[发明专利]锆合金高温氧化显微组织图片识别方法、系统、存储介质

权利要求书

1.一种锆合金高温氧化显微组织图片识别方法，其特征在于，包括

S101：获取待识别的金相图片；

S102：对获得的金相图片依次进行灰度化处理、非局部均值去噪、自适应阈值分割，得到二值图像；

S103：对二值图像进行形态学建模、连通域分析去噪；

S104：将经过连通域分析去噪的图像通过分水岭算法进行α相、β相、氧化膜区域分割；

S105：寻找分割后得到的二值图像的闭合轮廓，颜色区分各个闭合轮廓为α相、β相、氧化膜区域、比例尺，形成输出图像，并计算各α相、β相的面积及α相、β相的面积占比；

S201：将待识别的金相图片扩增后输入到预先完成金相图片识别训练的深度学习模型中预测运算，得到预测的金相图片，并识别预测金相图片的氧化膜区域，计算氧化膜厚度；

S202：将得到的预测金相图片对应到S105中的输出图像；

S301：输出图像、α相与β相的面积值及面积占比值、氧化膜的厚度。

2.根据权利要求1所述的一种锆合金高温氧化显微组织图片识别方法，其特征在于，所述深度学习模型采用CNN架构的卷积神经网络模型。

3.根据权利要求2所述的一种锆合金高温氧化显微组织图片识别方法，其特征在于，所述S201中识别预测金相图片氧化膜区域的方法为：

定义卷积神经网络参数θ＝{θ₁，θ₂，θ₃…θ_n}；

在进行识别训练过程中，利用以下迭代公式更新所述卷积神经网络参数：

其中θ_j代表θ_j:的迭代，代表一阶导数，L_B代表分割损失函数，所述分割损失函数L_B用于预测输入到深度学习模型中的待识别的金相图片分割的金相边界与识别训练的金相图片分割的金相边界的重合程度；

然后对训练好的卷积神经网络的最后一层进行Softmax概率预测，进而预测所得到的预测金相图片的各像素点分类，Softmax概率预测值最大的区域即为氧化膜区域；

其中x_i代表预测的预测金相图片各像素点x属于i类的值，各个预测金相图片的所有像素点分类的Softmax概率预测值之和为1。

4.根据权利要求3所述的一种锆合金高温氧化显微组织图片识别方法，其特征在于，

所述分割的金相边界包括分割的α相、β相、氧化膜区域边界；

所述分割损失函数L_B的计算过程为：

定义金相边界分割过程中的精确率

召回率

其中B(x)＝x-minpool(x)；

代表金相图片的真实标签，y_pr代表分割得到的金相图片的预测值，minpool表示最小池化，代表金相图片各相的真实边界，代表金相图片各相的预测边界，sum代表求运算的矩阵和；

根据所述精确率P和召回率R计算分割边界的调和平均分数得金相图片的边界损失函数将边界损失函数与交叉熵函数L_C进行加法运算，即得分割损失函数L_B，其中：

调和平均分数

边界损失函数

分割损失函数ω_b，ω_C分别代表边界损失函数和交叉熵函数L_C的超参数。

5.根据权利要求4所述的一种锆合金高温氧化显微组织图片识别方法，其特征在于，所述ω_b为0.5，所述ω_C为1.0。