中文字幕一级黄色A级片|免费特级毛片。性欧美日本|偷拍亚洲欧美1级片|成人黄色中文小说网|A级片视频在线观看|老司机网址在线观看|免费一级无码激情黄所|欧美三级片区精品网站999|日韩av超碰日本青青草成人|一区二区亚洲AV婷婷

 鋼材具有較好的塑性和韌性，綜合力學(xué)性能優(yōu)良，且成本低廉，是社會最主要和最廣泛使用的材料之一，其晶粒大小和分布等特點決定了鋼材的性能，晶粒尺寸越細小，材料的韌性和塑性越好?，F(xiàn)階段行業(yè)內(nèi)主要通過人工觀察鋼材的組織結(jié)構(gòu)來確定其晶粒度級別，從而了解鋼材的力學(xué)性能、可塑性、延展性等性質(zhì)。隨著用戶對鋼材產(chǎn)品品質(zhì)的日益重視，以及公司新產(chǎn)品種類研發(fā)能力的逐步提升，晶粒度檢驗逐漸成為產(chǎn)品質(zhì)量檢查的重要手段。近5a研究人員單位的晶粒度檢測量從5136件/a逐步增加至9336件/a。當前單位晶粒度檢測面臨的主要問題是檢測任務(wù)重、人工經(jīng)驗依賴性強、檢測效率低、結(jié)果重復(fù)性差等，這些問題對公司的產(chǎn)能和最終客戶滿意度產(chǎn)生了重大影響。

 

相對傳統(tǒng)的鋼材晶粒度人工檢測評級方式是自動定量檢測，是業(yè)內(nèi)主流的檢測方法。程康娜等采用數(shù)字圖像處理方法對金相檢驗的圖像進行處理，借助Matlab和ImageJ軟件提出了一種對激光熔覆顯微組織定量分析的方法，提高了檢測的精度。吳偉等通過圖像增強、分割、閾值化等方法，實現(xiàn)了對TC4鈦合金顯微組織的定量分析。孫朝明等分析了晶粒度定量評定中的關(guān)鍵技術(shù)，提出了復(fù)雜金相檢驗圖像晶界的準確提取與重建難題，并對國內(nèi)外在金相晶粒度評定技術(shù)方面的進展情況進行了分析。從業(yè)內(nèi)研究情況可知，目前金相自動定量檢測的研究主要是基于傳統(tǒng)的圖像處理、閾值化等技術(shù)，檢測結(jié)果存在波動較大、需要人工介入等問題，這些問題依然沒有得到很好解決。

 

研究人員通過提高晶粒度試樣的制備質(zhì)量，基于人工智能及圖像識別技術(shù)，采用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)等方法，建立了晶粒度智能評級模型，由此開發(fā)出一套基于人工智能的鋼材晶粒度評級方法，該方法具有檢測速度快、不依賴人工經(jīng)驗、檢測結(jié)果重復(fù)性好等優(yōu)點。

 

1 試驗方案

1.1 試驗材料

鋼材的代表性決定了晶粒度智能評級方法在公司鋼材產(chǎn)品檢測中的應(yīng)用范圍，因此鋼的選材要有代表性，但是又不能范圍太廣，否則將增加工作量。研究人員根據(jù)其所在單位冷熱軋產(chǎn)品的牌號、晶粒大小和晶粒形態(tài)特征，將全部產(chǎn)品分為10個大類，并分別選擇具有代表性的鋼種，共篩選出32個鋼種作為初始試樣的材料，基本涵蓋了公司冷/ 熱系板材產(chǎn)品的晶粒特征，這些代表性鋼材的典型特征和晶粒度級別如表1所示。

1.2 試驗設(shè)備

為便于晶粒度智能評級方法研究的順利開展和應(yīng)用，試驗設(shè)備均為研究人員單位實驗室配置設(shè)備，設(shè)備的基本情況如表2所示。

1.3 試驗方法

復(fù)雜顯微組織的圖像無法通過簡單的圖像處理、分割、閾值化等進行晶粒度自動評定工作。因此，研究人員在圖像預(yù)處理、邊緣分割、閾值化和形態(tài)學(xué)的基礎(chǔ)上，提出了一套基于自適應(yīng)人工打標的晶粒度智能評級方法。該方法的檢測流程如圖1所示。①樣品制備。采用制定的自動磨拋、腐蝕方法制備試樣，要求試樣平行度不大于0.05mm，檢測面無劃痕、拋光應(yīng)變痕，晶界腐蝕清晰。②智能評級模型定級。通過自動光學(xué)顯微鏡對晶粒度試樣進行掃描和視場采集，每個試樣采集圖片約為300張，通過評級模型逐張評級，選擇5個與均值最接近的代表性視場，存留對應(yīng)圖片并按平均值定級。③結(jié)果報出。

 

2 試驗結(jié)果與討論

2.1 試樣制備

2.1.1 試樣磨拋

根據(jù)自動光學(xué)顯微鏡自動聚焦行程，晶粒度智能評級對試樣的制備品質(zhì)有較高要求。采用傳統(tǒng)金相預(yù)磨機、拋光機制備試樣時，試樣平行度一般為0.10~0.15mm，受人工經(jīng)驗影響，檢測面存在不同程度的劃痕和拋光應(yīng)變痕等缺陷，試樣制備品質(zhì)難以滿足智能評級的要求。采用自動磨拋機，按廠家推薦方法制備試樣（見表3），因研究人員單位產(chǎn)品的強度指標跨度較大，很難兼顧高強度和低強度等不同抗拉強度試樣的制備品質(zhì)。

研究人員采用自動鑲樣機和自動磨拋機進行制樣，根據(jù)試樣的抗拉強度指標，在參考同行實驗室自動磨拋經(jīng)驗和廠家推薦方法的基礎(chǔ)上，與相關(guān)技術(shù)人員共同研究制定了一套適應(yīng)公司產(chǎn)品特性的晶粒度智能評定試樣自動磨拋作業(yè)方法（見表4~5）。

2.1.2 試樣腐蝕

試樣腐蝕后要求其晶界清晰，否則將影響智能評級模型對試樣晶界等特征的提取。常規(guī)方式是采用體積分數(shù)為3%~5％的硝酸乙醇溶液作為腐蝕試劑，檢驗員根據(jù)個人經(jīng)驗腐蝕試樣，但是不同腐蝕試劑的體積分數(shù)、試樣材料、腐蝕時間等條件變化容易給人工造成誤導(dǎo)，導(dǎo)致試樣腐蝕深度過淺或過深，影響評定結(jié)果。

設(shè)計方法為采用體積分數(shù)為4％的硝酸乙醇溶液作為腐蝕試劑，腐蝕前使用沸水對試樣進行加熱，以提高腐蝕效果。同時，根據(jù)試樣材料的牌號，通過系列比對試驗，制定了晶粒度的智能評定試樣腐蝕控制要求（見表6）。

2.2 評級模型

評級模型主要包括：晶粒度試樣的人工打標，建立圖像數(shù)據(jù)庫；將數(shù)據(jù)庫輸入卷積神經(jīng)網(wǎng)絡(luò)模型，并進行深度學(xué)習(xí)，提取特征，建立晶粒度自動評級模型；對模型進行測試訓(xùn)練和適應(yīng)優(yōu)化，減小智能檢測結(jié)果與人工的差異，提高重復(fù)性。

2.2.1 圖像數(shù)據(jù)庫

數(shù)據(jù)庫是一系列用于特定金相檢驗圖像自動分析和處理的重要數(shù)據(jù)集，通過對晶粒度金相圖像進行人工打標和標注，以提取原始特征，建立各級數(shù)據(jù)集。當樣本量達到一定程度后，形成特定特征的數(shù)據(jù)庫，并最終實現(xiàn)晶粒度的自動分析。

2.2.1.1 人工打標

由于目前國內(nèi)沒有適用于筆者研究的眾多產(chǎn)品牌號的數(shù)據(jù)庫，因此，需要根據(jù)筆者單位產(chǎn)品的晶粒度特征和級別，通過人工打標來自己創(chuàng)建一個專用的晶粒度金相檢驗圖像數(shù)據(jù)庫。

使用實驗室現(xiàn)有的光學(xué)顯微鏡采集得到原始晶粒度金相檢驗圖像（見圖2，圖像大小為3072像素×2048像素），經(jīng)灰度化處理后，得到預(yù)處理后的金相檢驗樣本（見圖3）。

采用深度學(xué)習(xí)標注工具LabelMe軟件對預(yù)處理后的金相檢驗圖像進行人工打標，打標時需沿晶界將晶粒進行標注，初始打標時允許疏忽掉部分較模糊的晶界，但是已標注的一定要清晰、準確，以便對后續(xù)晶粒特征進行準確提取。LabelMe人工打標結(jié)果如圖4所示。

完成人工打標后，將打標前后圖像分別導(dǎo)入對應(yīng)級別的數(shù)據(jù)庫，進行晶粒度特征提取，生成該樣本的晶粒度金相標簽（見圖5）。

2.2.1.2 樣本分割并拓展數(shù)據(jù)庫

將預(yù)處理后的原圖像樣本每隔256像素有重疊地切分成45張大小為1024像素×1024像素的小尺寸圖像，這樣可以拓展數(shù)據(jù)庫的大小和多樣性，提高金相檢驗圖片自動學(xué)習(xí)算法的準確性和魯棒性。

2.2.2 晶粒度評級模型的建立

2.2.2.1 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

晶粒度評級模型主要是利用計算機人工智能和神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)技術(shù)構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型，其核心是一種多階段全局可訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，可針對不同的晶粒大小和形態(tài)構(gòu)建不同的網(wǎng)絡(luò)結(jié)構(gòu)，并直接從數(shù)據(jù)集中學(xué)習(xí)高級與抽象特征。典型的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層組成。

輸入層主要用于原始樣本的輸入，為了降低后續(xù)算法處理的復(fù)雜度，研究人員將灰度處理后圖像作為原始輸入樣本；卷積層用于圖像特征的提取、映射，以及深入理解學(xué)習(xí)，從一個平面到下一個平面進行映射，由神經(jīng)元自動提取圖像的局部特征，每個神經(jīng)元都與前一層的局部感受域相連，每層中各平面的神經(jīng)元分別提取圖像中特定區(qū)域的局部特征，如方向特征、形態(tài)特征、邊緣特征等；池化層是一個計算局部平均和二次特征的提取層，二次特征提取結(jié)構(gòu)使卷積神經(jīng)網(wǎng)絡(luò)在識別時對輸入樣本有較高的畸變?nèi)萑棠芰?，從而檢測更多的特征信息；全連接層用于連接并整合所有的特征，并將輸出值送給分類器，映射到樣本標簽。

2.2.2.2 模型計算方程

（1）逐層傳遞計算方程。在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，逐層傳遞是指從輸入層開始，逐層向后計算傳遞，直到輸出層輸出運算結(jié)果。其中卷積層計算方程如式(1) 所示。

池化層特征輸出計算方程如式(2) 所示。

全連接層輸出整合特征方式如式（3）所示。

（2）損失函數(shù)。在全連接層后，根據(jù)SoftMax函數(shù)進行分類，將多個神經(jīng)元的輸出結(jié)果映射到（0,1）之間，得到概率最大的輸出，從而計算損失函數(shù)，通過SoftMax 函數(shù)計算第i 類的概率如式（4）所示。

損失函數(shù)由多個部分組成，對分類問題一般采用交叉熵代價函數(shù)進行計算，為防止過擬合，在損失函數(shù)中增加正則函數(shù)。計算公式如式（5）所示。

通過卷積神經(jīng)網(wǎng)絡(luò)模型，在樣本數(shù)據(jù)庫中提取各級別晶粒度的低緯、中緯、高緯特征，再根據(jù)晶粒度級別進行分類，建立晶粒度智能評級模型。

2.3 模型訓(xùn)練和優(yōu)化

模型初步建立之后，其評級結(jié)果存在一定的波動和誤差，需采用未標記的晶粒度試樣進行訓(xùn)練和優(yōu)化，降低檢測誤差，以提高檢測重復(fù)性。研究人員使用八工位自動光學(xué)顯微鏡進行檢測，內(nèi)容主要分為兩個方面：一是模型與人工檢測的比對。采用晶粒度試樣作為素材進行測試，人工將待測試樣依次放入八工位自動載物臺上，按工位序號依次編輯試樣的編碼、檢測項目等信息，光學(xué)顯微鏡自動識別試樣、掃描、取景，接著進行評級模型評級，輸出晶粒度級別（結(jié)果保留兩位小數(shù)），將輸出的結(jié)果與人工檢測結(jié)果進行比較，當檢測結(jié)果偏差不大于0.5級時，比對結(jié)果合格。二是模型評級結(jié)果的重復(fù)性。采用晶粒度試樣作為素材進行測試，當完成第一次自動評級之后，將自動載物臺上的次序混亂或參雜其他物質(zhì)的試樣重新擺放，再次開展自動評級，同一試樣兩次評級結(jié)果的偏差不大于0.25級時，認為模型評級結(jié)果重復(fù)性好。

通過訓(xùn)練對評級模型進行適應(yīng)優(yōu)化，即將模型與人工檢測結(jié)果偏差超過預(yù)期范圍的試樣進行人工打標，導(dǎo)入卷積神經(jīng)網(wǎng)絡(luò)模型，優(yōu)化標準庫，晶粒度結(jié)果比對合格率、重復(fù)性與樣本數(shù)量的關(guān)系如表7所示。

由表7可知：隨著標準庫中樣本量的增加，評級模型檢測結(jié)果的重復(fù)性，以及與人工比對的合格率均逐步得到改善，持續(xù)穩(wěn)定地對卷積神經(jīng)網(wǎng)絡(luò)模型補充新的樣本特征，是晶粒度智能評級模型能夠輸出更準確定量分析結(jié)果的保證。

 

3 方法驗證和評價

3.1 試樣制備效果驗證

隨機抽取部分試樣，按文中制定的晶粒度智能評定試樣制備方法對試樣進行磨拋和腐蝕，采用測量精度為0.001mm的自動測量臺對試樣平行度進行測量，采用光學(xué)顯微鏡觀察視場表面的品質(zhì)和腐蝕情況，對試樣的制備效果進行驗證。共抽查試樣70張，試樣品種及抽查情況如表8所示。由表8可知：采用晶粒度智能評定試樣制備方法制備晶粒度試樣的平行度好，晶界腐蝕清晰，試樣制備品質(zhì)滿足智能評級要求。

3.2 智能評級與人工比對符合性評價

根據(jù)數(shù)據(jù)庫初始樣本的鋼種分類規(guī)則，在10個類別中根據(jù)實際生產(chǎn)情況隨機抽查一定數(shù)量的樣本，分別開展晶粒度智能評級和人工檢測，要求每個類別的試樣個數(shù)不少于30個，共計抽查43個鋼種牌號、600個試樣，根據(jù)GB/T 6394—2017《金屬平均晶粒度測定方法》對再現(xiàn)性進行規(guī)定，設(shè)定智能評級結(jié)果與人工檢測結(jié)果偏差不大于0.5級的為合格，則晶粒度智能評級結(jié)果合格率達98.2%。晶粒度智能評級與人工檢測結(jié)果偏差如表9所示。

3.3 智能評級結(jié)果的重復(fù)性評價

在開展智能評級與人工比對的同時，同步開展晶粒度智能評級結(jié)果的重復(fù)性試驗：在完成第一次晶粒度智能評級之后8h內(nèi)，再次開展晶粒度智能評級，將兩次結(jié)果進行比較，根據(jù)GB/T 6394—2017對重復(fù)性的規(guī)定，偏差不大于0.25 級的為重復(fù)性好，晶粒度智能評級結(jié)果的重復(fù)性達98.8%。晶粒度智能評級結(jié)果重復(fù)性如表10所示。

3.4 智能評級方法效率評估

根據(jù)晶粒度智能評級方法檢測流程，隨機準備 32套晶粒度樣坯并將其等分成4組，組織4名具有豐富金相檢驗經(jīng)驗的人員，分別按人工和智能流程開展晶粒度評級工作，統(tǒng)計分析各工序所用時間，相比傳統(tǒng)人工方法，文中的晶粒度智能評級方法制樣效率提高了23.8%，晶粒度檢測效率提高了41.1%。晶粒度智能評級方法制樣效率及檢測效率如表11，12所示。

 

4 結(jié)論

（1）通過研究試驗，研究人員制定了科學(xué)的金相試樣自動磨拋和腐蝕方法，試樣平行度不大于0.05mm，腐蝕晶界清晰，制樣效率提高了23.8%。

（2）基于計算機人工智能和神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)等技術(shù)建立了鋼材晶粒度智能評級方法，自動化檢測降低了人工勞動強度，檢測效率提高了41.1%。

（3）相比傳統(tǒng)金相檢驗方法，鋼材的晶粒度智能評定方法消除了對人工經(jīng)驗的依賴，重復(fù)性達98.8%。