤：1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：将20CrMnTi渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用O本文档来自技高网...

【技术保护点】
一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，该方法具体包括以下步骤：1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：将渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用金相显微镜采集不同的试件磨削表层的金相组织图，且将图像进行二值化处理得到二值图像；2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织：将步骤2)提取的二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述5项特征值的影响规律，培训用于第一级分类的神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层磨削烧伤程度及金相组织进行第一级定性分类识别；4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息：在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训用于第二级分类的第一神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响规律，培训用于第二级分类的第二神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层未烧伤组织的形态、粒度大小、成分占比进行第二级定性分类识别；5)利用上述训练好的神经网络模型对待检测样本进行识别：使用金相显微镜随机采集1次经4％硝酸酒精浸蚀的渗碳淬火钢磨削表层的金相组织图，且将其转换为二值图像；重复步骤2)；将提取的待检测样本的5项特征值数据输入经步骤3)培训好的用于第一级分类的神经网络模型中，输出第一级分类的测试结果；根据第一级分类的测试结果，将提取的待检测样本二值图像的像素平均值、对比度、能量共3项特征值数据或者分形维数、像素平均值、欧拉数、对比度共4项特征输入经步骤4)培训好的用于第二级分类的神经网络模型中，输出第二级分类的测试结果。...

【技术特征摘要】
1.一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，该方法具体包括以下步骤：1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：将渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用金相显微镜采集不同的试件磨削表层的金相组织图，且将图像进行二值化处理得到二值图像；2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织：将步骤2)提取的二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述5项特征值的影响规律，培训用于第一级分类的神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层磨削烧伤程度及金相组织进行第一级定性分类识别；4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息：在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训用于第二级分类的第一神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响...

【专利技术属性】
技术研发人员：田欣利，王龙，吴志远，唐修检，杨理钧，谭俊，张平，雷蕾，杨绪啟，雷冠雄，
申请(专利权)人：田欣利，王龙，
类型：发明
国别省市：北京,11