本发明专利技术提供一种用于分割钢微观组织相的装置和方法。该装置包括：存储装置，被配置为存储机器学习算法；以及处理装置，利用机器学习算法来分割微观组织相。处理装置被配置为接收标签数据，通过利用标签数据作为机器学习模型的学习数据来学习机器学习模型，并且通过利用学习的机器学习模型来分割钢微观组织图像的相。相。相。
【技术实现步骤摘要】
用于分割钢微观组织相的装置和方法
[0001]相关申请的交叉引用
[0002]本申请要求于2020年6月30日提交的申请号为10
‑
2020
‑
0080423的韩国专利申请的优先权，该韩国专利申请的全部内容为了所有目的通过该引用并入本文。
[0003]本专利技术涉及一种用于分割(segment)钢微观组织相的装置和方法。
技术介绍
[0004]为了降低通过热冲压方法制造的组件的成本负担，第三代钢的应用呈增长趋势。第三代钢利用相变诱导塑性(TRIP)现象来克服作为现有钢的缺点的低可成型性。为了利用TRIP现象，钢具有包括铁素体、贝氏体、马氏体和奥氏体的多相微观组织。由于材料的微观组织与可成型性和碰撞性能密切相关，因此需要精确地分割相并定量分析相。
[0005]因此，现有技术使用电子背散射衍射(Electron Back Scatter Diffraction，EBSD)相分割技术。这种相分割技术生成EBSD测量区域的特定数据作为直方图和一维光谱数据，并分割每个相的区间。诸如EBSD的判别相分割方法在多种多相钢，特别是第三代超高张力钢(Advanced High Strength Steel，AHSS)的相定量分析中表现出优异的效率，但具有以下两个问题。首先，用户必须从微观组织图像和分布图直接判断相判别(phase discriminant)的参考值，其次，所提供的相判别没有足够的相对比。
[0006]包括在本专利技术的该
技术介绍
部分中的信息仅用于增强对本专利技术的一般背景的理解，并且不能被视为对该信息构成本领域技术人员已知的现有技术的承认或任何形式的暗示。
技术实现思路
[0007]本专利技术的各个方面旨在提供一种用于分割钢微观组织相的装置和方法，利用机器学习来分割钢微观组织相。
[0008]本专利技术构思要解决的技术问题不限于上述问题，并且本专利技术的各个示例性实施例所属领域的技术人员将从以下描述中清楚地理解本文中未提及的任何其它技术问题。
[0009]根据本专利技术的各个方面，一种用于分割钢微观组织相的装置可以包括：存储装置，被配置为存储机器学习算法；以及处理装置，利用机器学习算法来分割微观组织相。处理装置可以接收标签数据，可以通过利用标签数据作为机器学习模型的学习数据来学习机器学习模型，并且可以通过利用学习的机器学习模型来分割钢微观组织图像的相。
[0010]标签数据可以是通过判别相分割算法分割的每个相的单独晶粒图像。
[0011]判别相分割算法可以执行图像质量(IQ)和核平均取向差(Kernel Average Misorientation，KAM)的卷积计算。
[0012]标签数据可以包括关于待分割的晶粒的信息和晶粒的周围信息。
[0013]可以遮蔽晶粒的周围信息以与关于晶粒的信息区分。
[0014]可以归一化标签数据的IQ值以消除相阴影差异。
[0015]处理装置可以随机执行标签数据的左右和上下反转(reverse and inverse reflection)并可以将反转的数据用作学习数据。
[0016]处理装置可以以预定角度旋转标签数据并可以将旋转的标签数据用作学习数据。
[0017]根据本专利技术的各个方面，一种用于分割钢微观组织相的方法可以包括：获取标签数据；通过利用标签数据作为学习数据来学习机器学习模型；以及利用学习的机器学习模型来分割钢微观组织图像的相。
[0018]获取标签数据可以包括：获取利用判别相分割算法分割的每个相的单独晶粒图像。
[0019]单独晶粒图像可以包括关于待分割的晶粒的信息和晶粒的周围信息。
[0020]获取标签数据可以进一步包括：遮蔽晶粒的周围信息以与关于晶粒的信息区分。
[0021]获取标签数据可以进一步包括：归一化标签数据的IQ值以消除相阴影差异。
[0022]获取标签数据可以进一步包括：随机执行标签数据的左右和上下反转，并且将反转的数据添加为学习数据。
[0023]获取标签数据可以进一步包括：以任意角度旋转标签数据，并且将旋转的标签数据添加为学习数据。
[0024]本专利技术的方法和装置具有其它特征和优点，这些特征和优点将从一起用于解释本专利技术的某些原理的并入本文中的附图以及下面的具体实施方式中显而易见或在附图和具体实施方式中更详细地阐述。
附图说明
[0025]图1是示出根据本专利技术的各个示例性实施例的用于分割钢微观组织相的装置的配置的框图；
[0026]图2、图3和图4是示出根据本专利技术的各个示例性实施例的利用判别相分割算法的标签数据提取的示图；
[0027]图5是示出根据本专利技术的各个示例性实施例的用于分割钢微观组织相的方法的流程图；
[0028]图6是示出根据本专利技术的各个示例性实施例的每个相的标签数据的示图；以及
[0029]图7是示出根据本专利技术的各个示例性实施例的用于执行用于分割钢微观组织相的方法的计算系统的框图。
[0030]可以理解的是，附图不一定按比例绘制，呈现了示出本专利技术的基本原理的各种特征的稍微简化的表示。如本文所包括的包括例如特定尺寸、方向、位置和形状的本专利技术的特定设计特征将部分地由特别预期的应用和使用环境来确定。
[0031]在附图中，贯穿附图中的几个图，附图标记指代本专利技术的相同或等同部分。
[0032]附图标记说明
[0033]100：装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
110：通信装置
[0034]120：输入装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
130：输出装置
[0035]140：存储装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
150：处理装置
[0036]1000：计算系统
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
1100：处理器
[0037]1200：总线
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
1300：存储器
[0038]1400：用户界面输入装置
ꢀꢀꢀꢀꢀꢀꢀ
1500：用户界面输出装置
[0039]1600：存储装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
1700：网络接口
具体实施方式
[0040]现在将详细参考本专利技术的各个实施例，实施例的示例在附图中示出并且在下面进行描述。尽管将结合本专利技术的示例性实施例描述本专利技术，但是将理解的是，本说明书并不旨在将本专利技术限制于那些示例性实施例。相反，本专利技术旨在不仅涵盖本专利技术的示例性实施例，而且涵盖如所附权利要求书所限定的本专利技术的思想和范围内可以包括的各种替代形式、修改形式、等同形式和其它实施例。
[0041]在下文中，将参照示例性附图详细描述本专利技术的各个示例性实施例。在将附图标记添加到每个附图的组件时，应注意的是，即使相同或等同的组件显示在其它附图上，也由相同的附图标记表示。此外，在描述本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于分割钢微观组织相的装置，所述装置包括：存储装置，存储机器学习算法；以及处理装置，通过利用所述机器学习算法来分割所述钢微观组织相，其中所述处理装置接收标签数据，通过利用所述标签数据作为机器学习模型的学习数据来学习所述机器学习模型，并且通过利用学习的所述机器学习模型来分割钢微观组织图像的相。2.根据权利要求1所述的装置，其中，所述标签数据是通过判别相分割算法分割的每个相的单独晶粒图像。3.根据权利要求2所述的装置，其中，所述判别相分割算法执行图像质量即IQ和核平均取向差即KAM的卷积计算。4.根据权利要求2所述的装置，其中，所述标签数据包括关于待分割的晶粒的信息和所述晶粒的周围信息。5.根据权利要求4所述的装置，其中，通过所述处理装置遮蔽所述晶粒的周围信息以将关于所述晶粒的信息与所述晶粒的周围信息区分。6.根据权利要求2所述的装置，其中，归一化所述标签数据的图像质量值即IQ值以消除相阴影差异。7.根据权利要求2所述的装置，其中，所述处理装置随机执行所述标签数据的左右和上下反转并将左右和上下反转的所述标签数据用作所述学习数据。8.根据权利要求7所述的装置，其中，所述处理装置以0
°
至360
°
之间的预定角度旋转所述标签数据并将旋转的所述标签数据用作所述学习数据。9.根据权利要求1所述的装置，其中，学习所述机器学习模型包括：通过利用所述学习数据中的预定量数据来执行所述机器学习模型的初次学习；以及当所述初次学习完成时，通过利用所述学习数据中除了用于所述初次学习的所述预定量数据以外的其余数据来执行所述机器学习模型的二次学习以优化所述机器学习模型。10.一种用于分割钢微观组织相的方法，所述方法包括：通过处理装置，获取标签数据；通过所述处理装置，通过利用所述标签数据作为机器学习模型的学习数...
【专利技术属性】
技术研发人员：姜敏宇，权纯佑，李忠谚，金贤基，洪承贤，姜铨演，
申请(专利权)人：起亚株式会社，
类型：发明
国别省市：
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。