【技术实现步骤摘要】
本申请涉及图像识别，具体而言，涉及一种晶粒度智能评级方法、装置、电子设备及存储介质。
技术介绍
1、晶粒大小常以晶粒度级别来表示，它是材料重要的显微组织参量。晶粒度的大小对材料的性能有显著影响，如何评定晶粒度的级别并以此评定材料的综合性能是金属材料锻造中的重要课题。而采用传统的专业人员检测方法，在评级准确度和评级效率上很难满足当前的晶粒度评级要求。
2、目前大部分实验室常用的检测晶粒度级别的方法是通过专业人员利用金相显微镜观察，并与国家标准图谱进行比较，此种方法过于依靠经验丰富的检测员，受个体因素影响大，实际操作标准不统一，且评级效率较低，难以保证评级的稳定性和准确性。
技术实现思路
1、本申请实施例的目的在于提供一种晶粒度智能评级方法、装置、电子设备及存储介质，利用动态稀疏注意力机制模块提高了模型推理速度和准确率，解决了现有方法评级效率较低、稳定性和准确性较低的问题。
2、本申请实施例提供了一种晶粒度智能评级方法，所述方法包括：
3、对原始晶粒度图像进行预处理，以获得设定尺寸的晶粒度图像；
4、利用迁移学习后的sam模型对所述晶粒度图像的晶粒度轮廓进行标注，获得标注图像；
5、将所述标注图像划分为训练集和测试集；
6、利用训练集对基于动态稀疏注意力机制模块的类u-net网络进行训练；
7、将所述测试集输入训练后的类u-net网络，获得晶界识别图像；
8、利用骨架提取算法对所述晶界识别图
9、利用轮廓查找算法获取所述晶粒度骨架图中的总晶粒个数；
10、基于所述总晶粒个数和设定放大倍数计算晶粒度级别数和晶粒度级别。
11、在上述实现过程中，利用sam模型生成数据标签，提高制作标签的效率和准确率；利用动态稀疏注意力机制模块提高模型的拟合程度和收敛速度，提高了模型推理速度和准确率，减少计算量和计算机资源占用，解决了现有方法评级效率较低、稳定性和准确性较低的问题。
12、进一步地，所述利用迁移学习后的sam模型对所述晶粒度图像的晶粒度轮廓进行标注，包括：
13、将所述晶粒度图像输入迁移学习后的sam模型，以分割出所述晶粒度图像中的晶粒度轮廓。
14、在上述实现过程中，利用sam模型实现标注，无需人工标注，提高了标注效率和准确率。
15、进一步地，所述利用训练集对基于动态稀疏注意力机制模块的类u-net网络进行训练，包括：
16、以resnet18作为主干网络进行下采样；
17、利用动态稀疏注意力机制模块进行上采样，且上采样和下采样通过卷积操作进行通道变换。
18、在上述实现过程中，添加了动态稀疏注意力机制模块的类u-net网络，增加上下文依赖，模型的拟合程度提升，收敛速度增加，增加了模型推理准确率；加入稀疏处理，减少模型计算量计算机资源占用，提高模型的推理速度，减少模型的过拟合。
19、进一步地，所述利用轮廓查找算法获取所述晶粒度骨架图中的总晶粒个数，包括：
20、利用轮廓查找算法对所述晶粒度骨架图进行轮廓查找，获得轮廓个数和所有轮廓区域面积，其中，所述轮廓个数即为总晶粒个数。
21、在上述实现过程中，计算整张晶粒度骨架图中的轮廓个数和所有轮廓区域面积，能够准确反映平均晶粒度级别。
22、进一步地，所述基于所述总晶粒个数和设定放大倍数计算晶粒度级别数和晶粒度级别，包括：
23、基于总晶粒个数和设定放大倍数计算晶粒度级别数：
24、
25、其中，m表示设定放大倍数，n表示总晶粒个数，a表示所有轮廓区域面积；
26、基于所述晶粒度级别数计算晶粒度级别：
27、g＝3.321928lgna-2.954。
28、在上述实现过程中，使用面积法评级，相比于传统方法，更加能够反映平均晶粒度级别。
29、本申请实施例还提供一种晶粒度智能评级装置，所述装置包括：
30、预处理模块，用于对原始晶粒度图像进行预处理，以获得设定尺寸的晶粒度图像；
31、标注模块，用于利用迁移学习后的sam模型对所述晶粒度图像的晶粒度轮廓进行标注，获得标注图像；
32、图像划分模块，用于将所述标注图像划分为训练集和测试集；
33、模型训练模块，用于利用训练集对基于动态稀疏注意力机制模块的类u-net网络进行训练；
34、晶界识别图像获取模块，用于将所述测试集输入训练后的类u-net网络，获得晶界识别图像；
35、晶粒度骨架图获取模块，用于利用骨架提取算法对所述晶界识别图像进行处理，获得只具有封闭轮廓的晶粒度骨架图；
36、总晶粒个数计算模块，用于利用轮廓查找算法获取所述晶粒度骨架图中的总晶粒个数；
37、晶粒度级别计算模块，用于基于所述总晶粒个数和设定放大倍数计算晶粒度级别数和晶粒度级别。
38、在上述实现过程中，利用sam模型生成数据标签，提高制作标签的效率和准确率；利用动态稀疏注意力机制模块提高模型的拟合程度和收敛速度，提高了模型推理速度和准确率，减少计算量和计算机资源占用，解决了现有方法评级效率较低、稳定性和准确性较低的问题。
39、进一步地，所述标注模块包括：
40、分割模块，用于将所述晶粒度图像输入迁移学习后的的sam模型，以分割出所述晶粒度图像中的晶粒度轮廓。
41、在上述实现过程中，利用sam模型实现标注，无需人工标注，提高了标注效率和准确率。
42、进一步地，所述模型训练模块包括：
43、下采样模块，用于以resnet18作为主干网络进行下采样；
44、上采样模块，用于利用动态稀疏注意力机制模块进行上采样，且上采样和下采样通过卷积操作进行通道变换。
45、在上述实现过程中，添加了动态稀疏注意力机制模块的类u-net网络，增加上下文依赖，模型的拟合程度提升，收敛速度增加，增加了模型推理准确率；加入稀疏处理，减少模型计算量计算机资源占用，提高模型的推理速度，减少模型的过拟合。
46、本申请实施例还提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使所述电子设备执行上述中任一项所述的晶粒度智能评级方法。
47、本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述中任一项所述的晶粒度智能评级方法。
本文档来自技高网...【技术保护点】
1.一种晶粒度智能评级方法，其特征在于，所述方法包括：
2.根据权利要求1所述的晶粒度智能评级方法，其特征在于，所述利用迁移学习后的SAM模型对所述晶粒度图像的晶粒度轮廓进行标注，包括：
3.根据权利要求1所述的晶粒度智能评级方法，其特征在于，所述利用训练集对基于动态稀疏注意力机制模块的类U-Net网络进行训练，包括：
4.根据权利要求1所述的晶粒度智能评级方法，其特征在于，所述利用轮廓查找算法获取所述晶粒度骨架图中的总晶粒个数，包括：
5.根据权利要求4所述的晶粒度智能评级方法，其特征在于，所述基于所述总晶粒个数和设定放大倍数计算晶粒度级别数和晶粒度级别，包括：
6.一种晶粒度智能评级装置，其特征在于，所述装置包括：
7.根据权利要求6所述的晶粒度智能评级装置，其特征在于，所述标注模块包括：
8.根据权利要求6所述的晶粒度智能评级装置，其特征在于，所述模型训练模块包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至5中任一项所述的晶粒度智能评级方法。
...【技术特征摘要】
1.一种晶粒度智能评级方法，其特征在于，所述方法包括：
2.根据权利要求1所述的晶粒度智能评级方法，其特征在于，所述利用迁移学习后的sam模型对所述晶粒度图像的晶粒度轮廓进行标注，包括：
3.根据权利要求1所述的晶粒度智能评级方法，其特征在于，所述利用训练集对基于动态稀疏注意力机制模块的类u-net网络进行训练，包括：
4.根据权利要求1所述的晶粒度智能评级方法，其特征在于，所述利用轮廓查找算法获取所述晶粒度骨架图中的总晶粒个数，包括：
5.根据权利要求4所述的晶粒度智能评级方法，其特征在于，所述基于所述总晶粒个数和设定放大倍数计算晶粒度级别数和晶粒度级别，包括：
<...【专利技术属性】
技术研发人员：张志勇，黄秋艳，杜雪飞，王征，
申请(专利权)人：重庆赛迪奇智人工智能科技有限公司，
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。