[發明專利]碳鋼索氏體定量分析方法

有效

• 申請號: 202010319705.5
• 申請日: 2020-04-21
• 公開（公告）號: CN111398282B
• 公開（公告）日: 2023-03-14
• 發明（設計）人: 謝志雄;肖命冬;羅新中;吳紅兵;齊亮;游來有;李富強;張兆洋;朱祥睿;章玉成;劉引峰;王銀國;廖美華;何健楠;董鳳奎;劉金源;李祥龍;陳遠生
• 申請（專利權）人: 廣東韶鋼松山股份有限公司
• 主分類號: G01N21/84
• 分類號: G01N21/84;G01N33/202;G06V10/82;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 付興奇

1.一種碳鋼索氏體定量分析方法，其特征在于，包括：

素材準備：在學習樣品上選取檢測視場作為索氏體素材；對所述索氏體素材進行灰度二值定量得到素材索氏體定值含量；至少選取部分所述索氏體素材對索氏體組織進行色彩標記得到索氏體標記素材；

其中，所述素材準備中還包括選擇符合碳含量和索氏體含量分布要求的學習樣品粗樣，對學習樣品粗樣進行磨拋和腐蝕完成制樣，得到待篩選學習樣品，對所述待篩選學習樣品進行選擇，對所述待篩選學習樣品進行選擇包括：在每個所述待篩選學習樣品選取2-10個檢測視場分別作為所述索氏體素材，計算每個所述待篩選學習樣品中所述索氏體素材的灰度閾值的重復性和標準差，所述重復性為最大灰度閾值和最小灰度閾值的差值，當重復性小于第二預設值且標準差小于第三預設值時，判斷學習樣品合格；

深度學習：采用深度神經網絡模型對多個所述索氏體素材依次進行識別學習；在對每個所述索氏體素材進行識別學習時，輸入所述索氏體素材圖像、所述索氏體標記素材圖像、所述索氏體素材的單像素點長度及所述索氏體素材的所述素材索氏體定值含量對所述深度神經網絡模型進行初始化，依次對訓練集中所有的索氏體素材進行識別學習時，將經過初始化和自學習的深度神經網絡中的隱層層數、隱層節點數和每一層的網絡權重值進行遷移，建立深度神經網絡模型，即得到以索氏體含量為輸出節點的索氏體定量分析模型；

定量分析：在待測樣品上選取檢測視場作為待測素材，輸入所述待測素材圖像及所述待測素材的單像素點長度，采用所述索氏體定量分析模型對所述待測素材進行分析，索氏體定量分析模型輸出定量分析后的索氏體含量結果；

所述學習樣品和所述待測樣品均由粗樣經磨拋處理后腐蝕處理制得，所述腐蝕處理采用體積濃度為3.5-4.5%的硝酸酒精溶液，所述腐蝕處理的處理溫度為15-25℃、處理時間為23-37s；

腐蝕處理中，碳含量不超過0.60％的所述粗樣的處理時間為23-27s，碳含量超過0.60％且不超過0.80％的所述粗樣的處理時間為28-32s，碳含量超過0.80％的所述粗樣的處理時間為33-37s。

2.根據權利要求1所述的分析方法，其特征在于，所述深度學習和所述定量分析之間還包括：

驗證學習：采用所述索氏體定量分析模型對多個所述索氏體素材依次進行分析；對每個所述索氏體素材進行分析時，輸入所述索氏體素材圖像及所述索氏體素材的單像素點長度，輸出所述索氏體素材的索氏體含量；當輸出結果與圖像分析儀標樣檢測法的檢測結果的識別偏差大于第一預設值時，將所述索氏體素材進行所述深度學習以重構所述索氏體定量分析模型。

3.根據權利要求2所述的分析方法，其特征在于，所述第一預設值為5%。

4.根據權利要求1所述的分析方法，其特征在于，所述第二預設值為10，所述第三預設值為5。

5.根據權利要求1所述的分析方法，其特征在于，所述學習樣品的碳含量的分布范圍為0.45-0.90%。

6.根據權利要求1所述的分析方法，其特征在于，所述學習樣品的索氏體含量的分布范圍為60-100%。

7.根據權利要求1所述的分析方法，其特征在于，所述磨拋處理中，先采用磨平機對所述粗樣進行粗磨，再采用砂紙對所述粗樣進行至少三次細磨，在對所述粗樣進行多次細磨的操作中，所述砂紙的粒度逐漸減小。