System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及热喷涂涂层结构分析领域,特别是涉及一种基于双模式图像和机器学习的热喷涂涂层结构分析方法。
技术介绍
1、热喷涂是一种通过火焰、电弧或等离子体等热源,将某种粉末或线材加热至熔化或半熔化状态,并将其喷向工件形成涂层的技术。该技术可用于制备耐磨涂层、耐腐蚀涂层、隔热涂层,或赋予工件表面一些特殊的性能(例如在电学或光学方面)。
2、热喷涂涂层的性能(如热导率、弹性模量)与涂层的孔隙结构密切相关。准确地分析涂层孔隙结构对涂层工艺改进及性能预测具有重要意义。对于热喷涂涂层来说,获取涂层的横截面扫描电镜图像,随后利用图像分析法分析图像中的结构特征,是一种常见的孔隙结构定量分析方法。
3、典型的热喷涂涂层通常包含两种孔洞结构——等轴孔和裂纹孔。目前针对热喷涂涂层的图像分析法由两步组成。首先利用阈值法将图像上的孔洞提取出来(注:在背散射电子图像中,孔洞的亮度较低)。随后根据形状特征,利用开操作将等轴孔和裂纹孔区分开来。
4、但目前的图像分析法往往存在一些问题。例如:(1)在采用阈值法将孔洞提取出来这一步中,无论采用全局阈值法还是局部阈值法,均难准确地将孔洞提取出来,有些较细的裂纹孔可能被漏掉,或者孔洞边缘提取不准确;(2)在采用开操作区分不同类型孔时,由于开操作本身的原理,使得一些较小的等轴孔会被划分为裂纹孔。
5、也有利用机器学习对热喷涂涂层图像进行结构分析的方法,但该方法仅用单一模式的图像(例如,背散射电子图像)来制作标记图像,再对机器学习模型进行训练。尽管该方法可取得一定的识别准
技术实现思路
1、本专利技术的目的是提供一种基于双模式图像和机器学习的热喷涂涂层结构分析方法,即在同一位置同时拍摄背散射电子图像和二次电子图像,同时观察两个模式的图像综合判断每个像素的类别来制作标记图像,利用拍摄的两个模式的图像和据此制作的标记图像对机器模型进行训练,能够提高模型的等轴孔和裂纹孔区的识别精度。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于双模式图像和机器学习的热喷涂涂层结构分析方法,所述分析方法包括:
4、获取已知热喷涂涂层结构横截面上多处位置的背散射电子图像和二次电子图像;其中每一处位置均获取所述背散射电子图像和所述二次电子图像;
5、将各处位置的所述背散射电子图像和所述二次电子图像转换为灰度图像,得到多处位置的背散射电子灰度图像和二次电子灰度图像;
6、对各处位置的所述背散射电子灰度图像和所述二次电子灰度图像的每个像素点进行结构信息标注,得到多处位置的标注后的背散射电子灰度图像和标注后的二次电子灰度图像,并将所述标注后的背散射电子灰度图像或者所述标注后的二次电子灰度图像作为标注后的目标分析图像;所述标注后的背散射电子灰度图像和所述标注后的二次电子灰度图像的每一个像素点的结构信息是一致的;所述结构信息包括涂层材料、等轴孔和裂纹孔;
7、从各处位置的所述背散射电子灰度图像和二次电子灰度图像中选择同一处位置的所述背散射电子灰度图像和二次电子灰度图像按通道进行拼接,得到各处位置的拼接后的图像;
8、将各处位置的所述拼接后的图像裁剪为预设尺寸的图像,得到第一图像;
9、将各处位置的所述标注后的目标分析图像裁剪为所述预设尺寸的图像,得到第二图像;
10、以所述第一图像为输入,以对应位置的所述第二图像为输出,对神经网络进行训练,得到热喷涂涂层结构分析模型;
11、获取热喷涂涂层结构横截面上待分析位置处的图像;所述待分析位置处的图像为所述待分析位置处的拼接图像;所述拼接图像为背散射电子图像和二次电子图像的按通道进行拼接后得到的图像;
12、将所述待分析位置处的图像输入至所述热喷涂涂层结构分析模型,得到横截面上待分析位置处的结构信息。
13、可选地,利用扫描电子显微镜获取已知热喷涂涂层结构横截面上多处位置的背散射电子图像和二次电子图像。
14、可选地,所述神经网络为lenet、alexnet、zfnet、vggnet、googlelenet、resnet、densenet、mobilenet、fcn、segnet、unet或者pspnet。
15、可选地,应用像素准确率,平均像素准确率、平均交并比及频率加权交并比作为所述热喷涂涂层结构分析模型的准确性评价指标。
16、可选地,以所述第一图像为输入,以所述第二图像为输出,利用迁移学习,对神经网络进行训练。
17、可选地,所述神经网络的结构为基于带跳跃连接的编码器-解码器结构。
18、可选地,分别对所述第一图像和对应的所述第二图像进行数据增强操作;所述数据增强操作包括平移、反转、调整亮度及对比度。
19、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
20、本专利技术利用包括背散射电子图像和二次电子图像的双模式扫描电镜图像对神经网络进行训练,用训练好的神经网络对待识别的热喷涂涂层结构进行识别,使得这种基于机器学习的结构分析工具比传统的图像分析法具有更高的准确率。
本文档来自技高网...【技术保护点】
1.一种基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,所述分析方法包括:
2.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,利用扫描电子显微镜获取已知热喷涂涂层结构横截面上多处位置的背散射电子图像和二次电子图像。
3.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,所述神经网络为LeNet、AlexNet、ZFNet、VGGNet、GoogleLeNet、ResNet、DenseNet、MobileNet、FCN、SegNet、UNet或者PSPNet。
4.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,应用像素准确率,平均像素准确率、平均交并比及频率加权交并比作为所述热喷涂涂层结构分析模型的准确性评价指标。
5.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,以所述第一图像为输入,以所述第二图像为输出,利用迁移学习,对神经网络进行训练。
6.根据权利要求1所述的基于
7.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,分别对所述第一图像和对应的所述第二图像进行数据增强操作;所述数据增强操作包括平移、反转、调整亮度及对比度。
...【技术特征摘要】
1.一种基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,所述分析方法包括:
2.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,利用扫描电子显微镜获取已知热喷涂涂层结构横截面上多处位置的背散射电子图像和二次电子图像。
3.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其特征在于,所述神经网络为lenet、alexnet、zfnet、vggnet、googlelenet、resnet、densenet、mobilenet、fcn、segnet、unet或者pspnet。
4.根据权利要求1所述的基于双模式图像和机器学习的热喷涂涂层结构分析方法,其...
【专利技术属性】
技术研发人员:赵晓峰,单萧,张显程,王卫泽,石俊秒,黄天蒙,蔡黄越,陆杰,罗丽荣,郭芳威,
申请(专利权)人:上海交通大学,
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。