[发明专利]一种基于深度学习的金相评级分类方法

说明书

本发明涉及金属检测技术领域，尤其涉及一种基于深度学习的金相评级分类方法，包括如下步骤：拍摄不同金属产品的金相图像；标注金相图像上不同的金属成分；使用标注数据和图片训练Unet分割网络；将金相图片输入到Unet分割网络，输出为金相图片上检测出的所有金属成分的mask掩膜图像，根据掩膜计算出所有金属成分的特征参数，最后计算出金相图片的等级。本发明可以兼容不同金属产品，并且对新来的，没有见过的产品，只要里面的金属成分，在之前的产品中出现过，也可以有一个很好的检测效果。本发明的结果具有一个很好的可解释性，对于用户来说，可以快速的看出检测结果是否准确。

技术领域

本发明涉及金属检测技术领域，尤其涉及一种基于深度学习的金相评级分类方法。

背景技术

现代社会的发展对金属材料的需求量越来越大，要求也越来越高，对金属材料的性能检测就显得尤为重要。其中，金属的晶粒度级别是反映金属材料性能的一个重要指标。

传统的晶粒度评级方式是将制备好的金属材料试样放在高倍金相显微镜下进行拍摄，得到金相图片，有经验的师傅，从金相图片上找出铁素体、奥氏体、镍合金等金属成分，并通过测量工具，测量出它们的直径，面积等参数，与国标《GBT6394-2002金属平均晶粒度测定法》标准进行比对，判断金属的等级。

近年来，随着图像处理与深度学习的发展，也有一些图像方法应用到了金相评级中。其中大致可以分为两类，一类是基于传统图像处理的方式：通过预处理、边缘检测、阈值分割等方法，提取金属边界、金属颜色，面积等特征，使用人工设计的特征来训练SVM等传统分类器进行分类。第二类是基于深度学习中的分类方法，通过ResNet等分类网络自动学习金相图像的特征。上述两种方法在一定程度上能非常有效的加速金属的评级过程，但是，目前两种方法都还存在一些问题。

第一种方法中：针对不同产品的金相图片，各个金属成分的成像会有明显的变化，一套人工设计的特征并不通用，所以针对一种金属产品，需要设计一套特征，因此无法大规模适用所有的金属材料。

第二种方法中：不同于人工特征的强可解释性，ResNet等分类网络，只能给出分类结果，无法给出这些分类结果的原因，而金属材料，很多是用在航空、桥梁、房屋等安全等级要求非常高的地方，因此，在成功率达不到100％的情况下，没有可解释性的特征参数，则仍然需要人工一个个复判，实用性比较差，无法达到商用要求。

而这两年来，基于深度学习的图像分割网络，迎来了巨大的发展，Unet等分割网络，可以分割出一张图像上的不同物体，并且随着训练图像的增加，分割效果更好。因此，本发明提出一种基于深度学习的金相评级分类方法，能直观的对不同产品的金相图像进行分类评级。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于深度学习的金相评级分类方法，具有兼容不同金属产品的检测，且具有一个很好的可解释性，对于用户来说，可以快速的看出检测结果是否准确的特点，解决了现有技术无法大规模适用所有的金属材料，没有可解释性的特征参数，导致仍然需要人工复判的问题。

本发明提供如下技术方案：一种基于深度学习的金相评级分类方法，包括如下步骤：

S1、拍摄不同金属产品的金相图像；

S2、标注金相图像上不同的金属成分；

S3、使用标注数据和图片训练Unet分割网络；

S4、将金相图片输入到Unet分割网络，输出为金相图片上检测出的所有金属成分的mask掩膜图像，根据掩膜计算出所有金属成分的特征参数，最后计算出金相图片的等级。

优选的，所述步骤S1中将标注好的图片分为训练集、验证集、测试集；训练集用于训练模型，验证集用于评估模型，并找到最优模型，测试集用于在最优模型上进行最后测试验证。

优选的，所述步骤S2中的金属成分包括铁素体、奥氏体、镍合金中至少一种。