一种高碳钢线材索氏体化率测定方法技术

本发明专利技术涉及一种高碳钢线材索氏体化率测定方法，属于金相测定方法技术领域。本发明专利技术的技术方案是：首先选择具有代表性的高碳钢线材试样进行样品制备，利用蔡司级显微镜拍摄500倍视场下的金相照片；然后通过人工对索氏体组织进行精确标注，并通过裁剪主体特征的方式进行数据扩充，最终形成训练集；将训练集图像输入U

【技术实现步骤摘要】
一种高碳钢线材索氏体化率测定方法


[0001]本专利技术涉及一种高碳钢线材索氏体化率测定方法，属于金相测定方法


技术介绍

[0002]高碳钢线材主要用于加工桥梁钢丝、钢绞线、钢帘线、轮胎钢丝等产品，产品质量的检验除了常规的力学性能之外，索氏体化率是高碳钢线材的重要质量指标，索氏体具有非常好的强度和塑性，较高的索氏体化率可以保证高碳钢线材的强度和塑性指标大大提高，尤其在拉拔过程中保持均匀变形，不易发生断裂。
[0003]高碳钢线材索氏体组织检测采主要有3种方法：一是金相手工法，根据传统定量金相原理，采用网格数点法或网格截点法等，通过手工统计索氏体组织交点或网格占比计算出索氏体体积分数；二是图像分析仪标样检测法，采用已定值索氏体含量的标准参考样品，与待测样品同步制样、同步腐蚀、同步检测，确定标准参考样品参考灰度值，待测样品采用相同的灰度值进行灰度化处理，通过灰度值定量测量索氏体体积分数；三是比较法，将待测样品微观组织同标准评级图进行对比，确定待测样品组织最接近的标准图谱，进而估算待测样品索氏体体积分数。现行检测方法存在识别准确性差、检测结果容易受检验员影响等缺点。

技术实现思路

[0004]本专利技术目的是提供一种高碳钢线材索氏体化率测定方法，基于人工智能进行索氏体识别，计算其索氏体化率，解决了传统测定方法检测繁琐、耗时长、标样成本高的问题，测定方法简单、准确性高，从而保证了高碳钢线材的产品质量，有利于中高碳钢盘条产品在生产过程中的检验分析，有效地解决了
技术介绍
中存在的上述问题。
>[0005]本专利技术的技术方案是：一种高碳钢线材索氏体化率测定方法，包含以下步骤：随机截取高碳钢线材横截面试样，在试样上任取一点作为检测点，利用蔡司级显微镜连续拍摄多张金相照片，输入训练好的U
‑
Net深度学习网络模型中，模型自动识别每张金相照片中的索氏体和珠光体，按照索氏体化率=索氏体组织面积/全域组织面积，进而计算金相图像中的索氏体化率，最终求取平均值作为该试样的索氏体化率。
[0006]具体步骤如下：步骤1，随机截取高碳钢线材横截面试样，进行镶嵌和磨抛，再经硝酸酒精溶液腐蚀后吹干，利用蔡司级显微镜拍摄多张金相照片，拍摄的金相照片为检测点在放大倍数为500倍视场下取得的金相照片；步骤2，利用标注软件标注图像中的索氏体，形成标注数据集，同时利用数据扩充方式将训练数据进行扩充作为训练集，利用U
‑
Net深度学习网络进行有监督学习；步骤3，制备待测试的高碳钢线材金相试样，拍摄其500倍视场下的金相照片，将照片输入训练好的U
‑
Net深度学习网络中，网络自动识别图像中的索氏体和珠光体，并计算各组织所占全域面积的百分率，即得每张金相照片的索氏体化率；
步骤4，根据步骤3确定得每张图像得索氏体化率，计算出高碳钢线材横截面试样得平均索氏体化率。所述U
‑
Net深度学习网络模型，基于TensorFlow框架搭建U
‑
Net网络， U
‑
Net网络结构包括四组上采样方式和四组下采样方式，其中下采样方式采用最大池化，池化窗口滑动步长为2，卷积核为3*3，激活函数为RELU；上采样方式采用反卷积方法，卷积核为3*3；上采样方式和下采样方式通过连接层Concatenate进行连接。
[0007]所述步骤2中，利用剪裁方法将图像中的主体特征进行剪裁，同时扩充了训练集。
[0008]本专利技术的有益效果是：基于人工智能进行索氏体识别，计算其索氏体化率，解决了传统测定方法检测繁琐、耗时长、标样成本高的问题，测定方法简单、准确性高，从而保证了高碳钢线材的产品质量，有利于中高碳钢盘条产品在生产过程中的检验分析。
附图说明
[0009]图1为本专利技术的U
‑
Net深度学习网络模型；图2为本专利技术的采用的部分训练集；图3为本专利技术实施例拍摄的第一张金相照片；图4 本专利技术实施例拍摄的第一张金相照片的预测图；图5为本专利技术实施例拍摄的第二张金相照片；图6 本专利技术实施例拍摄的第二张金相照片的预测图；图7为本专利技术实施例拍摄的第三张金相照片；图8为本专利技术实施例拍摄的第二张金相照片的预测图。
具体实施方式
[0010]为了使专利技术实施案例的目的、技术方案和优点更加清楚，下面将结合实施案例中的附图，对本专利技术实施案例中的技术方案进行清晰的、完整的描述，显然，所表述的实施案例是本专利技术一小部分实施案例，而不是全部的实施案例，基于本专利技术中的实施案例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例，都属于本专利技术保护范围。
[0011]一种高碳钢线材索氏体化率测定方法，包含以下步骤：随机截取高碳钢线材横截面试样，在试样上任取一点作为检测点，利用蔡司级显微镜连续拍摄多张金相照片，输入训练好的U
‑
Net深度学习网络模型中，模型自动识别每张金相照片中的索氏体和珠光体，按照索氏体化率=索氏体组织面积/全域组织面积，进而计算金相图像中的索氏体化率，最终求取平均值作为该试样的索氏体化率。
[0012]具体步骤如下：步骤1，随机截取高碳钢线材横截面试样，进行镶嵌和磨抛，再经硝酸酒精溶液腐蚀后吹干，利用蔡司级显微镜拍摄多张金相照片，拍摄的金相照片为检测点在放大倍数为500倍视场下取得的金相照片；步骤2，利用标注软件标注图像中的索氏体，形成标注数据集，同时利用数据扩充方式将训练数据进行扩充作为训练集，利用U
‑
Net深度学习网络进行有监督学习；步骤3，制备待测试的高碳钢线材金相试样，拍摄其500倍视场下的金相照片，将照
片输入训练好的U
‑
Net深度学习网络中，网络自动识别图像中的索氏体和珠光体，并计算各组织所占全域面积的百分率，即得每张金相照片的索氏体化率；步骤4，根据步骤3确定得每张图像得索氏体化率，计算出高碳钢线材横截面试样得平均索氏体化率。所述U
‑
Net深度学习网络模型，基于TensorFlow框架搭建U
‑
Net网络， U
‑
Net网络结构包括四组上采样方式和四组下采样方式，其中下采样方式采用最大池化，池化窗口滑动步长为2，卷积核为3*3，激活函数为RELU；上采样方式采用反卷积方法，卷积核为3*3；上采样方式和下采样方式通过连接层Concatenate进行连接。
[0013]所述步骤2中，利用剪裁方法将图像中的主体特征进行剪裁，同时扩充了训练集。
[0014]实施例：步骤1：切取高碳钢SWRS77B钢绞线试样，试样经切割、镶嵌、磨抛、腐蚀后制备成合格的金相试样；步骤2：利用蔡司级显微镜随机均匀的拍摄3张500倍金相组织照片，并保存；步骤3：将图像输入训练好的U
‑
Net深度学习网络系统中，系统自动识别金相图像中的索氏体、珠光体，并计算索氏体、珠光体的占比分数；步骤4：求取平均索氏体化率为85.86%，该高碳钢SWRS77B钢绞线试样的索氏体化率为8本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高碳钢线材索氏体化率测定方法，其特征在于包含以下步骤：随机截取高碳钢线材横截面试样，在试样上任取一点作为检测点，利用蔡司级显微镜连续拍摄多张金相照片，输入训练好的U
‑
Net深度学习网络模型中，模型自动识别每张金相照片中的索氏体和珠光体，按照索氏体化率=索氏体组织面积/全域组织面积，进而计算金相图像中的索氏体化率，最终求取平均值作为该试样的索氏体化率。2.根据权利要求1所述的一种高碳钢线材索氏体化率测定方法，其特征在于：具体步骤如下：步骤1，随机截取高碳钢线材横截面试样，进行镶嵌和磨抛，再经硝酸酒精溶液腐蚀后吹干，利用蔡司级显微镜拍摄多张金相照片，拍摄的金相照片为检测点在放大倍数为500倍视场下取得的金相照片；步骤2，利用标注软件标注图像中的索氏体，形成标注数据集，同时利用数据扩充方式将训练数据进行扩充作为训练集，利用U
‑
Net深度学习网络进行有监督学习；步骤3，制备待测试的高碳钢线材金相试样，拍摄其500倍视场下的金相照片，...

【专利技术属性】
技术研发人员：宋月，翟永臻，安治国，严文谨，白丽娟，段路昭，孙晓冉，谷秀锐，
申请(专利权)人：河钢股份有限公司，
类型：发明
国别省市：