一种轴承钢中带状碳化物的自动分析方法技术

本发明专利技术介绍了一种轴承钢中带状碳化物的自动分析方法，包括：

【技术实现步骤摘要】
一种轴承钢中带状碳化物的自动分析方法


[0001]本专利技术涉及计算机图像处理和钢铁金相分析领域，具体涉及一种轴承钢中带状碳化物的自动分析方法
。

技术介绍

[0002]高碳铬轴承钢是特殊钢中生产难度大
、
质量要求严且检验项目最多的钢种之一，得益于其优异的耐磨性
、
抗疲劳性
、
耐久性
、
以及高而均匀的硬度，常用来制造轴承滚珠
、
套圈以及各类工具和耐磨零件
。
轴承钢化学成分均匀性
、
非金属夹杂物含量及分布
、
碳化物的分布等要求十分严格
。
尤其是碳化物，是轴承钢的合金库，具备提供耐磨性
、
抑制晶粒长大的作用，其必须是细小而均匀弥散分布的，因为粗大
、
多角状及偏析的碳化物会显著降低轴承钢的使用寿命
。
[0003]轴承钢中带状碳化物是由于钢在冶炼和结晶时形成的枝晶偏析引起的，在各枝晶之间以及晶体二次轴之间，碳
、
铬等元素的浓度很高，从而导致轴承钢中带状碳化物成分和组织的不均匀性
。
在开坯轧制后，这些高碳富铬的区域沿着轧制方向拉成条带状而形成带状碳化物
。
带状碳化物的存在，对轴承钢的组织
、
力学性能和接触疲劳寿命等均有显著的负面影响
。
另外，带状碳化物在一般的热处理过程中是很难消除的，一旦产生，则不可逆，因此业内对碳化物带状的控制和检测极其重视
。
[0004]部分机构和学者已经就碳化物的分类和检测进行了大量研究，主要集中在钢铁冶炼和制造工艺对碳化物带状的影响，热加工过程中碳化物的溶解和微观结构的变化，以及不同热处理制度下的碳化物形态等
。
碳化物带状的严重程度通常采用不同等级进行分类，目前国内外主要的轴承钢碳化物带状分类标准包括
GB/T 18254
‑
2016
，
SEP 1520
‑
1998
和
ISO 5949
‑
1983。
三者均是按照标准图谱进行的比较法评级分类
。
然而，在实际样品中，碳化物的形态千差万别，与标准图谱通常不具备可比性，这就导致产品评级分类受检验人员的主观因素影响较大，不同的检验员对同一份样品可能会产生不同的评级分类结果，甚至供需双方会根据自身利益立场对评级分类结构进行“合理性”的偏倚，产生争议
。
鉴于此，急需设计一种新的轴承钢碳化物带状分析方法，实现轴承钢碳化物带状分析的精确
、
客观和可比性
。
[0005]此外，轴承钢中碳化物的检测量极大，批批必检，且每批需检测3‑5个样品，劳动强度大，检测效率较低
。
虽然在定量金相分析领域，计算机已经在球化率
、
晶粒度等项目上实现了一定程度上的自动化，但在轴承钢带状碳化物的识别和评级分类领域，暂未见完整的解决方案
。
如中国专利
CN116228743A
公开的一种
M50
高温轴承钢一次碳化物的检测方法及系统，方法包括以下步骤：获取
M50
高温轴承钢金相试样，并进行处理；观察处理后的金相试样，区分出
MC
碳化物以及
M2C
碳化物；基于
MC
碳化物的样本图像以及
M2C
碳化物的样本图像，构建训练集；构建改进的
CNN
模型，并基于训练集训练改进的
CNN
模型，获得碳化物识别模型，进而确认是哪种类型的碳化物，由于其只能识别出是哪一种碳化物类型，而并不能实现对碳化物带状的严重程度进行分类
。
再如中国专利
CN115760956A
公开的高碳铬轴承钢不同
级别碳化物带状图像的定量分类方法，公开了高碳铬轴承钢不同级别碳化物带状图像的定量分类方法，根据国标要求，以图像中心为圆心，截取直径为
800um
的圆形区域作为检测视场；通过传统算法对图像下的碳化物带状进行提取，并自动识别
、
标记和检测，并且分别对
100
倍图像和
500
倍图像不同级别的高碳铬轴承钢碳化物带状图像进行定量分类，
100
倍碳化物带状的级别与碳化物条带的宽度存在着一定的非线性关系，
500
倍碳化物带状的级别与碳化物含量存在着一定的关系，其中通过
500
倍下碳化物含量进行分类的方式与人为评定的级别进行对比，整体识别准确率达到
95%
以上，而通过
100
倍下碳化物带状宽度分类的方式，等效宽度分类与人为评定级别对比，整体识别准确率在
84%
左右，但是其对碳化物带的提取是基于传统算法，准确率较低；其次，其在
500
倍下的评级是仅仅基于碳化物的面积与人工评级间的统计分析对应关系，未考虑碳化物颗粒的尺寸和碳化物的聚集程度对评级分类的影响，而该两因素对轴承钢的使用寿命影响显著；再次，该方法对碳化物带状在
100
倍和
500
倍下的评级方法进行了规定，给出了两个结果，但轴承钢中碳化物带状的评级分类应仅有一个最终结果
。
[0006]综上所述，轴承钢中带状碳化物的含量和分布是轴承钢的重要性能指标
。
现有的分析方法存在检测效率低
、
劳动强度大
、
主观影响大
、
结果不一致的问题，且不能实现对碳化物不均性进行自动分析，急需设计一种新的轴承钢中带状碳化物的智能分析方法
。

技术实现思路

[0007]针对现有轴承钢中带状碳化物的分析方法存在检测效率低
、
劳动强度大
、
主观影响大
、
结果不一致的问题，且不能实现对碳化物不均性进行自动分析的问题，本申请设计了一种轴承钢中带状碳化物的自动分析方法，以求在引入深度神经网络算法和语义分割的方法下，实现对轴承钢中碳化物带的自动提取，并对二次分割后的带中碳化物的尺寸
、
聚集程度进行自动分析，以期在智能检测和分类中进一步应用
。
[0008]一种轴承钢中带状碳化物的自动分析方法，包括以下步骤：步骤
S1、
获取轴承钢碳化物金相图片集，将图像集分发给人工进行每条碳化物带状轮廓的标注，并获得边界标记，进而组成边界提取数据集
;
步骤
S2、
使用
Pytorch
深度学习框架，搭建双分支边界提取网络
h
；步骤
S3、
使用边界提取数据集，并且设置阈值，然后对双分支边界本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种轴承钢中带状碳化物的自动分析方法，其特征在于，包括以下步骤：步骤
S1、
获取轴承钢碳化物金相图片集，将图像集分发给人工进行每条碳化物带状轮廓的标注，并获得边界标记，进而组成边界提取数据集步骤
S2、
使用
Pytorch
深度学习框架，搭建双分支边界提取网络
h
；步骤
S3、
使用边界提取数据集，并且设置阈值，然后对双分支边界提取网络
h
进行训练，获得训练好的边界提取模型；步骤
S4、
双分支边界提取网络
h
训练完成之后，执行测试任务，以测试轴承钢碳化物金相图为输入，使用双分支边界提取网络
h
获取带状碳化物的轮廓；步骤
S5、
综合步骤
S4
获得的带状碳化物轮廓以及带状轮廓内部情况进行测量计算，获得轴承钢带状碳化物的计算预测
。2.
根据权利要求1所述的轴承钢中带状碳化物的自动分析方法，其特征在于，步骤
S1
的具体方法包括：步骤
S11、
收集多份有效轴承钢碳化物金相图片及其标注文件，并确定其为图像集；步骤
S12、
对图像集进行定量分析，使用
LabelMe
标注图像中的每条碳化物带状轮廓，边界标记集，组成数据集
。3.
根据权利要求2所述的轴承钢中带状碳化物的自动分析方法，其特征在于，步骤
S2
的具体方法包括：步骤
S21、
选用残差神经网络
ResNet
作为特征提取的主干网络；步骤
S22、
以
Deeplabv3++
作为双分支边界提取网络
h
的语义分割模型，采用编码器
‑
解码器结构，其中编码器对输入图像进行目标边缘信息提取；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
。4.
根据权利要求1或2或3任一项所述的轴承钢中带状碳化物的自动分析方法，其特征在于，步骤
S3
的具体方法包括：步骤
S31、
以边界提取数据集的训练图像集作为网络输入，边界标记作为网络输出端的预测目标；步骤
S32、
设计
co
‑
train
训练方式，采用双网络架构，各自对一个样本进行计算，并综合考虑两者的计算结果后做出最合理的选择；步骤
S33、
构建语义分割损失函数，选用
CrossEntropyLoss
作为分类损失函数，使用
FocalLoss
作为语义分割损失函数，并增加
AuxiliaryLoss
作为辅助损失
。5.
根据权利要求4所述的轴承钢中带状碳化物的自动分析方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：朱晓林，张莎莎，万文海，郑金鹏，于帅鹏，龙漫，周金堂，姚正军，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：