[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

说明书

本发明提出的一种渗碳淬火钢磨削表层组织与烧伤智能识别方法，属于金相组织的检测技术领域，该方法包括：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；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；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；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；利用上述训练好的神经网络模型对待检测样本进行识别；该方法具备光照不敏感、图像旋转不变性等优点，操作简单，可减轻对人员的主观分析水准的依赖，为智能化快速识别与评价渗碳钢磨削表层组织与烧伤程度提供可靠的方法。

技术领域

本发明属于材料组织结构检测技术领域，具体涉及一种采用二值图像处理技术，开展渗碳淬火钢磨削表层金相组织状态识别与磨削烧伤程度评价的智能识别方法。

背景技术

20CrMnTi、22CrMnMo、8620H、20Cr等渗碳淬火钢材料有较好的力学性能，被广泛应用在齿轮、轴类、柱塞等零部件。由于渗碳淬火钢表层材料在磨削过程中受到瞬时高温快冷作用，金相组织发生了局部的不可逆变化，通常可分为回火烧伤和淬火烧伤。磨削表层组织状态是影响磨削裂纹和表层显微硬度的主要因素。

目前，对渗碳淬火钢磨削表层金相组织的研究手段主要依赖人工使用金相显微镜进行观察与主观判断，需要较强的专业知识和技能以及经验。近些年，计算机图像处理和神经网络技术发展迅速，被普遍应用于医学、通信、材料、机械等多个领域。图像特征主要包括形状特征、颜色特征、纹理特征、空间关系特征等，可在众多特征信息中寻找不同图像之间的差异性与相似性，典型应用事例有指纹识别、医学影片诊断、表面粗糙度评价等。人工神经网络种类繁多，包括感知神经网络、线性神经网络、径向基函数神经网络、自组织竞争神经网络、反馈神经网络等。神经网络有自组织、自学习等能力，可以自适应的调整网络内部节点的权值与阈值，从而找出培训样本的输入与输出之间的规律与关系，适用于对待识样本的预测与分类，典型应用事例有语言特征识别、非线性函数拟合、乳腺肿瘤诊断、数字识别、人脸朝向识别、短时交通量预测、高校科研能力评价等。随着计算机图形分析技术、数理统计与概率分布、人工神经网络等的迅速发展，以后被应用到材料微观组织研究领域将成为趋势。为了研究金相组织与工艺参数、力学性能之间的相关性，有必要将金相组织的形态进行定量描述，可利用边缘检测与提取、图像分割等技术对金相组织中某一组织形态进行轮廓自动提取与计算分析。金相显微组织的智能识别与分析应在定性识别不同金相组织类型的的基础上，再对其形态、大小、数量进行定量分析。

目前，针对不同的工件材料提取有价值的多类型特征信息时，可实用的特征参数选取存在差异性，且特征提取算法也不同。不同类型金相组织的分布形态、大小、数量均有差异，且经硝酸酒精等不同溶液清洗后，酸蚀着色等状况也不同，从而使观察到的金相组织的图像特征信息存在差异。图像特征参数种类较多，特征提取方式及特征参数类型选取的差异，均会影响到磨削表层金相组织状态识别的准确性，致使应选取的有效特征参数存在差异。且即使采取同组类型的特征参数去表征，不同材料的特征值分布区域也会有差异。

发明内容

本发明的目的是针对渗碳淬火钢磨削表层组织在磨削力和磨削热综合作用下而变更形态后识别困难的问题，提出一种渗碳淬火钢磨削表层组织状态与烧伤智能化快速识别方法。该方法利用不同金相组织类型、成分占比及形态对二值图像的分形维数、像素平均值、欧拉数、对比度、能量指标的影响规律，将图像特征分析和人工神经网络两种方法融合，可以对渗碳淬火钢磨削表层金相组织和磨削烧伤程度开展有效的定性与定量分析。

本发明提出的一种渗碳淬火钢磨削表层组织状态与烧伤智能化快速识别方法，实现过程示意图如附图1所示，其特征在于：该方法包括以下步骤：

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；