[发明专利]一种金属材料中显微组织全视场定量统计分布表征方法

说明书

本发明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。

技术领域

本发明涉及金属材料中显微组织检测识别技术领域，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。

背景技术

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。

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。本发明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。

发明内容

本发明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。

为实现上述目的，本发明提供了如下方案：

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：

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：