本发明专利技术属于钢铁材料的断裂失效分析领域的钢材韧窝图像深度均匀度的自动测量、分类方法及系统，首先图像采集装置获取钢材待测韧窝原始图像，图片预处理模块对原始图像进行中值滤波去噪、二值分割、韧窝缺陷边界修复；自动测量模块对预处理后的图像进行区域标定，获得待测韧窝图像，提取所得待测韧窝图像的韧窝灰度参数，采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度；自动分类模块对韧窝深度均匀度按最佳阀值进行自动分类；填补了过去人工模式无法处理的钢材韧窝深度分布均匀度的测量、分类工作的空白，钢材韧窝图像的表征精度高达±0.001μm，为目前钢材韧窝分析中的最高表征精度。
【技术实现步骤摘要】
本专利技术涉及钢铁材料的断裂失效分析领域，具体涉及钢材韧窝图像深度均匀度的 自动测量、分类方法及系统。
技术介绍
在各种钢铁材料的断裂失效分析中，断口的韧窝图像是反映材料断口性质的最基 本原始形貌，亦是判定材料断裂机制的最本质依据。韧窝的深度，尤其是深度的分布均匀 度，与材料的强度、塑性、成形性能等密切相关，通过对断口韧窝深度均匀度的定量分析研 宄可以深入了解其断裂机理、裂纹形成原因以及对材料性能的本质影响。由此可见，韧窝深 度的定量分析研宄是材料科学与工程中的重要组成部分，具有重要的理论研宄意义和工程 应用价值，但有关韧窝深度均匀度的测量、分类技术目前国内外还未见报道。 韧窝分析在材料科学与工程中具有重要作用，然而，由于钢材韧窝的定量分析极 难进行，加之韧窝分析时面临的诸多复杂因素，长期以来只能依靠专业人员以人工测量与 统计的主观工作模式进行，且以定性分析为主。而此模式的评价标准过于粗糙，仅为"均匀" 或"不均匀"，但均匀到何种程度，不均匀又到何种程度，均无法定量表征和区别。以至于同 一韧窝图像经不同人员分析后，其结果大相径庭！显然，这种人工模式必然带来诸如效率 极低、可信度亦极低，以及人力资源耗费过大等问题。此外，这种分析效果主要取决于人的 主观因素，故难免产生主观误差。但如何获得即为理想的、又为非人工的韧窝深度均匀度分 析分类模式是长期困扰广大材料科技工作者的难题，目前尚未找到一个令人满意且简便易 行的方法。
技术实现思路
本专利技术的目的是针对目前靠人工测量与评价分类方法的低效率、低精度的问题， 提出了一种基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数 及其测量、分类方法及其系统，利用计算机实现对钢铁材料断口韧窝深度的自动、精确、高 效地测量、分类工作。 本专利技术的技术方案是：钢材韧窝图像深度均匀度的自动测量、分类方法及系统， 首先是利用图像采集装置采集获取钢材待测韧窝原始图像，通过图像采集卡输入到处理器 中，经过图片预处理模块的中值滤波去噪、二值分割、韧窝缺陷边界修复；自动测量模块对 预处理后的图像进行区域标定，获得待测韧窝图像，提取所得待测韧窝图像的韧窝灰度参 数，采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及其 计算方法得出待测韧窝心部灰度的均匀度；自动分类模块对韧窝深度均匀度按最佳阀值进 行自动分类；测量完毕后，输出模块将韧窝深度分布及韧窝深度均匀度分类结果以图表文 件的形式显示输出。 本专利技术的技术方案采用如下具体步骤： S1、原始图像的获取：通过图像采集装置获取钢材待测韧窝原始图像，并存入图像 米集卡中； S2、中值滤波去噪：将钢材待测韧窝原始图像进行中值滤波去噪，过滤掉包含在原 始图像中的噪声；S3、二值分割：对经中值滤波去噪后的目标图像采用局部自适应阈值分割算法进 行二值分割，即采用多区域划分的自适应阈值分割法对图像进行二值分割，对图像按坐标 分块，对每一子块分别选取最佳阈值进行分割，得到韧窝二值图像； S4、韧窝缺陷边界修复：对韧窝二值图像采用淬熄函数法控制的极限腐蚀、逐层膨 胀法修复韧窝缺陷边界； S5、区域标定：对所述步骤S4处理后的韧窝二值图像进行像素点扫描，并进行区 域标定，获得待测韧窝图像； S6、自动测量：提取所得待测韧窝图像的韧窝灰度参数，即韧窝图像中各韧窝区域 中的灰度极值gi，并得到其分布；所述灰度极值gi为各韧窝心部灰度最小值； 采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参 数及其计算方法得出待测韧窝心部灰度的均匀度，将其定义为韧窝当量深度均匀度DDE，灰 度极值^定义为韧窝当量深度； S7、自动分类：对所述韧窝当量深度均匀度DDE按最佳阀值进行自动分类。 上述方案中，还包括输出步骤：将韧窝当量深度分布及韧窝当量深度均匀度分类 结果以图表文件的形式显示输出。 上述方案中，所述步骤S3采用局部自适应阈值分割法对图像进行二值分割，从而 自动获得最佳阈值T，步骤如下：S8、选择一个T的初始估计值，求图像中的最大灰度值Zmax和最小灰度值Zmin，令【主权项】1. 钢材韧窝图像深度均匀度的自动测量、分类方法，其特征在于，包括以下步骤： 51、 原始图像的获取：通过图像采集装置获取钢材待测韧窝原始图像； 52、 中值滤波去噪：将钢材待测韧窝原始图像进行中值滤波去噪； 53、 二值分割：对经中值滤波去噪后的目标图像采用局部自适应阈值分割算法进行二 值分割，即采用多区域划分的自适应阈值分割法对图像进行二值分割，对图像按坐标分块， 对每一子块分别选取最佳阈值进行分割，得到韧窝二值图像； 54、 韧窝缺陷边界修复：对韧窝二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀法 修复韧窝缺陷边界； 55、 区域标定：对所述步骤S4处理后的韧窝二值图像进行像素点扫描，并进行区域标 定，获得待测韧窝图像； 56、 自动测量：提取所得待测韧窝图像的韧窝灰度参数，即韧窝图像中各韧窝区域中的 灰度极值gi，并得到其分布；所述灰度极值 gi为各韧窝心部灰度最小值； 采用基于韧窝图像灰度极值以及灰度-深度映射关系的韧窝深度均匀度特征参数及 其计算方法得出待测韧窝心部灰度的均匀度，将其定义为韧窝当量深度均匀度DDE，灰度极 值^定义为韧窝当量深度； 57、 自动分类：对所述韧窝当量深度均匀度DDE按最佳阀值进行自动分类。2. 根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法，其特征在 于，还包括输出步骤：将韧窝当量深度分布及韧窝当量深度均匀度分类结果以图表文件的 形式显示输出。3. 根据权利要求1所述的钢材韧窝图像深度均匀度的自动测量、分类方法，其特征在 于，所述步骤S3采用局部自适应阈值分割法对图像进行二值分割，从而自动获得最佳阈值 T，步骤如下： 58、 选择一个T的初始估计值，求图像中当前第1页1 2 本文档来自技高网...
【技术保护点】
钢材韧窝图像深度均匀度的自动测量、分类方法，其特征在于，包括以下步骤：S1、原始图像的获取：通过图像采集装置获取钢材待测韧窝原始图像；S2、中值滤波去噪：将钢材待测韧窝原始图像进行中值滤波去噪；S3、二值分割：对经中值滤波去噪后的目标图像采用局部自适应阈值分割算法进行二值分割，即采用多区域划分的自适应阈值分割法对图像进行二值分割，对图像按坐标分块，对每一子块分别选取最佳阈值进行分割，得到韧窝二值图像；S4、韧窝缺陷边界修复：对韧窝二值图像采用淬熄函数法控制的极限腐蚀、逐层膨胀法修复韧窝缺陷边界；S5、区域标定：对所述步骤S4处理后的韧窝二值图像进行像素点扫描，并进行区域标定，获得待测韧窝图像；S6、自动测量：提取所得待测韧窝图像的韧窝灰度参数，即韧窝图像中各韧窝区域中的灰度极值gi，并得到其分布；所述灰度极值gi为各韧窝心部灰度最小值；采用基于韧窝图像灰度极值以及灰度‑深度映射关系的韧窝深度均匀度特征参数及其计算方法得出待测韧窝心部灰度的均匀度，将其定义为韧窝当量深度均匀度DDE，灰度极值gi定义为韧窝当量深度；S7、自动分类：对所述韧窝当量深度均匀度DDE按最佳阀值进行自动分类。
【技术特征摘要】
【专利技术属性】
技术研发人员：李新城，唐永春，朱伟兴，刘杰，王晓莉，许金堡，陈亮，于慧慧，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
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。