[发明专利]一种渗碳淬火钢磨削表层组织与烧伤智能识别方法

权利要求书

1.一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，该方法具体包括以下步骤：

1)采集渗碳淬火钢试件表层金相组织图，且将图像二值化处理：

将渗碳淬火钢试件表面磨削后，沿表层横断面切取，抛光后用4％硝酸酒精浸蚀；使用金相显微镜采集不同的试件磨削表层的金相组织图，且将图像进行二值化处理得到二值图像；

2)提取金相组织二值图像的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值；

3)培训用于第一级分类的神经网络模型，识别磨削烧伤程度及其金相组织：

将步骤2)提取的二值图像样本的分形维数、欧拉数、像素平均值、对比度、能量共5项特征值作为神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述5项特征值的影响规律，培训用于第一级分类的神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层磨削烧伤程度及金相组织进行第一级定性分类识别；所述第一级分类的神经网络模型将二值图像样本的金相组织类型作为输出结果，输出的金相组织类型包括：代表淬火烧伤白层的二次淬火马氏体组织的类型1、代表白层与暗层交界处的二次淬火马氏体组织与回火烧伤组织共存的类型2、代表回火烧伤暗层的索氏体或屈氏体构成的回火烧伤组织的类型3和代表未烧伤层的回火马氏体组织的类型4；将所述类型3、类型4对应的二值图像样本分别作为回火烧伤样本和未烧伤样本；

4)培训用于第二级分类的神经网络模型，进一步识别金相组织形态、成分占比、粒度信息：

在步骤3)中第一级分类的基础上，将步骤2)中提取回火烧伤样本金相组织的像素平均值、对比度、能量共3项特征值作为新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述3项特征值的影响规律，培训用于第二级分类的第一神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层回火烧伤组织的回火烧伤程度进行第二级定性分类识别；

同时，在步骤3)中第一级分类的基础上，将步骤2)中提取未烧伤样本金相组织的分形维数、像素平均值、欧拉数、对比度共4项特征值作为另一新的神经网络模型的输入参数，利用不同金相组织成分占比及形态对所述4项特征值的影响规律，培训用于第二级分类的第二神经网络模型；结合神经网络模型的模式识别、聚类分析或预测功能，对渗碳淬火钢磨削表层未烧伤组织的形态、粒度大小、成分占比进行第二级定性分类识别；

5)利用上述培训好的神经网络模型对待检测样本进行识别：

使用金相显微镜随机采集1次经4％硝酸酒精浸蚀的渗碳淬火钢磨削表层的金相组织图，且将其转换为二值图像；重复步骤2)；将提取的待检测样本的5项特征值数据输入经步骤3)培训好的用于第一级分类的神经网络模型中，输出第一级分类的测试结果；根据第一级分类的测试结果，将提取的待检测样本二值图像的像素平均值、对比度、能量共3项特征值数据或者分形维数、像素平均值、欧拉数、对比度共4项特征输入经步骤4)培训好的用于第二级分类的神经网络模型中，输出第二级分类的测试结果。

2.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤1)中的渗碳淬火钢为20CrMnTi、8620H、22CrMnMo、20Cr的低碳合金钢。

3.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤1)中金相显微镜以400～1000倍率采集渗碳淬火钢试件磨削表层的金相组织图像。

4.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤2)中的对比度、能量两项特征值均分别提取0°、45°、90°、135°四个方向的平均值。

5.根据权利要求1所述的渗碳淬火钢磨削表层组织与烧伤智能识别方法，其特征在于，所述步骤3)或步骤4)中的神经网络模型为概率神经网络、自组织竞争网络、BP神经网络、SVM神经网络、LVQ神经网络、广义神经网络模型中的任意一种。