【技术实现步骤摘要】
一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法
[0001]本专利技术属于计算机图像处理
，具体涉及一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法。
技术介绍
[0002]钢中非金属夹杂物是指钢在冶炼过程中少量炉渣、耐火材料、脱氧反应产物所形成的氧化物、硅酸盐和钢在凝固过程中由于某些元素（如硫、氮）溶解度下降而形成的硫化物、氮化物等，这些化合物来不及排出而留在钢中成为夹杂物。一般来说，夹杂物对钢的性能是有害的。夹杂物作为独立相存在于钢中，破坏了钢基体的连续性，加大了钢中组织的不均匀性，降低了钢的力学性能，尤其降低塑性、韧性和疲劳寿命，继而引发钢铁产品质量及性能的严重下降及服役性能的急剧恶化。因此，非金属夹杂物是衡量钢质量的重要指标,对于高品质特殊钢，非金属夹杂物更是被列为必检项目之一，其类型、数量、形状、尺寸、分布等诸多因素都对钢性能产生影响。
[0003]非金属夹杂物按形态与分布可分为4类：A硫化物类（具有高的延展性，较宽的形态比，单个的，灰色的，两端是圆角）；B氧化铝类（大多是没有变形的、带...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法，其特征在于包括如下步骤：步骤1、获取金相显微镜下的金属切片图像集，并对图像集标定非金属夹杂物的类别、边界及级别，分别获得类别标记、边界标记，组成边界提取数据集；步骤2、针对步骤1中的边界提取数据集，构造面向单个夹杂物的边界提取数据集，其中X'为夹杂物图像集，夹杂物图像集X'中的每张图像仅包含单个夹杂物，Y
c
' ，Y
s
'分别对应各图像中夹杂物类别标记和夹杂物边界标记；步骤3、对步骤2夹杂物的边界提取数据集D'中的夹杂物图像集X'，为其构造能包围夹杂物边界的最小矩形检测目标框标记Y
b
'，与夹杂物类别标记Y
c
'一起，构造非金属夹杂物目标检测数据集；步骤4、使用Pytorch深度学习框架，搭建边界提取网络h1和目标检测网络h2；步骤5、使用夹杂物的边界提取数据集，对边界提取网络h1进行训练获得训练好的边界提取模型h1；步骤6、使用非金属夹杂物目标检测数据集，对目标检测网络h2进行训练，获得训练好的目标检测模型h2；步骤7、边界提取模型h1和目标检测模型h2训练完成之后，执行测试任务，以测试金属切片图像为输入，使用目标检测模型h2，获得测试图像中非金属夹杂物的目标检测框集合；步骤8、以步骤7输出的目标检测框集合对应的非金属夹杂物子图作为输入，使用训练好的边界提取模型h1，获得夹杂物的边界预测和类别预测；步骤9、针对步骤8预测出来的夹杂物的边界预测，进行长度、宽度计算，根据非金属夹杂物检测标准中夹杂物长宽对应的级别划分，获得非金属夹杂物的评级预测。2.根据权利要求1所述的一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法，其特征在于，所述步骤1包括如下步骤：步骤1.1、制备钢铁材料晶粒度试样，并对制备试样进行显微图像采集；步骤1.2、对晶粒显微图片进行包括滤波降噪、图像增强、划痕修复、孪晶界消除的预处理，得到处理后质量较高的金属切片图像集；步骤1.3、将图像集分发给人工专家，依据现行有效的非金属夹杂物检测标准GB/T 10561，使用标定辅助软件LabelMe，获得图像集的类别标记集、边界标记集，组成边界提取数据集。3.根据权利要求2所述的一种基于深度学习的钢中非金属夹杂物的智能识别和评级方
法，其特征在于，所述步骤1.3中，按形态与分布，夹杂物被分为4个不同的类别：A硫化物类；B氧化铝类；C硅酸盐类；D球状氧化物。4.根据权利要求1所述的一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法，其特征在于，所述步骤2包括如下步骤：步骤2.1、对步骤1中数据集的每张切片图像，以其中每个夹杂物为中心，剪切以该夹杂物为中心，长宽为固定尺寸，且包围该夹杂物边界的子图；步骤2.2、以步骤1中所有切片图像的所有夹杂物子图集合作为图像集X'，构造面向单个夹杂物的边界提取数据集，其中Y
c
' ，Y
s
'分别对应夹杂物图像集X'的夹杂物类别标记和夹杂物边界标记。5.根据权利要求1所述的一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法，其特征在于，所述步骤4具体实现步骤为：步骤4.1、边界提取网络h1为DeepLabV3+语义分割网络，其采用编码器
‑
解码器结构，编码器对输入图像进行目标边缘信息提取，其包括深度卷积神经网络进行特征提取和空洞金字塔池化进行多尺度信息捕捉两部分；解码器对特征信息进行恢复，然后输出图像类别标记和图像内夹杂物边界标记预测；步骤4.2...
【专利技术属性】
技术研发人员：朱晓林，姚正军，丛伟，姚强，李绍园，张平则，
申请(专利权)人：江苏省产品质量监督检验研究院，
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。