[发明专利]一种基于自监督学习的钢材微观组织分割方法

说明书

本发明提供了一种基于自监督学习的钢材微观组织分割方法，将实验中获取的钢材金相微观组织图像作为输入数据，再通过搭建的卷积网络模型对金相图进行特征提取得到特征图，同时使用超像素分割算法对原始输入的金相图做初步聚类分割得到超像素分割图，最后对特征图与超像素分割图进行映射，实现自监督学习，实现了准确、高效地对钢材微观组织进行分割的功能。本发明训练得到的模型，适用于钢材微观组织分割领域；本发明无需人工标注，降低了人工成本和时间成本。

技术领域

本发明属于钢材微观组织分割技术领域，具体涉及一种基于自监督学习的钢材微观组织分割方法。

背景技术

金相图是利用金属显微检测技术对金属样品的断面进行拍照而获得的显微照片，它在某种程度上反映了金属在特定工艺条件下所具有的内部结构。微观结构是一种材料的小尺度内部结构，它强烈地影响其机械、化学和电性能，钢材微观组织结构、组成与钢材的性能直接相关。因此，分割金相图已获取其所呈现的微观组织的含量组成是金相图研究及应用的重要环节。

近年来，有不少研究者致力于开发钢材微观组织分割的方法。早期的分割方法基本上停留在图像处理的层面，即利用图像处理算法或程序对金相图进行诸如灰度化、锐化、滤波、分割等处理，但这种方式难以实现对较复杂的复相组织的分割，效果不佳。随着计算机视觉理论和机器学习算法的发展，一些研究者尝试应用深度学习算法来实现对图像的分割，获得了优秀的图像分割效果——这种方法对数据集有严格要求，需要对大量原始图像数据进行人工标注，其中需要的人工成本和时间成本是极高的，因而目前在钢材微观组织分割领域中罕有成果。

发明内容

本发明要解决的技术问题是：提供一种基于自监督学习的钢材微观组织分割方法，用于准确、高效地对钢材微观组织进行分割。

本发明为解决上述技术问题所采取的技术方案为：一种基于自监督学习的钢材微观组织分割方法，包括以下步骤：

S1：选用不同型号的钢材和不同的热处理工艺制备试样，用金相显微镜获取试样的金相图、建立数据集并作为输入数据；

S2：搭建卷积神经网络模型对金相图进行特征提取得到特征图；使用超像素分割算法对金相图做初步聚类分割得到超像素分割图；

S3：对特征图与超像素分割图进行映射，实现自监督学习；

S4：训练卷积神经网络模型并测试性能，通过交互界面对钢材微观组织进行自动化分割。

按上述方案，所述的步骤S1中，具体步骤为：

S11：采用不同牌号的钢材、经由不同的热处理工艺制备试样；

S12：将试样切片、打磨、抛光，用蔡司金相显微镜对每个试样进行观测、照相，获得每个试样的金相图并建立数据集；

S13：将处理好的数据集采用留出法随机划分为训练数据集、测试数据集；

S14：随机打乱训练数据集。

进一步的，所述的步骤S11中，热处理工艺的具体步骤为：将钢材先在特定温度下保温，然后再分别进行包括固溶、正火、淬火、回火的工艺处理。

进一步的，所述的步骤S13中，划分训练数据集、测试数据集的比例为80％：20％。

按上述方案，所述的步骤S2中，具体步骤为：

S21：搭建卷积神经网络模型作为基本框架用于提取特征，向卷积神经网络模型输入金相图，输出特征图；

S22：采用包括SLIC的算法对金相图做聚类分割，得到超像素分割图。