一种金属材料中γ′相微观组织全视场定量统计分布表征方法技术

本发明专利技术公开了一种金属材料中γ'相微观组织全视场定量统计分布表征方法，该方法包括：步骤a：通过Labelme对γ'相、云状干扰、γ基体进行标记，制作标准特征训练样本；步骤b，利用BD U‑Net建立基于深度学习的特征识别提取模型；步骤c，采集待测金属材料中的γ'特征图谱；步骤d，γ'相的自动识别提取；步骤e，大范围全视场γ'的原位定量统计分布表征。本发明专利技术提供的金属材料中γ'相微观组织全视场定量统计分布表征方法，基于深度学习理论，实现金属材料中γ'相特征的自动、高速、高质量的识别提取，并实现该特征的全视场原位定量统计分布表征。

【技术实现步骤摘要】
一种金属材料中γ'相微观组织全视场定量统计分布表征方法
本专利技术涉及金属材料中γ'检测识别
，特别是涉及一种金属材料中γ'相微观组织全视场定量统计分布表征方法。
技术介绍
金属材料中以非连续状态分布于基体中且在其中不可能包围有其他相的相，统称为析出相，它与基体组织有着明显的界面，在钢中具有十分重要的作用，对钢的强度、韧性、塑性、深冲性、疲劳、磨损、断裂、腐蚀以及许多重要的物理和化学性能均具有重要的影响。比如沉淀硬化型镍基高温合金两个基本组成相为γ和γ'，γ'相是其最重要的析出相，其中单晶镍基高温合金中的γ'相是以类方块状形态存在，γ'相颗粒的面积分数、分布、尺寸、和形貌是影响合金力学性能尤其是高温性能的关键因素。因此金属材料中γ'相的统计定量分布分析对于金属材料的研究具有重要意义。目前，γ'相的特征图谱主要是通过SEM高倍下获取，γ'相的形貌、面积分数、分布、尺寸等信息的统计主要是通过Image-proPlus、Photoshop等图像处理软件来进行的，通过相关算法对其特征图谱进行解析从而获得其颗粒的大小尺寸并计算面积分本文档来自技高网...

【技术保护点】
1.一种金属材料中γ'相微观组织全视场定量统计分布表征方法，其特征在于，包括以下步骤：/n将与待测金属材料材质相同的标准金属材料试样进行金相制样、抛光和化学腐蚀，采用扫描电镜在高倍下对经过处理的标准金属材料试样进行随机采样拍摄，建立γ'相特征图谱数据集；通过Labelme对γ'相、云状干扰、γ基体进行标记，制作标准特征训练样本；/n优化基于深度学习的图像分割网络U-Net，建立特征识别提取网络BD U-Net，对标准特征训练样本进行数据增广处理，将增广后的数据分为训练集和验证集，用训练集进行训练，以验证集的MPA为终止训练的判断条件，训练终止后保存参数，将训练完成的网络保存为最终的特征识别提取...

【技术特征摘要】
1.一种金属材料中γ'相微观组织全视场定量统计分布表征方法，其特征在于，包括以下步骤：
将与待测金属材料材质相同的标准金属材料试样进行金相制样、抛光和化学腐蚀，采用扫描电镜在高倍下对经过处理的标准金属材料试样进行随机采样拍摄，建立γ'相特征图谱数据集；通过Labelme对γ'相、云状干扰、γ基体进行标记，制作标准特征训练样本；
优化基于深度学习的图像分割网络U-Net，建立特征识别提取网络BDU-Net，对标准特征训练样本进行数据增广处理，将增广后的数据分为训练集和验证集，用训练集进行训练，以验证集的MPA为终止训练的判断条件，训练终止后保存参数，将训练完成的网络保存为最终的特征识别提取模型；
c）对待测金属材料进行金相制样、抛光和化学腐蚀处理，通过Navigator-OPA高通量扫描电镜对处理后的待测金属材料表面进行大尺寸全视场γ'相特征图谱自动采集；
d）将步骤c中获得γ'相特征图谱输入到步骤b建立的特征识别提取模型中，即可得到在原位置标记了γ'相的二值图像；
e）通过连通区域算法处理步骤d中获得的二值图像，获取每个γ'相的尺寸、面积、位置信息，对统计结果进行挖掘，选取适当的区域作为计算单元，计算不同尺寸的γ'相在每个计算单元上的面积分数，研究不同尺寸的γ'相在全视场中的分布情况。


2.根据权利要求1所述的金属材料中γ'相微观组织全视场定量统计分布表征方法，其特征在于，所述步骤c中，自动采集的γ'相特征图谱数量10000张以上。


3.根据权利要求1所述的金属材料中γ'相微观组织全视场定量统计分布表征方法，其特征在于，所述步骤b中，所述特征识别...

【专利技术属性】
技术研发人员：万卫浩，李冬玲，王海舟，赵雷，沈学静，贾云海，韩冰，李杰，卢毓华，
申请(专利权)人：钢铁研究总院，
类型：发明
国别省市：北京;11