【技术实现步骤摘要】
一种铸造材料扫描电镜图像缺陷识别与量化方法
[0001]本专利技术属于缺陷分割量化领域,更具体地,涉及基于图像处理的铸造材料扫描电镜图像缺陷识别与量化方法。
技术介绍
[0002]铸造工艺可以制成形状复杂的零件,具有效率高,工序简单等优点,在汽车、电子、航空航天和运动器材等行业均获得广泛应用。然而,铸造工艺带来的孔洞缺陷,如气孔、缩孔和缩松,显著降低了铸造材料的力学性能和疲劳性能。为了定量描述缺陷对性能的影响,需要对铸造材料的断口缺陷进行量化分析。铸件断口的缺陷通常具有如下特点:大小不等,外形不规则,分布不均匀,数量无明显规律。这些特点给缺陷识别带来了巨大挑战。
[0003]传统上利用人工判定的方法量化缺陷大小,首先需要使用SEM扫描断口获取缺陷图片,随后导入Image
‑
Pro或Image
‑
J等图像处理软件,利用阈值分割或手动描边的方法定义出缺陷所占区域,此外还需要定义比例尺在图像中的长度及其代表的实际尺寸,最终由软件给出缺陷量化数据。这种方法不仅步骤繁琐,不适用于批量处理数据;并且受测量者主观因素影响,由不同人测量或同一人测量多次所获得的数据有很大波动性,因此定量数据准确性较低。
[0004]因此如何快速高效地识别和统计铸造材料断口缺陷,进而助力铸造材料缺陷控制及工艺优化不仅具有重要的学术研究价值,同时有着非常重要的工业应用潜力。近年来,随着以卷积神经网络(Convolutional neural network,CNN)为代表的深度学习模型在诸多计算机视觉( ...
【技术保护点】
【技术特征摘要】
1.一种铸造材料扫描电镜图像缺陷识别与量化方法,其特征在于,包括:获得待识别铸造材料的图像;将所述待识别图像输入到缺陷识别与量化模型,得到图像中缺陷的基本信息;所述缺陷的基本信息包括缺陷类别信息、缺陷位置信息、缺陷数量信息和缺陷面积信息;所述缺陷识别与量化模型包括:比例尺检测识别模型,对图像中比例尺进行检测识别;图像放大倍数分类器,对图像放大倍数类别进行划分;图像分割模型,包括数字图像分割模型和深度学习图像分割模型,根据图像放大倍数分类器输出的图像放大倍数选取图像分割模型,用于对待识别图像中缺陷的实际位置进行分割;图像后处理模型,对图像分割模型输出的掩膜进行后处理;定量分析模型,对处理后的缺陷进行定量表征。2.根据权利要求1所述的一种铸造材料扫描电镜图像缺陷识别与量化方法,其特征在于,所述比例尺检测识别模型具体如下:S1.通过比例尺特征定位将比例尺的位置检测出;S2.将检测出的比例尺图片,通过OCR技术将比例尺的大小以及所占像素长度识别出来,用于采用图像分割模型的参照以及缺陷定量统计。3.根据权利要求1所述的一种铸造材料扫描电镜图像缺陷识别与量化方法,其特征在于,所述图像放大倍数分类器具体如下:S1.根据待检测图像数据集的实际情况,确定像素长度阈值;S2.每次检测中,将比例尺检测识别模型计算得到的像素长度和阈值进行比较,自动完成类别划分。4.根据权利要求1所述的一种铸造材料扫描电镜图像缺陷识别与量化方法,其特征在于,所述数字图像分割模块进行分割的方法为:采用全局阈值分割的图像处理算法,根据像素点的像素值,设置阈值,对全局图像进行像素点阈值分割,将缺陷所在区域分割出来。5.根据权利要求1所述的一种铸造材料扫描电镜图像缺陷识别与量化方法,其特征在于,所述深度学习图像分割模型的构建和分割过程包括如下步骤:S1.构建基于传统U
‑
net神经网络进行改进的模型,在编码下采样层和解码输出层将卷积池化结构替换为空洞卷积池化金字塔网络结构,在特征提取的每个卷积层之后加入注意力机制;S2.首先对图片进行多步长特征提取,得到多个特征图;由ASPP网络对每一步得到的特征图从多尺度空洞卷积分支进行各自的卷积计算;通过注意力模块提供的通道权重和位置权重,将多个特征图和卷积后的特征图进行加权特征融合,得到最终的特征结果;对最终的特征图进行上采样,上采样到与原图同样大小后,实现对缺陷像素点的识别,从而实现图像分割。6.根据权利要求4所述的一种铸造材料扫描电镜图像缺陷识别与量化方法,其特征在于,所述图像分割模型中深度学习图像分割模型的训练方法包括如下步骤:S1.随机初始化深度学习图像分割模型的参数,所述深度学习图像分割模型;
S2.将训练集输入构建的所述深度学习图像分割模型;S3.每次图像输入到深度学习图像分割模型后,会提取到多组不同维度的特征图;不同维度的特征图融合后将缺陷进行分割,得到缺陷的掩膜;再与真实缺陷像素点集合进行对比,计算出...
【专利技术属性】
技术研发人员:黄诗尧,丁佳俊,蒲亮兮,杨雨童,王秋锋,赵海龙,黄理,陈秋任,包祖国,韩维建,
申请(专利权)人:长三角先进材料研究院,
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。