本发明涉及计算机视觉和材料科学,特别是涉及一种基于计算机视觉的不锈钢图片识别分析方法及系统。
背景技术:
1、分析不锈钢的结构和评估不锈钢性能对于确保产品质量、提高制造工艺和性能优化具有重要意义。了解不锈钢的结构可以帮助我们更好地理解其性能特点,有助于进行合理的材料选择、工艺设计和产品改进。现有的不锈钢分析方法主要是通过金相分析进行识别,金相分析是材料科学中检测金属内在结构的重要手段,是研究金属材料是否发生失效的重要方法。传统的金相分析方法通常依赖于人眼观察和经验,效率低下且准确性难以保证,并且对于检验结果需要反复进行审核,经常会出现影响工期的情况,而且需要消耗大量的人力。随着计算机视觉和人工智能技术的发展,利用这些技术对金相图片进行自动化分析,对于材料工程、制造业和科研领域具有重要意义。
技术实现思路
1、为了克服现有技术的不足,本发明的目的是提供一种基于计算机视觉的不锈钢图片识别分析方法及系统,通过引入计算机视觉和深度学习技术,能够准确、高效地识别和分析不锈钢图片,以减少人为误差,实现材料品质精准监控,确保不锈钢质量及性能。
2、为实现上述目的,本发明提供了如下方案:一种基于计算机视觉的不锈钢图片识别分析方法,包括以下步骤:
3、获取不锈钢样本的普通图像和金相图像并进行图像预处理以得到图像集,再基于所述图像集提取物理特征和组织特征;
4、利用所述图像集、所述物理特征和所述组织特征,选择并训练机器模型,再整合训练好的机器模型以得到深度学习模型;
5、利用所述深度学习模型分析和预测新输入的不锈钢图片,得到不锈钢图片的评估结果、损耗情况和寿命预测;
6、基于分析和预测的结果生成可视化报告。
7、可选的,所述图像预处理包括灰度化处理、去噪处理、增强对比度处理和图像分割处理;所述物理特征包括颜色、纹理和形状;所述组织特征包括相界、孔隙和晶粒。
8、可选的,机器模型的训练过程包括外观分析训练、性能分析训练、损耗分析训练和寿命预测训练。
9、可选的,所述外观分析训练的过程为:
10、将所述普通图像和所述物理特征整合为外观图像集,基于所述外观图像集进行光谱测量、去噪处理、色彩校正处理和白平衡处理操作;
11、基于处理后的所述外观图像集,分析并提取颜色直方图、亮度分布、纹理特征和光泽度,得到光谱数据;
12、利用所述光谱数据,选择第一机器模型计算不锈钢样本色度数据以及不同样本之间的色差;
13、基于所述色度数据和所述色差评估不锈钢的表面质量,完成所述外观分析训练。
14、可选的,所述性能分析训练的过程为:
15、选择第二机器模型,并将所述孔隙、所述相界和所述晶粒输入所述第二机器模型中进行计算和统计;
16、计算所述孔隙的孔隙率并统计所述孔隙的大小、形状和分布情况,计算所述相界的面积和长度并统计所述相界的类型,计算所述晶粒的平均尺寸分布并分析所述的晶粒形状,得到性能数据集;
17、整合所述性能数据集和不锈钢样本的使用环境信息,得到初始性能报告,完成所述性能分析训练。
18、可选的,所述损耗分析训练的过程为:
19、利用特征叠加的方式结合所述物理特征和组织特征,得到特征数据集,并将所述特征数据集内的不同特征进行分组分类;
20、选择第三机器模型,利用所述特征数据集训练所述第三机器模型,得到磨损模型,实现所述损耗分析训练;
21、将不锈钢样本输入所述磨损模型中,得到各个不锈钢样本的磨损程度和磨损原因;所述磨损原因由各类特征组合而成;
22、其中,在所述磨损模型中引入局部敏感性分析技术以识别所述磨损原因中的特征组合和各类特征的磨损程度占比。
23、可选的,所述寿命预测训练的过程为:
24、选择第四机器模型,在所述第四机器模型中预设实际寿命值,并利用所述特征数据集训练所述第四机器模型,得到初始预测模型;
25、将不锈钢样本输入所述初始预测模型中进行预测并得到预测结果,将所述预测结果与所述实际寿命值进行比较计算,得到预测差值;
26、计算并得到所述综合数据集的特征重要度,结合所述特征重要度和所述预测差值对所述寿命预测模型进行调整和优化,得到寿命预测模型,完成所述寿命预测训练。
27、可选的,整合训练好的机器模型以得到深度学习模型的过程为:
28、设计一个含有多输入和多输出结构的深度学习框架,并将所述第一机器模型、所述第二机器模型、所述磨损模型和所述寿命预测模型作为子模型整合到所述深度学习框架中,得到初始学习模型;
29、整合所述物理特征、所述组织特征、磨损数据和寿命数据为一个符合输入要求的综合数据集,结合所述综合数据集和引入的优化器进行所述初始学习模型的训练和优化,得到所述深度学习模型;
30、将新的不锈钢样本输入所述深度学习模型中进行识别和分析,输出综合性能评估结果、损耗情况和寿命预测值。
31、本发明还提供了一种基于计算机视觉的不锈钢图片识别分析系统,包括:
32、图像处理模块,用于获取不锈钢样本的普通图像和金相图像并进行图像预处理以得到图像集,再基于所述图像集提取物理特征和组织特征;
33、模型学习模块,用于利用所述图像集、所述物理特征和所述组织特征,选择并训练机器模型,再整合训练好的机器模型以得到深度学习模型;
34、图片分析模块,用于利用所述深度学习模型分析和预测新输入的不锈钢图片,得到不锈钢图片的评估结果、损耗情况和寿命预测;
35、可视化模块,用于基于分析和预测的结果生成可视化报告。
36、本发明通过提供一种基于计算机视觉的不锈钢图片识别分析方法及系统,公开了以下技术效果:
37、1、本发明通过结合不锈钢物理外观特征和关键组织结构来进行不锈钢的识别和分析,能够全面准确的识别和分析不锈钢,提高了识别和分析结果的准确率,并且能够有针对性的发现问题,实现品质精准监控,以确保不锈钢质量及性能。
38、2、本发明通过引入计算机视觉和建立深度学习模型,可以实现综合性能评估、分析材料的磨损程度以及预测使用寿命,能够准确、高效地识别和分析不锈钢图片,与传统方法相比,本发明自动化程度高、准确性和重复性好,提高了不锈钢的分析效率,减少了人为误差。
39、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
1.一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,所述图像预处理包括灰度化处理、去噪处理、增强对比度处理和图像分割处理;所述物理特征包括颜色、纹理和形状;所述组织特征包括相界、孔隙和晶粒。
3.根据权利要求2所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,机器模型的训练过程包括外观分析训练、性能分析训练、损耗分析训练和寿命预测训练。
4.根据权利要求3所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,所述外观分析训练的过程为:
5.根据权利要求4所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,所述性能分析训练的过程为:
6.根据权利要求5所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,所述损耗分析训练的过程为:
7.根据权利要求6所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,所述寿命预测训练的过程为:
8.根据权利要求7所述的一种基于计算机视觉的不锈钢图片识别分析方法,其特征在于,整合训练好的机器模型以得到深度学习模型的过程为:
9.一种基于计算机视觉的不锈钢图片识别分析系统,其特征在于,包括: