【技术实现步骤摘要】
本申请涉及晶粒度评估，尤其涉及基于深度学习的奥氏体晶粒度自动评级系统及方法。
技术介绍
1、在奥氏体的晶粒度自动化评估工作中，晶粒晶界识别的精准与否直接影响着奥氏体晶粒度的评估准确度。测量的方法主要依靠工人的作业经验，在相关的图像处理算法中，晶界识别的目的是依靠晶界与晶粒之间形成的明显边界特征来提取出所需要的晶粒边界，而在此算法过程中所需要的边界特征需要人工来进行提取，但是人为能提取到的特征是有限的且被人类思维所局限，比如晶界和晶粒之间的颜色差别、明暗差别这些简单特征和像素之间的梯度这些浅层的梯度信息。因此在应对复杂多变的奥氏体图像时，传统图像处理算法难以精准的识别出复杂多变的晶界信息，为此，本文依托于深度学习算法在对图像不同层级特征提取和结合上的优势，提高晶界识别的准确度和速度，进而实现高效准确的晶粒度的评估。
技术实现思路
1、本申请提供基于深度学习的奥氏体晶粒度自动评级系统及方法，以解决人工测量的方法难以精准的识别出复杂多变的晶界信息的问题。
2、为解决上述问题，第一方面，本申请提供一种基于深度学习的奥氏体晶粒度自动评级系统，包括：控制模块、相机模块、显微镜模块；所述控制模块分别与所述相机模块、所述显微镜模块通信连接；所述控制模块被配置为：
3、控制所述显微镜模块和所述相机模块对试样进行放大拍照，以获得试样微观图像；
4、采用晶粒边界识别模型对所述试样微观图像中的晶粒边界进行像素级分割，以识别所述试样微观图像的晶粒目标，所述晶粒边界识别模型
5、根据奥氏体晶粒的标准评级图像对所述试样微观图像中所有闭合的晶粒进行评级，以获得晶粒评级结果；
6、获取所述试样的晶粒度；
7、根据所述晶粒评级结果和所述晶粒度生成评级报告。
8、可选的，还包括制备模块，所述制备模块与所述控制模块通信连接；所述控制模块被配置为：
9、控制所述制备模块按照制备方法制备出试样；所述制备方法包括氧化法、网状渗碳体法以及铁素体网法。
10、可选的，所述深度学习模型基于深度学习语义分割的u-net网络，所述控制模块被配置为：
11、获取预先进行晶粒边界像素级分割的样本数据；
12、使用所述样本数据对所述深度学习模型进行训练。
13、可选的，所述深度学习模型还包括处理模块，所述处理模块被配置为：
14、将预先进行晶粒边界像素级分割的样本数据处理成清晰的样本数据。
15、可选的，所述处理模块还被配置为：
16、通过增加随机边界缺失掩膜的方式对所述预先进行晶粒边界像素级分割的样本数据进行扩充，生成扩充样本数据；
17、根据八邻域跟踪和扩散生长的方法，对所述扩充样本数据进行二值化操作，生成二值化处理样本数据；
18、对所述二值化处理样本数据进行细化骨架，并通过八邻域法查找端点，去除像素长度小于额定阈值的像素值；
19、连通晶界缺失区域，生成清晰的样本数据。
20、可选的，所述评级报告包括通过比较法、面积法以及弦计算法测定出的所述晶粒度的平均晶粒度、平均晶粒度级数和所述试样微观图像。
21、第二方面，本申请提供一种基于深度学习的奥氏体晶粒度自动评级方法，应用于上述第一方面所述的基于深度学习的奥氏体晶粒度自动评级系统，所述方法包括：
22、控制所述显微镜模块和所述相机模块对试样进行放大拍照，以获得试样微观图像；
23、采用晶粒边界识别模型对所述试样微观图像中的晶粒边界进行像素级分割，以识别所述试样微观图像的晶粒目标，所述晶粒边界识别模型为根据奥氏体晶粒特征图像训练获得的深度学习模型；
24、根据奥氏体晶粒的标准评级图像对所述试样微观图像中所有闭合的晶粒进行评级，以获得晶粒评级结果；
25、获取所述试样的晶粒度；
26、根据所述晶粒评级结果和所述晶粒度生成评级报告。
27、可选的，所述方法还包括：
28、控制所述制备模块按照制备方法制备出试样；所述制备方法包括氧化法、网状渗碳体法以及铁素体网法。
29、可选的，所述方法还包括：
30、获取预先进行晶粒边界像素级分割的样本数据；
31、将预先进行晶粒边界像素级分割的样本数据处理成清晰的样本数据；
32、使用所述清晰的样本数据对所述深度学习模型进行训练。
33、可选的，所述方法还包括：
34、通过增加随机边界缺失掩膜的方式对所述预先进行晶粒边界像素级分割的样本数据进行扩充，生成扩充样本数据；
35、根据八邻域跟踪和扩散生长的方法，对所述扩充样本数据进行二值化操作，生成二值化处理样本数据；
36、对所述二值化处理样本数据进行细化骨架，并通过八邻域法查找端点，去除像素长度小于额定阈值的像素值；
37、连通晶界缺失区域，生成清晰的样本数据。
38、由以上技术方案可知，本申请提供基于深度学习的奥氏体晶粒度自动评级系统及方法，所述系统包括：控制模块、相机模块、显微镜模块；所述控制模块分别与所述相机模块、所述显微镜模块通信连接；所述控制模块控制所述显微镜模块和所述相机模块对试样进行放大拍照，以获得试样微观图像；采用晶粒边界识别模型对所述试样微观图像中的晶粒边界进行像素级分割，以识别所述试样微观图像的晶粒目标，所述晶粒边界识别模型为根据奥氏体晶粒特征图像训练获得的深度学习模型；根据奥氏体晶粒的标准评级图像对所述试样微观图像中所有闭合的晶粒进行评级，以获得晶粒评级结果；获取所述试样的晶粒度；根据所述晶粒评级结果和所述晶粒度生成评级报告以解决人工测量的方法难以精准的识别出复杂多变的晶界信息的问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，包括：控制模块、相机模块、显微镜模块；所述控制模块分别与所述相机模块、所述显微镜模块通信连接；
2.根据权利要求1所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，还包括制备模块，所述制备模块与所述控制模块通信连接；所述控制模块被配置为：
3.根据权利要求1所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，所述深度学习模型基于深度学习语义分割的U-Net网络，所述控制模块被配置为：
4.根据权利要求3所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，所述深度学习模型还包括处理模块，所述处理模块被配置为：
5.根据权利要求4所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，
6.根据权利要求1所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，所述评级报告包括通过比较法、面积法以及弦计算法测定出的所述晶粒度的平均晶粒度、平均晶粒度级数和所述试样微观图像。
7.一种基于深度学习的奥氏体晶粒度自动评级方法，其特征在于，
8.根据权利要求7所述的基于深度学习的奥氏体晶粒度自动评级方法，其特征在于，所述方法还包括：
9.根据权利要求7所述的基于深度学习的奥氏体晶粒度自动评级方法，其特征在于，所述方法还包括：
10.根据权利要求9所述的基于深度学习的奥氏体晶粒度自动评级方法，其特征在于，所述方法还包括：
...【技术特征摘要】
1.一种基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，包括：控制模块、相机模块、显微镜模块；所述控制模块分别与所述相机模块、所述显微镜模块通信连接；
2.根据权利要求1所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，还包括制备模块，所述制备模块与所述控制模块通信连接；所述控制模块被配置为：
3.根据权利要求1所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，所述深度学习模型基于深度学习语义分割的u-net网络，所述控制模块被配置为：
4.根据权利要求3所述的基于深度学习的奥氏体晶粒度自动评级系统，其特征在于，所述深度学习模型还包括处理模块，所述处理模块被配置为：
5.根据权利要求4所述的基于深度学习的奥氏体晶粒度自动评级...
【专利技术属性】
技术研发人员：汪光明，徐宗立，王少迪，陈家乐，吴晓蕾，
申请(专利权)人：江苏金恒信息科技股份有限公司，
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。