一种金属材料中显微组织全视场定量统计分布表征方法技术

本发明专利技术公开了一种金属材料中显微组织全视场定量统计分布表征方法，该方法包括：步骤a：建立标准特征图像数据集，包括铁素体、珠光体和贝氏体组织的图像；步骤b，建立基于深度学习的特征识别提取模型；步骤c，待测金属材料中的显微组织特征图谱的全视场自动采集；步骤d，珠光体、贝氏体的分类识别和分割提取；步骤e，大范围全视场显微组织的原位定量统计分布表征。本发明专利技术提供的金属材料中显微组织全视场定量统计分布表征方法，基于深度学习理论，对金属材料显微组织进行全视场自动识别、定位、提取和统计表征，消除人工选择视场带来的主观性误差，解决人工识别、测量、统计显微组织带来的效率低的问题，具有全面、准确、自动、高效的特点。点。点。

【技术实现步骤摘要】
一种金属材料中显微组织全视场定量统计分布表征方法


[0001]本专利技术涉及金属材料中显微组织检测识别
，特别是涉及一种金属材料中显微组织全视场定量统计分布表征方法。

技术介绍

[0002]对金属材料而言，材料的性能很大程度上取决于微观结构中各相的分布、形状、大小和比例，因此正确识别并表征这些显微组织是至关重要的。目前常采用的评价和定量方法有以下两种：一是按照国家标准GB/T13299—91中制定的钢的显微组织评定方法，即统计单一视场中的组织特征与标准图谱特征比较，确定系列和级别，该方法首先需要人工判断视场内的显微组织类型，且统计视场单一，检验全视场、大尺寸范围显微组织的分布状态需耗时耗力，存在效率低的问题，不能评价整个面夹杂尺寸分布情况，也不能反映整个分布的差异，无法快速实现材料表面显微组织的统计定量分布；第二种方法是定量显微组织，目前定量多采用金相、Image-Pro Plus等常用的软件自动识别、定量分析，一方面软件对图像质量的要求较高，另一方面整个定量过程仍需辅以人工操作，因此该方法也存在一定局限性。综上，传统的非金属夹杂的测定方法，已经不能满足材料工作者考察工艺、改善材料性能的需要。
[0003]随着科技的发展，图像识别技术的智能化水平不断提升，其中深度学习具有强大的自适应、自学习以及并行处理能力。把深度学习的方法应用到材料显微组织表征中，使机器自动学习数据中的特征，避免了人工选择和人工判断的失误，达到快速判断与精确定量微观组织的目的。Navigator-OPA高通量扫描电镜具有高效、快速的特点，可以在短时间内获取大尺寸全视场扫描图像，提供了一种有效的方式获取数据集，解决了深度学习的数据来源问题。本专利技术主要利用上述介绍的高通量扫描电镜结合深度学习的方法，对材料中的显微组织进行分类识别、分割提取及定量统计表征。

技术实现思路

[0004]本专利技术的目的是提供一种金属材料中显微组织全视场定量统计分布表征方法，基于深度学习理论，对金属材料显微组织进行全视场自动识别、定位、提取和统计表征，消除人工选择视场带来的主观性误差，解决人工识别、测量、统计显微组织带来的效率低的问题，具有全面、准确、自动、高效的特点。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种金属材料中显微组织全视场定量统计分布表征方法，该方法包括以下步骤：
[0007]a)建立标准特征图谱数据集：
[0008]获取整个标准金属材料试样表面的包括显微组织的图像，所述显微组织包括铁素体、珠光体和贝氏体组织；
[0009]b)建立基于深度学习的特征识别提取模型：
[0010]随机选取标准特征图像数据集中的图像，将珠光体、贝氏体为目标对数据集中的
图像进行标记，得到含有珠光体、贝氏体形状标记框的图像，将标记后的特征图谱数据集生成目标检测样本库；建立深度学习U-Net目标检测网络，用获得的目标检测样本库训练网络得到目标检测模型；
[0011]c)待测金属材料中的显微组织特征图谱的全视场自动采集：
[0012]通过Navigator-OPA高通量扫描电镜对腐蚀后的待测金属材料表面进行全视场显微组织特征图谱自动采集；
[0013]d)珠光体、贝氏体的分类识别和分割提取：
[0014]将步骤c中获得的所有待测金属材料中的显微组织特征图谱输入到步骤b建立的U-Net目标检测网络，该网络对粘连的珠光体、贝氏体组织进行像素级的分割提取，同时分类识别出粘连在一起的珠光体、贝氏体组织；经过分割提取和分类识别，得到标记了珠光体和贝氏体组织的二值图像；
[0015]e)大范围全视场显微组织的原位定量统计分布表征：
[0016]通过连通区域算法处理步骤d中获得的二值图像，得到一个完整数据集，数据集中包含每个特征珠光体、贝氏体的尺寸、面积、位置信息，选择适当的面积作为统计单元，对数据集进行统计分布表征，获得全视场上珠光体和贝氏体的统计分布情况。
[0017]可选的，所述步骤a中，所述建立标准特征图谱数据集还包括：标准金属材料的制样方法：
[0018]打磨并抛光标准金属材料试样表面，采用机械抛光，抛光试剂采用金刚石研磨膏；对抛光后的标准金属材料试样表面进行化学腐蚀，使其表面显示清晰、完整的铁素体、珠光体和贝氏体组织；采用Navigator-OPA高通量全自动扫描电镜，获取整个试样表面的包括铁素体、珠光体和贝氏体组织的特征图谱，建立标准特征图谱数据集。
[0019]可选的，所述化学腐蚀采用的溶液为4％硝酸酒精溶液，浸蚀时间为10s-30s。
[0020]可选的，所述步骤b中，所述U-Net目标检测网络采用U-Net网络框架，其结构左侧为下采样层，由卷积层和池化层交替组合，激活函数使用ReLu，通过对输入的图像进行路径收缩，从而捕捉全局内容，右侧为上采样层，由卷积层和反卷积层交替组合，训练过程中对下采样的特征图进行路径扩张，从而精确定位图像的每个像素。
[0021]可选的，所述步骤b中，还包括对标准特征图谱数据集中含有珠光体、贝氏体的图像进行预处理，具体为翻转、平移、裁剪和缩放。
[0022]可选的，所述步骤b中，所述目标检测样本库分为训练集和测试集，其中训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。
[0023]可选的，所述步骤c中，采用标准金属材料的制样方法中相同的处理手段对待测金属材料进行处理。
[0024]可选的，所述步骤d中，二值图像的像素为1024*1024。
[0025]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：本专利技术提供的金属材料中显微组织全视场定量统计分布表征方法与现有技术比具有以下有益效果：
[0026]第一，现行的方法主要依靠人工或者通过人工与机器结合的方式完成，由于人工操作，统计误差比较大，现行的图像识别软件，分割多采用传统的算法，不能有效分类分割显微组织复杂多样、黏连的形态，从而影响整体的统计精度；本专利技术基于高通量扫描电镜，结合深度学习的图像分割提取算法与数学统计算法，建立的目标检测模型能有效实现对复
杂显微组织的分类识别与分割提取，避免人工参与和判断，使定量结果准确度更高。
[0027]第二，现行的显微组织定量方法主要依靠人工，或者通过人工与机器结合的方式完成，工作量大、效率低下；本专利技术基于深度学习的图像分割提取算法结合数学统计算法，能够在短时间内用训练好的目标检测模型，完成大批量图像的定量结果，实现了全视场内珠光体、贝氏体组织的自动快速分类识别和分割提取，极大提高了检测效率；
[0028]第三，现行的金相图像法主要是对单一视场进行图像分析，观察的视场面积和显微组织数量有限，本专利技术通过大范围全视场全自动采集，获得的材料较大区域内的特征图谱，本专利技术由于是全视场图像进行显微组织统计分析，极大地消除了单一视场观察出现的统计不完整的现象，因此，本专利技术具有统计的视场大、效率高、信息全的优点，统计的数据更为准确可靠。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种金属材料中显微组织全视场定量统计分布表征方法，其特征在于，包括以下步骤：a)建立标准特征图谱数据集：获取整个标准金属材料试样表面的包括显微组织的图像，所述显微组织包括铁素体、珠光体和贝氏体组织；b)建立基于深度学习的特征识别提取模型：随机选取标准特征图像数据集中的图像，将珠光体、贝氏体为目标对数据集中的图像进行标记，得到含有珠光体、贝氏体形状标记框的图像，将标记后的特征图谱数据集生成目标检测样本库；建立深度学习U-Net目标检测网络，用获得的目标检测样本库训练网络得到目标检测模型；c)待测金属材料中的显微组织特征图谱的全视场自动采集：通过Navigator-OPA高通量扫描电镜对腐蚀后的待测金属材料表面进行全视场显微组织特征图谱自动采集；d)珠光体、贝氏体的分类识别和分割提取：将步骤c中获得的所有待测金属材料中的显微组织特征图谱输入到步骤b建立的U-Net目标检测网络，该网络对粘连的珠光体、贝氏体组织进行像素级的分割提取，同时分类识别出粘连在一起的珠光体、贝氏体组织；经过分割提取和分类识别，得到标记了珠光体和贝氏体组织的二值图像；e)大范围全视场显微组织的原位定量统计分布表征：通过连通区域算法处理步骤d中获得的二值图像，得到一个完整数据集，数据集中包含每个特征珠光体、贝氏体的尺寸、面积、位置信息，选择适当的面积作为统计单元，对数据集进行统计分布表征，获得全视场上珠光体和贝氏体的统计分布情况。2.根据权利要求1所述的金属材料中显微组织全视场定量统计分布表征方法，其特征在于，所述步骤a中，所述建立标准特征图谱数据集还包括：标准金属材料的制样方法：打磨并抛光标准金属材料试样表面，采用机械抛光，抛光试剂采用金刚石研磨膏；对抛光后的标准...

【专利技术属性】
技术研发人员：孙丹丹，万卫浩，王海舟，韩冰，李冬玲，董彩常，赵雷，
申请(专利权)人：钢铁研究总院，
类型：发明
国别省市：