[发明专利]金属材料中枝晶组织的自动全视场定量统计分布表征方法

权利要求书

1.一种金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：该方法包括如下步骤：

（1）建立基于深度学习的目标检测模型

将与待检测金属材料材质相同的标准金属材料试样进行金相制样、抛光和化学腐蚀，使其表面显示清晰完整的枝晶组织；

采用全自动金相显微镜对经金相化学腐蚀后的标准金属材料试样进行枝晶组织特征图谱采集，建立枝晶组织特征图谱数据集；将枝晶中心作为目标对枝晶组织特征图谱数据集中的各图像进行标记，得到含有标记框的图像，标记框内即为枝晶中心；其中，标记信息包括目标的类别和区域信息；类别表示标记框内是否包含枝晶中心；区域信息包括枝晶中心的位置；将标记后的枝晶组织特征图谱数据集生成目标检测样本库；

建立目标检测网络，用获得的目标检测样本库训练得到目标检测模型；

具体为：从标准金属材料试样的金相组织特征图谱中随机挑选5%-15%的视场，对其进行人工标记，得到含有标记框的多个图像；标记完成后，将标记后的多个图像输入目标检测网络中进行10000-50000次迭代训练，得到目标检测模型；

（2）待检测金属材料的枝晶组织特征图谱的全视场自动采集

采用与步骤（1）相同的金相制样和化学腐蚀工艺对待检测金属材料进行金相制样和金相化学腐蚀处理，然后对经金相化学腐蚀后的待检测金属材料表面采用全自动金相显微镜进行全视场枝晶组织特征图谱自动采集；

（3）枝晶组织自动识别和快速定位：

将步骤（2）采集到的所有待检测图像输入到步骤（1）建立的目标检测模型中，即可直接获得标记了枝晶中心的枝晶组织特征图谱；

（4） 全视场枝晶组织特征图谱的自动拼接融合

对经步骤（3）获得的所有标记了枝晶中心的枝晶组织特征图谱采用基于互信息的图像配准算法，对相邻枝晶组织特征图谱重合区域进行识别和拼接，获得一幅包含已标记枝晶中心的全视场枝晶组织特征图谱；

（5）大范围全视场枝晶组织数量和间距的定量分布表征

对步骤（4）获得的全视场枝晶组织特征图谱进行枝晶数量和间距的统计分布分析，获得大范围全视场上的每个枝晶位置、数量和相邻两个枝晶的间距定量统计分布数据；具体为：对步骤（4）获得的全视场枝晶组织特征图谱进行二值化处理，得到一幅只包含枝晶中心点的二值图像，采用联通区域法，直接统计出该二值图像上枝晶中心点个数，获得全视场上的枝晶个数；并通过每一个枝晶中心点的坐标，计算每个枝晶中心点和其它任意枝晶中心点之间的距离，并找出任意角度上，距离该点最近的相邻点，并记录两点间距为该角度下该点的一个枝晶间距，最后，统计出所有点在任意角度上的枝晶间距。

2.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤（1）中，金相化学腐蚀的溶液为1.0%-30.0% V/V氢氟酸、20%-40% V/V硝酸和30%-40% V/V冰醋酸水溶液；浸蚀时间为0.3min-2min。

3.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤（1）中，所述目标检测样本库分为训练集和测试集，其中，训练集用来进行训练得到目标检测模型，测试集用来验证模型的可靠程度。

4.根据权利要求1所述的金属材料中枝晶组织的自动全视场定量统计分布表征方法，其特征在于：所述步骤（1）中，所述目标检测网络选自Faster R-CNN、R-CNN、FAST R-CNN、mask R-CNN和SPP网络框架；网络框架包括特征提取网络、预选框网络、全连接层和输出层；其中，特征提取网络包括卷积层、ReLu层和pooling层；预选框网络使用RPNs(regionproposal networks)网络；全连接层为两层；输出层包含两部分内容，其中一部分输出目的为确定各预选框中特征的类别，输出值为各预选框对应于各分类目标的概率，另一部分输出目的为调整各预选框的位置和大小，输出值为4个自然数组成的数组，这4个自然数分别对应调整后的预选框的左上角坐标以及预选框的长和宽。