本發(fā)明屬于鋼鐵金相分析領(lǐng)域，具體涉及一種鋼中帶狀碳化物的智能分析方法。

背景技術(shù)：

1、帶狀碳化物源于高碳鋼凝固過程中的枝晶偏析，隨后的熱加工和冷卻導(dǎo)致二次碳化物在特定區(qū)域聚集而形成帶狀組織。帶狀碳化物作為鋼中主要組織缺陷之一，對高碳鋼的力學(xué)性能和服役壽命產(chǎn)生非常不利的影響。因此，高效、準(zhǔn)確地評價帶狀碳化物對高碳鋼的質(zhì)量評估和控制至關(guān)重要。碳化物帶狀的嚴(yán)重程度通常采用不同等級進(jìn)行分類。而碳化物帶狀等級的評定則主要采用按照標(biāo)準(zhǔn)圖譜進(jìn)行人工比較法評級分類，目前國內(nèi)外主要的鋼中帶狀碳化物評級標(biāo)準(zhǔn)包括gb/t18254-2016、sep?1520-1998和iso?5949-1983。上述三者均是通過將待評金相圖片中碳化物帶狀的大小、形狀和顆粒聚集程度等特征與標(biāo)準(zhǔn)圖譜中對應(yīng)信息進(jìn)行人為比較進(jìn)行評級。顯然，人工比較法評級存在主觀影響大、結(jié)果一致性差，專業(yè)要求高、經(jīng)驗積累慢，檢測效率低、勞動強(qiáng)度大等問題。

2、隨著人工智能技術(shù)的發(fā)展，利用機(jī)器學(xué)習(xí)算法進(jìn)行鋼鐵材料微觀組織的自動分析方法不斷涌現(xiàn)。比如申請?zhí)枮?02310823487.2的發(fā)明公開了一種軸承鋼中帶狀碳化物的自動分析方法，申請?zhí)枮?02311123480.6的發(fā)明則公開了一種鋼材低倍疏松圖像智能評級方法，申請?zhí)枮?02310585920.3的發(fā)明公開了一種基于機(jī)器視覺的鋼連鑄坯低倍組織裂紋智能評級方法。上述方法的主要思路均是利用深度學(xué)習(xí)方法進(jìn)行帶狀碳化物、疏松、裂紋等組織特征輪廓的智能識別和分割，在此基礎(chǔ)上進(jìn)行上述典型組織的量化，然后根據(jù)人工經(jīng)驗建立量化的評級指標(biāo)體系進(jìn)行自動評級。雖然在顯微組織識別中利用了人工智能算法，但是在最終的評級過程中仍嚴(yán)重依賴經(jīng)驗人為進(jìn)行評級范圍的劃分，沒有真正實現(xiàn)智能化。比如，申請?zhí)枮?02310823487.2的發(fā)明中通過將帶狀輪廓的寬度和顆粒大小取平均進(jìn)行級別劃分，再考慮碳化物面積占比進(jìn)行修正(當(dāng)碳化物占比小于30％時降低0.5級，當(dāng)占比屬于30-60％結(jié)果不變，當(dāng)占比大于60％時提高0.5級)。再如申請?zhí)枮?02311123480.6的發(fā)明中則以疏松范圍得分及權(quán)重、疏松空隙得分以及空隙密集程度得分及權(quán)重等復(fù)雜參量計算疏松得分tz，然后根據(jù)人工經(jīng)驗建立疏松的評級指標(biāo)體系，tz＜10的為0.5級，tz≥80的為4級，10≤tz＜80的級別為0.05tz。而申請?zhí)枮?02310585920.3的發(fā)明中則提出一種復(fù)雜的公式計算裂紋綜合得分，然后根據(jù)人為經(jīng)驗劃分不同裂紋級別的綜合得分范圍進(jìn)行評級。

3、綜上所述，高效、準(zhǔn)確地評價帶狀碳化物對高碳鋼的質(zhì)量評估和控制至關(guān)重要。然而現(xiàn)有的人工比較評級方法存在主觀影響大、專業(yè)要求高和檢測效率低的問題。雖然利用人工智能算法對組織進(jìn)行自動識別促進(jìn)了碳化物評價的自動化發(fā)展，但是由于最終評級過程仍主要依賴經(jīng)驗人為設(shè)定量化評級指標(biāo)體系，帶狀碳化物的評級過程智能化程度有限，自動評級精度有待進(jìn)一步提升。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的上述不足，本發(fā)明提供的一種鋼中帶狀碳化物的智能分析方法解決了現(xiàn)有的人工比較評級方法存在主觀影響大、專業(yè)要求高和檢測效率低的問題。

2、為了達(dá)到上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為：一種鋼中帶狀碳化物的智能分析方法，包括以下步驟：

3、s1、獲取高碳鋼碳化物金相圖片集，將碳化物帶狀輪廓進(jìn)行標(biāo)注，建立碳化物帶狀分割數(shù)據(jù)集；

4、s2、對碳化物帶狀分割數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，對基于優(yōu)化的deeplabv3+深度學(xué)習(xí)算法的碳化物帶狀分割模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的帶狀碳化物輪廓提取模型；

5、s3、將高碳鋼碳化物金相圖輸入訓(xùn)練好的帶狀碳化物輪廓提取模型，得到帶狀碳化物的輪廓；

6、s4、根據(jù)帶狀碳化物的輪廓進(jìn)行測量計算，得到帶狀碳化物特征量化數(shù)值；

7、s5、基于帶狀碳化物特征量化數(shù)值和帶狀碳化物級別，建立帶狀碳化物評級數(shù)據(jù)集；

8、s6、根據(jù)帶狀碳化物評級數(shù)據(jù)集對帶狀碳化物評級模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的帶狀碳化物評級模型；

9、s7、將帶狀碳化物特征量化數(shù)值輸入訓(xùn)練好的帶狀碳化物評級模型，得到帶狀碳化物的級別。

10、進(jìn)一步地：所述s1包括以下分步驟：

11、s11、采集若干高碳鋼碳化物金相圖片，建立高碳鋼碳化物金相圖片集；

12、s21、基于高碳鋼碳化物金相圖片集，使用labelme標(biāo)注圖像中每條碳化物帶狀輪廓，獲取金相圖片的標(biāo)注文件，組成碳化物帶狀分割數(shù)據(jù)集。

13、進(jìn)一步地：所述s2中，對碳化物帶狀分割數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)的方法具體為：

14、通過圖像水平鏡像圖像翻轉(zhuǎn)與垂直鏡像圖像翻轉(zhuǎn)對碳化物帶狀分割數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，其中，圖像旋轉(zhuǎn)的角度包括90度、180度和270度。

15、進(jìn)一步地：所述s2中，基于優(yōu)化的deeplabv3+深度學(xué)習(xí)算法的碳化物帶狀分割模型包括相互連接的編碼器和解碼器；

16、編碼器包括依次連接的mobilenetv2網(wǎng)絡(luò)、第一注意力機(jī)制模塊、aspp空洞卷積空間金字塔池模塊、第一卷積模塊和第二注意力機(jī)制模塊；

17、解碼器包括依次連接的第二卷積模塊、concat層、第三卷積模塊和第一上采樣層，concat層還用過第二上采樣層與第二注意力機(jī)制模塊連接；

18、其中，第一卷積模塊和第二卷積模塊均為1×1卷積，第三卷積模塊為3×3卷積，第一注意力機(jī)制模塊和第二注意力機(jī)制模塊均引入坐標(biāo)注意力機(jī)制，第一上采樣層和第二上采樣層均采用carafe上采樣算法。

19、進(jìn)一步地：所述s2中，得到訓(xùn)練好的帶狀碳化物輪廓提取模型的方法具體為：

20、s21、將數(shù)據(jù)增強(qiáng)后的碳化物帶狀分割數(shù)據(jù)集輸入mobilenetv2網(wǎng)絡(luò)，得到低級特征和高級特征；

21、s22、將高級特征經(jīng)過第一注意力機(jī)制模塊輸入aspp空洞卷積空間金字塔池模塊，通過aspp空洞卷積空間金字塔池模塊分別進(jìn)行1×1卷積操作、rate為6的3×3空洞卷積操作、rate為12的3×3空洞卷積操作、rate為18的3×3空洞卷積操作和全局平均池化，得到5個輸出，將5個輸出連接后依次輸入第一卷積模塊和第二注意力機(jī)制模塊，得到中間特征圖；

22、s23、將低級特征輸入第二卷積模塊調(diào)整維度，得到第一特征圖，將中間特征圖輸入第二上采樣層，得到第二特征圖，將第一特征圖和第二特征圖通過concat層進(jìn)行連接，連接后的特征圖依次通過第三卷積模塊和第一上采樣層，得到帶狀碳化物輪廓提取模型的輸出結(jié)果，通過cross-entropy?loss結(jié)合dice?loss的聯(lián)合損失函數(shù)優(yōu)化輸出結(jié)果，得到訓(xùn)練好的帶狀碳化物輪廓提取模型。

23、進(jìn)一步地：所述s4中，帶狀碳化物特征量化數(shù)值包括帶狀碳化物最大帶寬、帶狀碳化物條帶數(shù)、帶狀碳化物條帶總長、最大顆粒尺寸、平均顆粒距離和顆粒數(shù)量與顆粒距離之和；

24、通過線性掃描法測量帶狀碳化物最大帶寬，其中，帶狀碳化物最大帶寬從100倍放大倍數(shù)高碳鋼碳化物金相圖的帶狀碳化物的輪廓中提取。

25、進(jìn)一步地：通過最小外接圓法量化碳化物顆粒直徑、數(shù)量和距離，其中，最大顆粒尺寸、平均顆粒距離和顆粒數(shù)量與顆粒距離之和從500倍放大倍數(shù)高碳鋼碳化物金相圖的帶狀碳化物的輪廓中提取。

26、進(jìn)一步地：通過最小外接圓法量化碳化物顆粒直徑、數(shù)量和距離之前，根據(jù)帶狀碳化物的輪廓通過最小外接矩形框出每個顆粒，若框出顆粒的矩形長寬比大于預(yù)設(shè)的長寬比閾值，則將該顆粒去除。

27、進(jìn)一步地：所述s6中，帶狀碳化物評級模型包括random?forest、catboost、decision?tree和gradient?boosting?decision?tree分類器。

28、本發(fā)明的有益效果為：

29、(1)本發(fā)明針對高碳鋼中帶狀碳化物分析存在的主觀影響大、專業(yè)要求高、檢測效率低的問題，提供了一種鋼中帶狀碳化物的智能分析方法，相比目前鋼中顯微組織的智能評價方法，本技術(shù)不但利用深度學(xué)習(xí)算法實現(xiàn)了對帶狀碳化物的智能分割，同時利用機(jī)器學(xué)習(xí)分類器實現(xiàn)了對帶狀碳化物級別的智能分類，從而極大提高了鋼中碳化物組織的檢測效率和精度，智能化程度顯著提升。

30、(2)本發(fā)明設(shè)計的一種鋼中帶狀碳化物的智能分析方法，整體構(gòu)架采用帶狀碳化物的智能分割→碳化物特征定量分析→帶狀碳化物級別智能計算的全流程自動化評價方法，可極大提升高碳鋼中帶狀碳化物組織的識別和評級精度，降低了檢測成本，最終實現(xiàn)高碳鋼中帶狀碳化物的高效、準(zhǔn)確評價。