【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法。
技术介绍
1、亚共晶铝硅合金是一种重要的工业合金，广泛地应用于航空、交通、建筑、汽车等重要行业，它具有铸造性能好，比强度高等优点，其显微组织对力学性能有较大影响，因此对其观察分析具有重要意义。传统上，对亚共晶铝硅合金显微组织的表征主要由人工进行，存在受人工经验主观影响大、分析时间长、局部统计受限以及精度不高等问题。
2、中国专利公开号:cn116010868a，公开了一种铝硅合金变质等级确定方法、装置、设备及介质，包括：将亚共晶铝硅合金的金相图输入至共晶硅颗粒识别模型中，确定金相图中的共晶硅颗粒；确定金相图中各共晶硅颗粒的尺寸信息，并确定金相图中共晶硅颗粒的尺寸信息的均值；根据尺寸信息的均值，以及亚共晶铝硅合金的不同变质等级对应的尺寸信息范围，确定亚共晶铝硅合金的变质等级；由此可见，所述现有技术存在以下问题：未考虑到将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中以根据深度学习模型的输出结果判定是否对深度学习模型的训练参数进行调节，未考虑到在判定完成训练的深度学习模型不符合预设标准时，根据输出结果确定具体的处理方法，影响了深度学习模型的可靠性，进而影响了对亚共晶铝硅合金显微组织的目标的识别精确度。
技术实现思路
1、为此，本专利技术提供一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，用以克服现有技术中未考虑到将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型
2、为实现上述目的，本专利技术提供一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，包括：
3、深度学习训练数据的收集和预处理，从实际生产中获取若干亚共晶铝硅合金显微组织的图像，并对各图像中的目标进行标记，目标为硅颗粒、铁相、氧化皮夹杂和孔洞缺陷，其中，孔洞缺陷包括气孔、气缩孔和缩松；对各图像进行数据增强，并进行归一化处理；
4、深度学习模型建立，建立res-unet网络，res-unet网络包括，编码器、跳跃连接，金字塔池化模块和解码器，编码器用以对输入的图像进行编码压缩；跳跃连接用以对下采样和对应的上采样中的特征图沿通道维度拼接；金字塔池化模块用以对特征图进行不同步长的最大池化或平均池化，并与初始特征图拼接，以捕获局部和全局上下文信息；解码器包括残差层和上采样层，用以恢复图像的分辨率；
5、深度学习模型训练；
6、将亚共晶铝硅合金显微组织的图像输入至完成训练的深度学习模型中，并对深度学习模型分割出的识别目标进行数字化表征与统计；
7、根据识别目标的形状因子与预设形状因子的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行判定；
8、在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，并在二次判定完成训练的深度学习模型不符合预设标准时根据识别目标的长径比确定针对完成训练的深度学习模型不符合预设标准的处理方式；
9、在判定完成训练的深度学习模型符合预设标准时，判定完成针对深度学习模型的训练，或，在完成确定针对完成训练的深度学习模型不符合预设标准的处理方式的确定时，使用调节后的训练参数重新对深度学习模型进行训练。
10、进一步地，对各图像进行数据增强的过程包括，第一种数据增强方法和第二种数据增强方法，第一种数据增强方法为通过对图像裁剪、翻转、旋转、平移和镜像以对数据进行扩充；第二种数据增强方法为改变各图像的亮度值和对比度以对数据进行扩充；
11、对深度学习模型分割出的目标进行数字化表征与统计的过程为，将深度学习模型分割出的目标记为识别目标，并对识别目标进行面积、等效直径、形状因子、长径比和长度的数字化表征计算，计算方式为，面积为识别目标边缘像素连线形成的密闭几何图形面积大小；
12、等效直径的计算公式为，其中，a 为识别目标的面积，d为等效直径；
13、形状因子的计算公式为，其中，a 为识别目标面积，p 为识别目标周长，sf为形状因子；
14、长径比为识别目标最小外接矩形的长边与短边的比值；长度为识别目标骨架线的长度。
15、进一步地，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中，以获取针对亚共晶铝硅合金显微组织图像的识别目标的形状因子，分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准，并在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，或，在判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述形状差值为亚共晶铝硅合金显微组织图像的识别目标的形状因子与预设形状因子的差值的绝对值。
16、进一步地，所述分析模块基于长径绝对值确定完成训练的深度学习模型是否符合预设标准，并在判定完成训练的深度学习模型不符合预设标准时，根据长径绝对值与预设长径绝对值的差值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述长径绝对值为亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值。
17、进一步地，所述分析模块基于绝对差值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设绝对差值与绝对差值的差值将解码器恢复图像的图像分辨率调节至对应值，或，根据第二预设形状差值与形状差值的差值将第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述绝对差值为长径绝对值与预设长径绝对值的差值。
18、进一步地，所述分析模块基于面积绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设绝对值与面积绝对值的差值将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值，或，根据面积绝对值与预设面积绝对值的差值将解码器恢复图像的图像分辨率调节至对应值；
19、其中，面积绝对值为亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值。
20、进一步地，所述分析模块基于计算的预设绝对差值与绝对差值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
21、进一步地，所述分析模块基于第二预设形状差值与所述形状差值的差值设有若干针本文档来自技高网...
【技术保护点】
1.一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，包括：
2.根据权利要求1所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，对各图像进行数据增强的过程包括：第一种数据增强方法和第二种数据增强方法，第一种数据增强方法为通过对图像裁剪、翻转、旋转、平移和镜像以对数据进行扩充；第二种数据增强方法为改变各图像的亮度值和对比度以对数据进行扩充；
3.根据权利要求2所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中，以获取针对亚共晶铝硅合金显微组织图像的识别目标的形状因子，分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准，并在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，或，在判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对
4.根据权利要求3所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于长径绝对值确定完成训练的深度学习模型是否符合预设标准，并在判定完成训练的深度学习模型不符合预设标准时，根据长径绝对值与预设长径绝对值的差值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述长径绝对值为亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值。
5.根据权利要求4所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于绝对差值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设绝对差值与绝对差值的差值将解码器恢复图像的图像分辨率调节至对应值，或，根据第二预设形状差值与形状差值的差值将第二种数据增强方法中针对对比度值的选取数量调节至对应值；所述绝对差值为长径绝对值与预设长径绝对值的差值。
6.根据权利要求5所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于面积绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式，包括，根据预设面积绝对值与面积绝对值的差值将所述第二种数据增强方法中针对对比度值的选取数量调节至对应值，或，根据面积绝对值与预设面积绝对值的差值将解码器恢复图像的图像分辨率调节至对应值；
7.根据权利要求6所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于计算的预设绝对差值与绝对差值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
8.根据权利要求7所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于第二预设形状差值与所述形状差值的差值设有若干针对对比度值的选取数量的调节方式，且各调节方式针对所述第二种数据增强方法中针对对比度值的选取数量的调节幅度均不相同。
9.根据权利要求8所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于预设绝对值与面积绝对值的差值设有若干针对对比度值的选取数量的调节方式，且各调节方式针对对比度值的选取数量的调节幅度均不相同。
10.根据权利要求9所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于面积绝对值与预设面积绝对值的差值设有若干针对解码器恢复图像的图像分辨率的调节方式，且各调节方式针对解码器恢复图像的图像分辨率的调节幅度均不相同。
...【技术特征摘要】
1.一种亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，包括：
2.根据权利要求1所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，对各图像进行数据增强的过程包括：第一种数据增强方法和第二种数据增强方法，第一种数据增强方法为通过对图像裁剪、翻转、旋转、平移和镜像以对数据进行扩充；第二种数据增强方法为改变各图像的亮度值和对比度以对数据进行扩充；
3.根据权利要求2所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，将亚共晶铝硅合金显微组织图像输入至完成训练的深度学习模型中，以获取针对亚共晶铝硅合金显微组织图像的识别目标的形状因子，分析模块根据形状差值确定完成训练的深度学习模型是否符合预设标准，并在初步判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值对完成训练的深度学习模型是否符合预设标准进行二次判定，或，在判定完成训练的深度学习模型不符合预设标准时，根据获取的针对亚共晶铝硅合金显微组织图像的识别目标的面积与预设面积的差值的绝对值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述形状差值为亚共晶铝硅合金显微组织图像的识别目标的形状因子与预设形状因子的差值的绝对值。
4.根据权利要求3所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于长径绝对值确定完成训练的深度学习模型是否符合预设标准，并在判定完成训练的深度学习模型不符合预设标准时，根据长径绝对值与预设长径绝对值的差值确定针对完成训练的深度学习模型不符合预设标准的处理方式；所述长径绝对值为亚共晶铝硅合金显微组织图像的识别目标的长径比与预设长径比的差值的绝对值。
5.根据权利要求4所述的亚共晶铝硅合金显微组织特征、缺陷特征的自动识别方法，其特征在于，所述分析模块基于绝对差值确定针对完成训练...
【专利技术属性】
技术研发人员：李永飞，贾超航，刘海峰，薛鹏基，李静雅，乔海波，刘书基，贺延明，冯树伟，刘宏磊，张兴明，时振，
申请(专利权)人：中信戴卡股份有限公司，
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。