Nothing Special   »   [go: up one dir, main page]

CN113781492A - 目标元素含量测量方法、训练方法、相关装置及存储介质 - Google Patents

目标元素含量测量方法、训练方法、相关装置及存储介质 Download PDF

Info

Publication number
CN113781492A
CN113781492A CN202010521698.7A CN202010521698A CN113781492A CN 113781492 A CN113781492 A CN 113781492A CN 202010521698 A CN202010521698 A CN 202010521698A CN 113781492 A CN113781492 A CN 113781492A
Authority
CN
China
Prior art keywords
image
trained
image blocks
metallographic
target element
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010521698.7A
Other languages
English (en)
Other versions
CN113781492B (zh
Inventor
林柏洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN202010521698.7A priority Critical patent/CN113781492B/zh
Publication of CN113781492A publication Critical patent/CN113781492A/zh
Application granted granted Critical
Publication of CN113781492B publication Critical patent/CN113781492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

目标元素含量测量方法、训练方法、相关装置及存储介质，其中，所述目标元素含量测量方法包括：获取金相显微镜采集的目标对象金相图像；按照预设切割尺寸将所述金相图像切割为多个图像块；将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果；将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。采用本说明书实施例方法能够快速而有效地测量出目标元素含量。

Description

目标元素含量测量方法、训练方法、相关装置及存储介质
技术领域
本说明书实施例涉及图像处理技术领域，尤其涉及一种目标元素含量测量方法、训练方法、相关装置及存储介质。
背景技术
传统的目标元素含量测量，例如索氏体含量测量，采用人工方式，利用金相显微镜通过肉眼进行观察，耗费人力且效率低下，此外，长时间使用金相显微镜对测试人员的眼睛有较大的伤害。近年来，随着图像处理技术的发展，提出了不同的图像处理方法，并设计相应的软件系统，实现索氏体组织的自动识别，并在此基础上完成索氏体含量的测量。
然而，现有的晶界提取方法很难完美识别索氏体组织，导致在测量过程中索氏体含量存在误差。因此，如何寻找一种快速有效的目标元素含量测量方法，使测量结果不受索氏体组织识别效果的影响，该问题存在较大的意义。
发明内容
有鉴于此，本说明书实施例提供一种目标元素含量测量方法、训练方法、相关装置及存储介质，能够快速而有效地测量出目标元素含量。
首先，本说明书实施例提供了一种目标元素含量测量方法，包括：
获取金相显微镜采集的目标对象金相图像；
按照预设切割尺寸将所述金相图像切割为多个图像块；
将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果；
将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。
可选地，所述深度回归网络模型包括：预设的卷积神经网络和全连接神经网络，所述卷积神经网络的输出端与所述全连接神经网络的输入端连接。
可选地，所述卷积神经网络包括：深度残差网络；
所述将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果，包括：
将所述多个图像块输入至所述深度残差网络，提取所述各个图像块的特征，得到特征为预设维度的实数向量；
将所述实数向量输出至所述全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
可选地，所述深度残差网络包括以下任意一种：
50层的残差网络ResNet50和101层的残差网络ResNet101。
可选地，所述深度残差网络和所述全连接神经网络的激活函数包括：
f(x)＝max(x,0)；
其中，x表示神经元的输入变量，f(x)表示神经元的输出端映射得到的值。
可选地，所述将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量，包括：
对所述多个图像块的实数测量结果求取平均值，将求取得到的平均值转化为百分比，得到所述金相图像的目标元素含量。
可选地，采用如下方法对所述深度回归网络模型进行训练：
获取待训练的目标对象的金相图像；
将所述金相图像按照所述预设切割尺寸切割得到多个图像块，作为待训练图像块；
获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
可选地，所述深度回归网络模型的损失函数包括：
Figure BDA0002532379810000021
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure BDA0002532379810000031
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
可选地，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，包括：
采用自适应矩估计方法，将学习率设置为10-3，使得所述深度回归网络的损失函数的输出值收敛至预设的阈值。
可选地，所述方法还包括：
在将所述待训练图像块输入所述深度回归网络模型进行训练之前，对所述待训练图像块对应的目标元素含量人工测量结果进行预处理；
在将所述多个图像块的实数测量结果进行加权处理之前，对所述多个图像块的实数测量结果进行后处理。
可选地，所述对所述待训练图像块对应的目标元素含量人工测量结果进行预处理，包括：将所述待训练图像块对应的目标元素含量人工测量结果进行对数变换；
在将所述多个图像块的实数测量结果进行加权处理之前对所述多个图像块的实数测量结果进行后处理，包括：对所述多个图像块的实数测量结果进行指数变换。
可选地，所述将所述金相图像按照所述预设切割尺寸切割得到多个图像块，作为待训练图像块包括以下至少一种：
将所述金相图像按照预设步长，从上到下，从左到右，提取尺寸为所述预设切割尺寸的图像块作为所述待训练图像块；
将所述金相图像通过上、下采样方式进行处理，并对采样后得到的金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块；
将所述金相图像进行图像增强处理，并对增强处理后金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块。
本说明书实施例还提供了一种适于目标元素含量测量的深度回归网络模型的训练方法，包括：
获取待训练的目标对象的金相图像；
将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块；
获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
可选地，所述深度回归网络模型包括：预设的深度残差网络和全连接神经网络，所述深度残差网络的输出端与所述全连接神经网络的输入端连接。
所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，包括：
将所述多个待训练图像块输入至所述深度残差网络，提取所述各个待训练图像块的特征，得到特征为预设维度的实数向量；
将所述实数向量输出至所述全连接神经网络，将所述各个待训练图像块的特征映射为一个实数定级，获得所述多个待训练图像块的实数测量结果。
可选地，所述深度回归网络模型的损失函数包括：
Figure BDA0002532379810000041
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure BDA0002532379810000042
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
可选地，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，包括：
将所述多个待训练图像块的实数测量结果和对应的目标元素含量人工测量结果分别输入预设的网络损失函数，直至所述损失函数的输出值收敛至预设阈值。
可选地，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，包括：
采用自适应矩估计方法，将学习率设置为10-3，使得所述深度回归网络的损失函数逐渐收敛至预设的稳定状态指标。
可选地，在将所述待训练图像块输入所述深度回归网络模型进行训练之前还包括：对所述待训练图像块对应的目标元素含量人工测量结果进行预处理。
可选地，所述对所述待训练图像块对应的目标元素含量人工测量结果进行预处理，包括：对所述待训练图像块对应的目标元素含量人工测量结果进行对数变换。
可选地，所述将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块，包括以下至少一种：
将所述金相图像按照预设步长，从上到下，从左到右，提取尺寸为所述预设切割尺寸的图像块作为所述待训练图像块；
将所述金相图像通过上、下采样方式进行处理，并对采样后得到的金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块；
将所述金相图像进行图像增强处理，并对增强处理后金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块。
本说明书实施例还提供了一种目标元素含量测量方法，包括：
获取目标对象；
对所述目标对象进行预处理；
将预处理后的目标对象置于金相显微镜下；
自动拍摄金相显微镜采集的目标对象金相图像；
采用前述任一实施例所述的目标元素含量测量方法进行测量，得到所述目标对象金相图像的目标元素含量。
本说明书实施例还提供了一种目标元素含量测量装置，包括：
金相图像获取单元，适于获取金相显微镜采集的目标对象金相图像；
图像切割单元，适于按照预设切割尺寸将所述金相图像切割为多个图像块；
测量单元，适于将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果，将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。
可选地，所述深度回归网络模型包括：预设的卷积神经网络和全连接神经网络，所述卷积神经网络的输出端与所述全连接神经网络的输入端连接。
可选地，所述卷积神经网络包括：深度残差网络，所述深度残差网络和全连接神经网络的激活函数为非线性激活函数；
所述测量单元，适于将所述多个图像块输入至所述深度残差网络，提取所述各个图像块的特征，得到特征为预设维度的实数向量，并将所述实数向量输出至所述全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
可选地，所述测量单元，适于将所述多个图像块的实数测量结果进行指数变换，并将指数变换后的实数测量结果求取平均值，将求取得到的平均值转化为百分比，得到所述金相图像的目标元素含量。
本说明书实施例还提供了一种适于目标元素含量测量的深度回归网络模型的训练装置，包括：
金相图像获取单元，适于获取待训练的目标对象的金相图像；
图像切割单元，适于将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块；
训练单元，适于获取所述多个待训练图像块对应的目标元素含量人工测量结果，并将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
可选地，所述深度回归网络模型包括：
预设的深度残差网络和全连接神经网络，所述深度残差网络的输出端与所述全连接神经网络的输入端连接，所述深度残差网络和全连接神经网络的激活函数为非线性激活函数。
可选地，所述训练单元，适于将所述多个待训练图像块输入至所述深度残差网络，提取所述各个待训练图像块的特征，得到特征为预设维度的实数向量；以及将所述实数向量输出至所述全连接神经网络，将所述各个待训练图像块的特征映射为一个实数定级，获得所述多个待训练图像块的实数测量结果。
可选地，所述深度回归网络模型的损失函数包括：
Figure BDA0002532379810000071
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure BDA0002532379810000072
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
可选地，所述训练单元，适于获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块的实数测量结果和对应的目标元素含量人工测量结果分别输入预设的网络损失函数，直至所述损失函数的输出值收敛至预设阈值。
可选地，所述训练单元适于将所述多个待训练图像块的目标元素人工测量结果进行对数变换后再输入至所述深度回归网络模型进行训练。
本说明书实施例还提供了一种目标元素含量测量系统，包括：
样品获取装置，适于获取目标对象；
预处理装置，适于对所述目标对象进行预处理；
金相图像拍摄装置，适于在所述预处理后的目标对象置于显微镜下后，自动拍摄金相显微镜采集的目标对象金相图像；
以及前述任一实施例所述的目标元素含量测量装置。
本说明书实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行前述任一实施例所述方法的步骤。
本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述任一实施例所述方法的步骤。
与现有技术相比，本说明书实施例的技术方案具有以下有益效果：
一方面，采用本说明书实施例的目标元素含量测量方案，通过将目标对象的金相图像按照预设切割尺寸切割为多个图像块，并输入至训练完成的深度回归网络自动提取所述多个图像块的特征，将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果，之后，将所述多个图像块的实数测量结果进行加权处理，，得到所述金相图像的目标元素含量，这一目标元素含量测量方案无须预先识别所述金相图像中的目标元素组织，整个测量过程基于训练完成的深度回归网络自动完成，无须人工测量，测量精度也不依赖于目标元素含量的识别精度，从而可以保证测量结果的稳定性，可以高效、稳定而准确地测量得到目标对象中目标元素含量。
另一方面，采用本说明书实施例中的训练方案，通过获取目标对象多个待训练图像块对应的目标元素含量人工测量结果，并结合所述多个待训练图像块对应的目标元素含量人工测量结果，对所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，从而可以采用所述训练完成的深度回归网络模型用于目标对象中目标元素含量的自动测量，且采用所述深度回归网络模型进行测量，无须预先识别待测量目标对象中的目标元素组织，因此可以保证测量结果的精准性和稳定性，且采用所述深度回归网络模型可以实现自动测量，因而，采用本说明书实施例的训练方法完成训练的深度回归网络模型用于目标对象中目标元素含量的测量，能够快速而有效地测量出目标对象中的目标元素含量。
附图说明
图1是本说明书实施例中一种目标元素含量测量流程框图；
图2是本说明书实施例中一种目标元素含量测量方法的流程图；
图3是本说明书实施例中一种残差结构原理示意图；
图4是本说明书实施例中一种目标元素含量测量系统的具体应用示意图；
图5是本说明书实施例中一种深度残差网络的结构示意图；
图6是本说明书实施例中一种全连接神经网络的结构示意图。
图7是本说明书实施例中一种训练方法的流程图；
图8是本说明书实施例中一种目标元素含量测量装置的结构示意图；
图9是本说明书实施例中一种训练装置的结构示意图；
图10是本说明书实施例中一种目标元素含量测量系统的结构示意图；
图11是本说明书实施例中一种电子设备的结构示意图。
具体实施方式
盘条，也叫线材，通常是指成盘的小直径圆钢。盘条的种类很多，其中碳素钢盘条中的低碳钢盘条俗称软线，中、高碳钢盘条俗称硬线。高碳钢盘条经拉拔后广泛应用于高层建筑、桥梁、石油化工、铁路等工程领域。索氏体是高碳钢盘条的基体组织，影响高碳钢盘条拉拔性能和力学性能的主要因素是索氏体(sorbite)的含量，索氏体含量越高越均匀，拉拔性能越好。随着高碳钢盘条产量的大幅度提高及其产品的广泛应用，生产厂家及制品行业对其索氏体含量指标亦越来越重视。
目前，根据已颁布的中华人民共和国黑色冶金行业标准文件《高碳钢盘条索氏体含量金相检测方法》，索氏体测量过程可以分为四个步骤：标准样品选取、标样与待测量样品的磨抛与腐蚀、检测条件的标定以及待测样品的检测。其中，在待测样品检测中，如何从显微镜图像中准确识别索氏体组织，直接影响到索氏体含量的测量精度。
以往检测通常采用人工方式，利用金相显微镜通过肉眼进行观察，虽然准确性高，但耗费人力且效率低下，此外，长时间使用金相显微镜对测试人员的眼睛有较大的伤害。
近年来，随着图像处理技术的发展，人们提出了多种图像处理方法，并设计了相应的软件系统，实现索氏体组织的自动识别，并在此基础上完成索氏体含量的测量。例如，采用图像处理软件将金相图片打开，并利用图像处理软件的辅助线，人工计算出索氏体组织的数量，并在此基础上得到整个金相图像中盘条横截面的索氏体含量值。又如，采用简单的阈值分割法识别出金相图像中的索氏体组织，进而计算获得索氏体含量，其中，阈值参数需要人工给定。
现有的索氏体含量测量方法依赖于索氏体组织识别精度，一方面，受图像噪声影响，对于不同的图像，索氏体组织很难全部准确识别，导致索氏体含量测量精度稳定性差，准确度不高；另一方面，已有方法需要在识别索氏体组织基础上进一步计算获得索氏体含量，而组织识别计算非常耗时，因此索氏体测量速度很慢。
因此，如何寻找一种快速有效的目标对象中目标元素含量测量方法，使测量结果不受目标元素组织识别效果的影响，该问题存在较大的意义。
为此，本说明书实施例提供一种基于深度回归网络的目标元素含量测量方法，采用本说明书实施例的目标元素含量测量方法，无须准确识别目标元素组织，可以自动测量得到目标对象中目标元素含量，且抗噪能力强，能够保证目标元素含量测量精度的稳定性。
为使本领域技术人员更加清楚地了解及实施本说明书实施例，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本说明书的一部分实施例，而不是全部实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本说明书保护的范围。
参照图1所示的目标元素含量测量流程框图，为使本领域技术人员更好地理解和实施本说明书实施例，以高碳钢盘条样品中的索氏体含量测量进行示例说明，执行流程包括如下步骤：
S11，获取目标对象。
获取高碳钢盘条样品作为目标对象。
S12，对目标对象进行预处理。
例如，可以对所述高碳钢盘条样品进行预处理，例如可以对样品进行镶嵌、磨制、抛光后得到金相磨面，之后可以采用硝酸酒精溶液侵蚀后吹干。
S13，金相显微镜观察。
在预处理后，可以将高碳钢盘条样品置于金相显微镜下。
S14，自动拍摄金相图像。
在具体实施中，可以在盘条横截面样品上确定监测点，在监测点上连续选取几个放大倍数为500倍的视场，拍摄金相图像。为提高测试效率，可以通过自动拍摄装置自动获取金相显微镜采集的高碳钢盘条样品金相图像。
S15，目标元素含量测量。
其中，在步骤S15中的目标元素含量测量过程中可以采用深度回归网络模型进行测量，为实现目标元素含量快速而准确地测量，可以预先对所述深度回归网络模型进行训练，待训练完成后，再采用完成训练的深度回归网络模型进行目标元素含量测量。
为使本领域技术人员更好地理解和实施，以下分别从目标对象中目标元素含量测量过程和深度回归网络模型的训练过程进行详细介绍。
首先介绍目标对象中目标元素含量的测量过程，目标元素含量的测量过程，可以理解为深度回归网络模型的使用过程，即采用训练完成的深度回归网络模型，对待测量目标元素含量的金相图像进行计算，得到金相图像中的目标元素含量。
参照图2所示的目标元素含量测量方法的流程图，在本说明书实施例中，具体可以包括如下步骤：
S21，获取金相显微镜采集的目标对象金相图像。
仍以高碳钢盘条样品作为目标对象进行示例说明。在具体实施中，可以将高碳钢盘条样品置于金相显微镜下，并拍摄金相显微镜下呈现下高碳钢盘条样品金相图像。在本说明书一些实施例中，可以在盘条横截面样品上确定监测点，在监测点上连续选取几个放大倍数为500倍的视场，拍摄金相图像。为提高测试效率，可以通过自动拍摄装置自动获取金相显微镜采集的高碳钢盘条样品金相图像。
此外，在将目标对象置于金相显微镜下之前，对于截取的目标对象，例如对于高碳钢盘条样品，可以先进行预处理，例如可以对样品进行镶嵌、磨制、抛光后得到金相磨面，之后可以采用硝酸酒精溶液侵蚀后吹干。
在具体实施中，金相显微镜可以为光学金相显微镜，也可以为其他类型的金相显微镜。
S22，按照预设切割尺寸将所述金相图像切割为多个图像块。
在具体实施中，可以根据金相图像中目标元素纹理组织的尺寸大小预先设置所述金相图像的切割尺寸。所述预设切割尺寸与目标对象离金相显微镜的距离、金相显微镜的放大倍数等进行设置。
在本说明书一些实施例中，对于索氏体金相图像，切割尺寸预设为384×384像素点。
S23，将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
在本说明书一些实施例中，所述深度回归网络模型包括：预设的卷积神经网络和全连接神经网络，所述卷积神经网络的输出端与所述全连接神经网络的输入端连接。
在具体实施中，所述卷积神经网络和所述全连接神经网络的激活函数可以采用非线性激活函数，在本说明书一些实施例中，所述卷积神经网络和所述全连接神经网络的激活函数选取ReLU激活函数，ReLU，即整流线性单元(Rectified Linear Unit)，可以激活部分神经元，增加稀疏性，当x＜0时，输出值为0；当x＞0时，输出值为x，用公式可以表示为：
f(x)＝max(x,0)；
其中，x表示神经元的输入变量，f(x)表示神经元的输出端映射得到的值。
在步骤S23中，可以先将所述多个图像块输入至预设的卷积神经网络，提取所述各个图像块的特征，得到特征为预设维度的实数向量，之后，可以将所述实数向量输出至所述全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
在具体实施中，所述全连接神经网络的激活函数可以采用非线性激活函数。
S24，将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。
采用上述实施例的索氏体含量测量方法，无须预先识别所述金相图像中的索氏体组织，整个测量过程基于训练完成的深度回归网络自动完成，无须人工测量，测量精度也不依赖于索氏体含量的识别精度，从而可以保证测量结果的稳定性，可以高效、稳定而准确地测量得到索氏体含量。
为便于理解和实施，以下给出一些适用于本说明书实施例的具体卷积神经网络，例如可以采用AlexNet、VGG、Inception、深度残差网络(Deep Residual Network，ResNet)等网络。
其中，AlexNet是在LeNet基础上加深了网络的结构，可以学习更丰富更高维的图像特征。
VGG有VGG16和VGG19两种网络深度不同的结构，VGGNet整个网络都使用同样大小的卷积核尺寸(3×3)和最大池化尺寸(2×2)。
Inception，也称GoogLeNet，整个Inception结构是由多个Inception模块串联起来的，其可以使用1×1卷积来进行升降维，并可以在多个尺寸上同时进行卷积再聚合。通过1×1卷积来进行升降维，通过可以在相同尺寸的感受野中叠加更多卷积，能提取到更丰富的特征，且使用1×1卷积进行降维，可以降低计算复杂度。而在多个尺寸上同时进行卷积，能够提取到不同尺度的尺寸特征，特征更为丰富进而意味着后续映射得到的实数定级更为准确，且利用稀疏矩阵分解成密集矩阵可以加快收敛速度。此外，预先将相关性强的特征汇聚，也能起到加速收敛的作用。
ResNet的结构是一种残差结构，如图3所示的残差结构原理示意图，用公式表示为：
y＝F(x)+x；
其中，x表示ResNet的输入，y表示ResNet的输出。
ResNet的残差结构中包含两种映射，一种是恒等映射(Identity Mapping)，另一种是残差映射(Residual Mapping)，其中，恒等映射，即是指本身，也就是公式中的x，残差映射指的是“差”，也就是y-x，也就是公式中的F(x)部分。
针对随着网络的加深，出现训练集准确率下降的现象，ResNet提供了两种选择方式，也就是恒等映射和残差映射，如果网络已经达到最优，继续加深网络，残差映射将会逼近至0，只剩下恒等映射，这样理论上网络一直处于最优状态了，网络的性能也就不会随着深度增加而降低了。
可以理解的是，以上仅为可采用的卷积神经网络的一些具体示例，并不用于限定本说明书实施例适用的卷积神经网络的类型。
此外，也可以将两者或者两种以上的卷积神经网络组合使用，例如可以将Inception结构和ResNet结构混合，形成Inception-ResNet结构。在具体实施中，Inception-ResNet结构具体可以有多种组合方式，可以根据实际训练效果选择最后用于索氏体含量测量的具体结构。
为使本领域技术人员更好地理解和实施如何采用深度回归网络模型实现不依赖于索氏体识别的索氏体含量测量，以下以深度回归网络模型中采用深度残差网络和全连接神经网络为例，通过具体应用场景的实现进行详细说明。
参照图4所示的目标元素含量测量系统的具体应用示意图，具体可以采用如下步骤进行索氏体含量测量：
S41，将输入的金相图像切割为预设切割尺寸的图像块。
作为一具体示例，对于获取得到的高碳钢盘条样品金相图像，按照从上到下，从左到右，可以将所述金相图像切割为n个切割尺寸为384×384像素点的图像块。
S42，将切割得到的尺寸为384×384像素点的图像块输入至训练完成的深度回归网络模型中，获得各图像块的实数测量结果。
继续上述具体示例，将每一个尺寸为384×384像素点的图像块输入至深度残差网络中，提取所述n个图像块的特征，得到特征为预设维度的实数向量，在具体实施中，预设维度可以与一幅金相图像切割得到的图像块的数量相等。之后，可以将所述实数向量输出至全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述n个图像块的实数测量结果，可以记为：
pi,i＝1,2,3,…,n。
为进一步提高测量准确率，可以在训练阶段，对待训练图像块对应的目标元素含量人工测量结果进行预处理，并在目标元素含量测量阶段，可以对图像块的实数测量结果进行相应的后处理。作为一种可选示例，可以对待训练图像块对应的目标元素含量人工测量结果进行对数变换，例如，进行以10为底的对数变换。相应地，采用经过预处理后的待训练图像块对应的目标元素含量人工测量结果训练得到的深度回归网络模型，输出的各个图像块的实数测量结果为各图像块真实测量结果的对数形式。为便于理解，设所述图像块的实数测量结果为p，则这里输出的所述图像块的实数测量结果为p的对数形式，如图4所示，经深度回归网络模型处理后，得到以10为底对数形式的实数测量结果lgp，因此这里对各图像块的实数测量结果进行相应的指数变换，例如相应地进行以10为底的指数变换，得到各图像块可以表示为百分比形式的实数测量结果。可以理解的是，在具体实施中，上述预处理过程中的对数变换和后处理过程中的指数变换也可以取其他的底数，例如以e为底，以2为底，等等，本说明书实施例中并不对所取底数作任何限定，具体取值可以根据实验数据的验证结果进行选择。
S43，对各图像块的实数测量结果求取平均值，将求取得到的平均值转化为百分比，得到所述金相图像的索氏体含量百分比。
继续上述具体示例，索氏体含量百分比G可以表示如下：
Figure BDA0002532379810000151
在本说明书一实施例中，采用50层的深度残差网络ResNet50。
参照图5所示的深度残差网络ResNet50的网络结构示意图，ResNet50即共50层的残差网络，其中没有需要训练参数的层，比如池化层(Pooling Layer)，不参与计数。ResNet50共包括5个部分，依次为：stage1～stage5，也可以称为5种参数不同的卷积阶段。其中：
stage1中包括：64个7×7的卷积核、步长为2、0填充增加的维度为3(7×7conv，64，stride 2，pad3)；并在输入的通道轴上应用批量归一化及激活函数ReLU(BatchNormalization+ReLU)；以及3×3的最大池化层，步长为2(3×3max pooling，stride 2)。
Stage2中包括：三层瓶颈结构单元：
Figure BDA0002532379810000152
其中包含一个瓶颈块(Bottleneck Block)和两个身份块(Identity Block)。
在stage3，4，5中，同样包含多个三层瓶颈结构单元，
Figure BDA0002532379810000153
其中，每一部分可以包括一个瓶颈块和m-1个身份块，每个瓶颈块和身份块的具体结构如图5所示。深度残差网络中的具体参数如d1、d2、d3、n1、n2、n3、m等，在具体实施中，可以根据仿真实验效果具体确定。
由图5可知，在本说明书一实施例中，切割尺寸为384×384像素点的图像块输入至深度残差网络ResNet50中后，经过Stage1，可以提取出尺寸为96×96×64的特征图，再经过stage2，可以输出尺寸为96×96×256的特征图，经过stage3，可以输出尺寸为48×48×512的特征图，经过stage4，可以输出尺寸为24×24×1024的特征图，之后再经过stage5，可以输出尺寸为12×12×2048的特征图，最后经过全局均值池化层(GlobalAveragePooling)，可以输出尺寸为1×1×2048的特征图。
继续参照图6所示的全连接神经网络结构示意图，深度残差网络输出的1×1×2048的特征图可以转换为2048×1的特征向量，并输入至全连接神经网络，全连接神经网络可以输出各图像块的网络定级结果pi，也即各个图像块的实数测量结果。
作为一具体示例，所述深度残差网络ResNet50和所述全连接神经网络的激活函数均选取ReLU函数，采用ReLU函数作为激活函数，相对于线性函数，可以使得提取出的特征更加丰富，而对于非线性函数而言，由于其非负区间的梯度为常数，因此不存在梯度消失的问题，使得深度回归网络模型的收敛速度维持在一个稳定的状态。
在具体实施中，还可以采用其他的激活函数，例如ELU函数，Leaky ReLU等。
以上详细介绍了将深度残差网络ResNet50应用于索氏体含量测量的具体方法，在具体实施中，还可以采用其他深度的ResNet，例如，ResNet101，本说明书实施例中并不对深度残差网络的层级作任何限制。
为使本领域技术人员更好地理解和实施本说明书实施例，以下对本说明书实施例中的深度回归网络模型的训练过程进行详细描述。
参照图7所示的深度回归网络模型的训练方法流程图，训练过程具体可以包括如下步骤：
S71，获取待训练的目标对象的金相图像。
仍以高碳钢盘条作为目标对象进行示例。在具体实施中，可以通过金相显微镜采集高碳钢盘条样品金相图像，具体方法可以参见前述实施例中步骤S21中的描述。
S72，将所述金相图像按照所述预设切割尺寸切割得到多个图像块，作为待训练图像块。
首先，为能够通过少量图像的学习，使得深度回归网络模型完成有效的训练，在训练前将金相图像进行分块处理，具体切割方式可以参照如前实施例中步骤S22所述，此处不再详细描述。
更进一步地，在训练样本有限情况下，可以基于样本构造训练样本数据，使得深度回归网络模型在样本很少的情况下也可以得到有效的训练和学习。具体而言，可以通过多种方式构造训练样本数据，以下给出一些可实现示例，具体可以采用其中一种或多种方式得到待训练图像块：
示例一：将所述金相图像按照预设步长，从上到下，从左到右，提取尺寸为所述预设切割尺寸的图像块作为所述待训练图像块。
示例二：将所述金相图像通过上、下采样方式进行处理，并对采样后得到的金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块。
示例三：将所述金相图像进行图像增强处理，并对增强处理后金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块
有针对性地强调图像的整体或局部特征，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，可以改善图像质量、丰富信息量，加强图像判读和识别效果。
在具体实施中，可以通过低通滤波或者高通滤波等频域法进行图像增强，也可以通过局部求平均值或者中值滤波法等空间域法来进行图像增强。
通过低通滤波法、局部求平均值或者中值滤波法等方法可以去除或减弱图像中的噪声，而通过高通滤波法，可以增强边缘等高频信号，使模糊的图片变得更加清晰。
S73，获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
在具体实施中，所述深度回归网络模型可以包括：预设的卷积神经网络和全连接神经网络，所述深度残差网络的输出端与所述全连接神经网络的输入端连接。
以下以卷积神经网络采用深度残差网络为例，说明整个训练过程：
可以将所述多个待训练图像块输入至所述深度残差网络，提取所述各个待训练图像块的特征，得到特征为预设维度的实数向量。之后，将所述实数向量输出至所述全连接神经网络，将所述各个待训练图像块的特征映射为一个实数定级，获得所述多个待训练图像块的实数测量结果。
对于尺寸为384×384的图像块，图像中的晶粒平均直径介于1～384之间，基于此，在本说明书一些实施例中，设置所述深度回归网络模型的损失函数包括：
Figure BDA0002532379810000181
其中，P表示人工测定的所述预设切割尺寸的图像块的索氏体含量测量结果，
Figure BDA0002532379810000182
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的索氏体含量，e为大于0的极小常数。
对于上述损失函数，当P＝0时，lg(P+e)＝lge，若e＝0，则该对数函数无意义，为防止该情况发生，e为大于0的极小常数，在本说明书一实施例中，e＝10-6。
在具体实施中，将所述多个待训练图像块的实数测量结果和对应的目标元素含量人工测量结果分别输入预设的网络损失函数，直至所述损失函数的输出值收敛至预设阈值，确定完成训练。
在具体实施中，为有效率地使网络损失函数达至最小，尽快完成训练，可以采用一些能够自动优化学习率的训练方法。例如，可以采用批处理梯度下降(batch gradientdescent，BGD)、随机梯度下降(stochastic gradient descent，SGD)、动量法(Momentum)、AdaGrad、自适应矩估计(Adaptive Moment Estimation，Adam)法等。
在本说明书一实施例中，采用Adam法，将学习率设置为10-3，经过100轮左右的训练，使得所述深度回归网络的损失函数逐渐收敛至预设的稳定状态指标，确定完成训练，可以投入使用。
本说明书实施例还提供了相应的索氏体含量测量装置、测量系统和训练装置，以下分别通过具体实施例进行对应描述。
在本说明书一些实施例中，如图8所示的目标元素含量测量装置的结构示意图，目标元素含量测量装置80可以包括：
金相图像获取单元81，适于获取金相显微镜采集的目标对象金相图像；
图像切割单元82，适于按照预设切割尺寸将所述金相图像切割为多个图像块；
测量单元83，适于将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果，将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。
采用上述目标元素含量测量装置，无须预先识别所述目标对象金相图像中的目标元素组织，而是通过深度回归网络模型提取图像特征，并基于提取得到的特征得到图像中的目标元素含量，整个测量过程基于训练完成的深度回归网络自动完成，无须人工测量，测量精度也不依赖于目标元素含量的识别精度，从而可以保证测量结果的稳定性，可以高效、稳定而准确地测量得到目标元素含量。
在具体实施中，所述深度回归网络模型可以包括：预设的卷积神经网络和全连接神经网络，所述卷积神经网络的输出端与所述全连接神经网络的输入端连接。
在本说明书一些实施例中，所述卷积神经网络包括：深度残差网络，所述深度残差网络和全连接神经网络的激活函数为非线性激活函数，例如可以为ReLU函数。相应地，所述测量单元83，适于将所述多个图像块输入至所述深度残差网络，提取所述各个图像块的特征，得到特征为预设维度的实数向量，并将所述实数向量输出至所述全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
在具体实施中，若在训练阶段，对待训练图像块对应的目标元素含量人工测量结果进行了预处理，则在目标元素含量测量阶段，可以对图像块的实数测量结果进行相应的后处理。例如，若对待训练图像块对应的目标元素含量人工测量结果进行了对数变换(作为一示例，进行以10为底的对数变换)，则相应地，继续参照图8，所述测量单元83，适于将所述多个图像块的实数测量结果进行指数变换(作为一具体示例，进行以10为底的指数变换)，并将指数变换后的实数测量结果求取平均值，将求取得到的平均值转化为百分比，得到所述金相图像的目标元素含量。
本说明书实施例还提供了一种适于索氏体含量测量的深度回归网络模型的训练装置，如图9所示的训练装置的结构示意图，训练装置90可以包括：
金相图像获取单元91，适于获取待训练的目标对象的金相图像；
图像切割单元92，适于将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块；
训练单元93，适于获取所述多个待训练图像块对应的目标元素含量人工测量结果，并将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
在本说明书一些实施例中，所述深度回归网络模型包括：预设的深度残差网络和全连接神经网络，所述深度残差网络的输出端与所述全连接神经网络的输入端连接，所述深度残差网络和全连接神经网络的激活函数为非线性激活函数。
例如，对于前述由预设的深度残差网络和全连接神经网络构成的深度回归网络模型，所述训练单元93，适于将所述多个待训练图像块输入至所述深度残差网络，提取所述各个待训练图像块的特征，得到特征为预设维度的实数向量；以及将所述实数向量输出至所述全连接神经网络，将所述各个待训练图像块的特征映射为一个实数定级，获得所述多个待训练图像块的实数测量结果。
在具体实施中，所述深度回归网络模型的损失函数包括：
Figure BDA0002532379810000201
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure BDA0002532379810000202
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
在具体实施中，所述训练单元83，适于获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块的实数测量结果和对应的目标元素含量人工测量结果分别输入预设的网络损失函数，直至所述损失函数的输出值收敛至预设阈值。
如前所述，在具体实施中，所述训练单元83，可以将所述多个待训练图像块的目标元素含量人工测量结果进行对数变换后再输入至所述深度回归网络模型进行训练。
本说明书实施例还提供了一种目标元素含量测量系统，如图10所示，目标元素含量测量系统100可以包括：
样品获取装置101，适于获取目标对象，例如截取高碳钢盘条样品；
预处理装置102，适于对所述目标对象进行预处理；
金相图像拍摄装置103，适于在所述预处理后的目标对象置于显微镜下后，自动拍摄金相显微镜采集的目标对象金相图像；
目标元素含量测量装置104，适于对目标元素含量进行测量。
在具体实施中，所述目标元素含量测量装置104可以采用前述任一实施例中介绍的目标元素含量测量装置进行实施，具体实施方式可以参见前述实施例介绍，此处不再赘述。
本说明书实施例还提供了一种电子设备，如图11所示的电子设备的结构示意图，电子设备110可以包括存储器111和处理器112，所述存储器上存储有可在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行前述任一实施例所述目标元素含量测量方法或前述任一实施例所述适于目标元素含量测量的深度回归网络模型的训练方法的步骤。
需要说明的是，所述处理器112具体可以包括一个或者多个CPU核心形成的CPU芯片1121，或者可以包括GPU芯片1122，或者是由所述CPU芯片1121和GPU芯片1122组成的芯片模组。处理器112和存储器111之间可以通过总线等进行通信，各芯片之间也可以通过相应的通信接口进行通信。
本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行前述任一实施例所述目标元素含量测量方法或前述任一实施例所述适于目标元素含量测量的深度回归网络模型的训练方法的步骤。
在具体实施中，所述计算机可读存储介质可以包括例如任何合适类型的存储器单元、存储器设备、存储器物品、存储器介质、存储设备、存储物品、存储介质和/或存储单元，例如，存储器、可移除的或不可移除的介质、可擦除或不可擦除介质、可写或可重写介质、数字或模拟介质、硬盘、软盘、光盘只读存储器(CD-ROM)、可刻录光盘(CD-R)、可重写光盘(CD-RW)、光盘、磁介质、磁光介质、可移动存储卡或磁盘、各种类型的数字通用光盘(DVD)、磁带、盒式磁带等。
计算机指令可以包括通过使用任何合适的高级、低级、面向对象的、可视化的、编译的和/或解释的编程语言来实现的任何合适类型的代码，例如，源代码、编译代码、解释代码、可执行代码、静态代码、动态代码、加密代码等。
本发明实施例中各装置、系统、设备或系统的具体实现方式、工作原理和具体作用及效果，可以参见对应方法实施例中的具体介绍。
以上具体实施例中以对高碳钢盘条样品中的索氏体含量测量进行示例说明，本领域技术人员可以理解，本说明书实施例所采用的测量方法也适用于其他的目标对象中的其他类型的目标元素，只要能够获取到目标对象的金相图像即可。
虽然本说明书实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本说明书实施例的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (35)

1.一种目标元素含量测量方法，其特征在于，包括：
获取金相显微镜采集的目标对象金相图像；
按照预设切割尺寸将所述金相图像切割为多个图像块；
将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果；
将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。
2.根据权利要求1所述的目标元素含量测量方法，其特征在于，所述深度回归网络模型包括：预设的卷积神经网络和全连接神经网络，所述卷积神经网络的输出端与所述全连接神经网络的输入端连接。
3.根据权利要求2所述的目标元素含量测量方法，其特征在于，所述卷积神经网络包括：深度残差网络；
所述将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果，包括：
将所述多个图像块输入至所述深度残差网络，提取所述各个图像块的特征，得到特征为预设维度的实数向量；
将所述实数向量输出至所述全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
4.根据权利要求3所述的目标元素含量测量方法，其特征在于，所述深度残差网络包括以下任意一种：
50层的残差网络ResNet50和101层的残差网络ResNet101。
5.根据权利要求4所述的目标元素含量测量方法，其特征在于，所述深度残差网络和所述全连接神经网络的激活函数包括：
f(x)＝max(x,0)；
其中，x表示神经元的输入变量，f(x)表示神经元的输出端映射得到的值。
6.根据权利要求1至5任一项所述的目标元素含量测量方法，其特征在于，所述将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量，包括：
对所述多个图像块的实数测量结果求取平均值，将求取得到的平均值转化为百分比，得到所述金相图像的目标元素含量。
7.根据权利要求6所述的目标元素含量测量方法，其特征在于，采用如下方法对所述深度回归网络模型进行训练：
获取待训练的目标对象的金相图像；
将所述金相图像按照所述预设切割尺寸切割得到多个图像块，作为待训练图像块；
获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
8.根据权利要求7所述的目标元素含量测量方法，其特征在于，所述深度回归网络模型的损失函数包括：
Figure FDA0002532379800000021
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure FDA0002532379800000022
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
9.根据权利要求8所述的目标元素含量测量方法，其特征在于，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，包括：
采用自适应矩估计方法，将学习率设置为10-3，使得所述深度回归网络的损失函数的输出值收敛至预设的阈值。
10.根据权利要求7所述的目标元素含量测量方法，其特征在于，还包括：
在将所述待训练图像块输入所述深度回归网络模型进行训练之前，对所述待训练图像块对应的目标元素含量人工测量结果进行预处理；
在将所述多个图像块的实数测量结果进行加权处理之前，对所述多个图像块的实数测量结果进行后处理。
11.根据权利要求10所述的目标元素含量测量方法，其特征在于，所述对所述待训练图像块对应的目标元素含量人工测量结果进行预处理，包括：将所述待训练图像块对应的目标元素含量人工测量结果进行对数变换；
在将所述多个图像块的实数测量结果进行加权处理之前对所述多个图像块的实数测量结果进行后处理，包括：对所述多个图像块的实数测量结果进行指数变换。
12.根据权利要求7所述的目标元素含量测量方法，其特征在于，所述将所述金相图像按照所述预设切割尺寸切割得到多个图像块，作为待训练图像块包括以下至少一种：
将所述金相图像按照预设步长，从上到下，从左到右，提取尺寸为所述预设切割尺寸的图像块作为所述待训练图像块；
将所述金相图像通过上、下采样方式进行处理，并对采样后得到的金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块；
将所述金相图像进行图像增强处理，并对增强处理后金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块。
13.一种适于目标元素含量测量的深度回归网络模型的训练方法，其特征在于，包括：
获取待训练的目标对象的金相图像；
将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块；
获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
14.根据权利要求13所述的训练方法，其特征在于，所述深度回归网络模型包括：
预设的深度残差网络和全连接神经网络，所述深度残差网络的输出端与所述全连接神经网络的输入端连接。
15.根据权利要求14所述的训练方法，其特征在于，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，包括：
将所述多个待训练图像块输入至所述深度残差网络，提取所述各个待训练图像块的特征，得到特征为预设维度的实数向量；
将所述实数向量输出至所述全连接神经网络，将所述各个待训练图像块的特征映射为一个实数定级，获得所述多个待训练图像块的实数测量结果。
16.根据权利要求15所述的训练方法，其特征在于，所述深度回归网络模型的损失函数包括：
Figure FDA0002532379800000041
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure FDA0002532379800000042
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
17.根据权利要求16所述的训练方法，其特征在于，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，包括：
将所述多个待训练图像块的实数测量结果和对应的目标元素含量人工测量结果分别输入预设的网络损失函数，直至所述损失函数的输出值收敛至预设阈值。
18.根据权利要求17所述的训练方法，其特征在于，所述采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标，包括：
采用自适应矩估计方法，将学习率设置为10-3，使得所述深度回归网络的损失函数逐渐收敛至预设的稳定状态指标。
19.根据权利要求13所述的训练方法，其特征在于，在将所述待训练图像块输入所述深度回归网络模型进行训练之前还包括：
对所述待训练图像块对应的目标元素含量人工测量结果进行预处理。
20.根据权利要求19所述的训练方法，其特征在于，所述对所述待训练图像块对应的目标元素含量人工测量结果进行预处理，包括：
对所述待训练图像块对应的目标元素含量人工测量结果进行对数变换。
21.根据权利要求13所述的训练方法，其特征在于，所述将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块，包括以下至少一种：
将所述金相图像按照预设步长，从上到下，从左到右，提取尺寸为所述预设切割尺寸的图像块作为所述待训练图像块；
将所述金相图像通过上、下采样方式进行处理，并对采样后得到的金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块；
将所述金相图像进行图像增强处理，并对增强处理后金相图像按照所述预设切割尺寸进行切割，得到所述待训练图像块。
22.一种目标元素含量测量方法，其特征在于，包括：
获取目标对象；
对所述目标对象进行预处理；
将预处理后的目标对象置于金相显微镜下；
自动拍摄金相显微镜采集的目标对象金相图像；
采用权利要求1至12任一项所述的目标元素含量测量方法进行测量，得到所述目标对象金相图像的目标元素含量。
23.一种目标元素含量测量装置，其特征在于，包括：
金相图像获取单元，适于获取金相显微镜采集的目标对象金相图像；
图像切割单元，适于按照预设切割尺寸将所述金相图像切割为多个图像块；
测量单元，适于将所述多个图像块输入至训练完成的深度回归网络模型，以提取所述多个图像块的特征，并将所述多个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果，将所述多个图像块的实数测量结果进行加权处理，得到所述金相图像的目标元素含量。
24.根据权利要求23所述的目标元素含量测量装置，其特征在于，所述深度回归网络模型包括：预设的卷积神经网络和全连接神经网络，所述卷积神经网络的输出端与所述全连接神经网络的输入端连接。
25.根据权利要求24所述的目标元素含量测量装置，其特征在于，所述卷积神经网络包括：深度残差网络，所述深度残差网络和全连接神经网络的激活函数为非线性激活函数；
所述测量单元，适于将所述多个图像块输入至所述深度残差网络，提取所述各个图像块的特征，得到特征为预设维度的实数向量，并将所述实数向量输出至所述全连接神经网络，将所述各个图像块的特征映射为一个实数定级，获得所述多个图像块的实数测量结果。
26.根据权利要求25所述的目标元素含量测量装置，其特征在于，所述测量单元，适于将所述多个图像块的实数测量结果进行指数变换，并将指数变换后的实数测量结果求取平均值，将求取得到的平均值转化为百分比，得到所述金相图像的目标元素含量。
27.一种适于目标元素含量测量的深度回归网络模型的训练装置，其特征在于，包括：
金相图像获取单元，适于获取待训练的目标对象的金相图像；
图像切割单元，适于将所述金相图像按照预设切割尺寸切割为多个图像块，作为待训练图像块；
训练单元，适于获取所述多个待训练图像块对应的目标元素含量人工测量结果，并将所述多个待训练图像块对应的目标元素含量人工测量结果输入至所述深度回归网络模型，采用预设的训练方法将所述待训练图像块输入所述深度回归网络模型进行训练，直至所述深度回归网络模型达到预设的稳定性能指标。
28.根据权利要求27所述的训练装置，其特征在于，所述深度回归网络模型包括：
预设的深度残差网络和全连接神经网络，所述深度残差网络的输出端与所述全连接神经网络的输入端连接，所述深度残差网络和全连接神经网络的激活函数为非线性激活函数。
29.根据权利要求28所述的训练装置，其特征在于，所述训练单元，适于将所述多个待训练图像块输入至所述深度残差网络，提取所述各个待训练图像块的特征，得到特征为预设维度的实数向量；以及将所述实数向量输出至所述全连接神经网络，将所述各个待训练图像块的特征映射为一个实数定级，获得所述多个待训练图像块的实数测量结果。
30.根据权利要求29所述的训练装置，其特征在于，所述深度回归网络模型的损失函数包括：
Figure FDA0002532379800000071
其中，P表示人工测定的所述预设切割尺寸的图像块的目标元素含量测量结果，
Figure FDA0002532379800000072
表示所述采用所述深度回归网络模型训练过程中输出的所述金相图像的目标元素含量，e为大于0的极小常数。
31.根据权利要求30所述的训练装置，其特征在于，所述训练单元，适于获取所述多个待训练图像块对应的目标元素含量人工测量结果，将所述多个待训练图像块的实数测量结果和对应的目标元素含量人工测量结果分别输入预设的网络损失函数，直至所述损失函数的输出值收敛至预设阈值。
32.根据权利要求27至31任一项所述的训练装置，其特征在于，所述训练单元适于将所述多个待训练图像块的目标元素人工测量结果进行对数变换后再输入至所述深度回归网络模型进行训练。
33.一种目标元素含量测量系统，其特征在于，包括：
样品获取装置，适于获取目标对象；
预处理装置，适于对所述目标对象进行预处理；
金相图像拍摄装置，适于在所述预处理后的目标对象置于显微镜下后，自动拍摄金相显微镜采集的目标对象金相图像；
以及权利要求23至26任一项所述的目标元素含量测量装置。
34.一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机指令，其特征在于，所述处理器运行所述计算机指令时执行权利要求1至12任一项所述方法或权利要求13至21任一项所述方法的步骤。
35.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1至12任一项所述方法或权利要求13至21任一项所述方法的步骤。
CN202010521698.7A 2020-06-10 2020-06-10 目标元素含量测量方法、训练方法、相关装置及存储介质 Active CN113781492B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010521698.7A CN113781492B (zh) 2020-06-10 2020-06-10 目标元素含量测量方法、训练方法、相关装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010521698.7A CN113781492B (zh) 2020-06-10 2020-06-10 目标元素含量测量方法、训练方法、相关装置及存储介质

Publications (2)

Publication Number Publication Date
CN113781492A true CN113781492A (zh) 2021-12-10
CN113781492B CN113781492B (zh) 2024-10-22

Family

ID=78834490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010521698.7A Active CN113781492B (zh) 2020-06-10 2020-06-10 目标元素含量测量方法、训练方法、相关装置及存储介质

Country Status (1)

Country Link
CN (1) CN113781492B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4447218A1 (de) * 1993-12-31 1996-01-11 Dieter Dr Vetterkind Prozeßdiagnose - Modellrechner
US20060074594A1 (en) * 2004-09-22 2006-04-06 Massachusetts Institute Of Technology Systems and methods for predicting materials properties
WO2011002473A1 (en) * 2009-07-01 2011-01-06 Halliburton Energy Services Estimating mineral content using geochemical data
CN101964293A (zh) * 2010-08-23 2011-02-02 西安航空动力股份有限公司 一种金相显微组织图像处理方法
CN102682601A (zh) * 2012-05-04 2012-09-19 南京大学 基于优化svm的高速公路交通事件检测方法
CN104070075A (zh) * 2014-06-04 2014-10-01 北京中冶设备研究设计总院有限公司 一种热轧带钢层流冷却过程控制装置与方法
CN106845524A (zh) * 2016-12-28 2017-06-13 田欣利 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法
CN107730451A (zh) * 2017-09-20 2018-02-23 中国科学院计算技术研究所 一种基于深度残差网络的压缩感知重建方法和系统
CN109919108A (zh) * 2019-03-11 2019-06-21 西安电子科技大学 基于深度哈希辅助网络的遥感图像快速目标检测方法
WO2019192860A1 (de) * 2018-04-03 2019-10-10 Werth Messtechnik Gmbh Vorrichtung und verfahren zur computertomografischen messung von werkstücken mit drehbarem targetträger
CN110472507A (zh) * 2019-07-12 2019-11-19 中国地质大学（武汉） 基于深度残差网络的人手深度图像位姿估计方法及系统
CN110717532A (zh) * 2019-09-27 2020-01-21 广东工业大学 基于SE-RetinaGrasp模型的机器人目标抓取区域实时检测方法
CN110736709A (zh) * 2019-10-26 2020-01-31 苏州大学 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法
WO2020062433A1 (zh) * 2018-09-29 2020-04-02 初速度（苏州）科技有限公司 一种神经网络模型训练及通用接地线的检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4447218A1 (de) * 1993-12-31 1996-01-11 Dieter Dr Vetterkind Prozeßdiagnose - Modellrechner
US20060074594A1 (en) * 2004-09-22 2006-04-06 Massachusetts Institute Of Technology Systems and methods for predicting materials properties
WO2011002473A1 (en) * 2009-07-01 2011-01-06 Halliburton Energy Services Estimating mineral content using geochemical data
CN101964293A (zh) * 2010-08-23 2011-02-02 西安航空动力股份有限公司 一种金相显微组织图像处理方法
CN102682601A (zh) * 2012-05-04 2012-09-19 南京大学 基于优化svm的高速公路交通事件检测方法
CN104070075A (zh) * 2014-06-04 2014-10-01 北京中冶设备研究设计总院有限公司 一种热轧带钢层流冷却过程控制装置与方法
CN106845524A (zh) * 2016-12-28 2017-06-13 田欣利 一种渗碳淬火钢磨削表层组织与烧伤智能识别方法
CN107730451A (zh) * 2017-09-20 2018-02-23 中国科学院计算技术研究所 一种基于深度残差网络的压缩感知重建方法和系统
WO2019192860A1 (de) * 2018-04-03 2019-10-10 Werth Messtechnik Gmbh Vorrichtung und verfahren zur computertomografischen messung von werkstücken mit drehbarem targetträger
WO2020062433A1 (zh) * 2018-09-29 2020-04-02 初速度（苏州）科技有限公司 一种神经网络模型训练及通用接地线的检测方法
CN109919108A (zh) * 2019-03-11 2019-06-21 西安电子科技大学 基于深度哈希辅助网络的遥感图像快速目标检测方法
CN110472507A (zh) * 2019-07-12 2019-11-19 中国地质大学（武汉） 基于深度残差网络的人手深度图像位姿估计方法及系统
CN110717532A (zh) * 2019-09-27 2020-01-21 广东工业大学 基于SE-RetinaGrasp模型的机器人目标抓取区域实时检测方法
CN110736709A (zh) * 2019-10-26 2020-01-31 苏州大学 一种基于深度卷积神经网络的蓝莓成熟度的无损检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李军伟, 彭志方: "用人工神经网络法预测含Re镍基单晶高温合金中TCP相的含量", 航空材料学报, no. 06, 15 December 2004 (2004-12-15) *
闫玉生;杨雪梅;穆克亮;: "RBF网络在地质样品非线性基体效应校正中的应用", 物探化探计算技术, no. 02, 15 March 2008 (2008-03-15) *

Also Published As

Publication number Publication date
CN113781492B (zh) 2024-10-22

Similar Documents

Publication Publication Date Title
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
CN110245608B (zh) 一种基于半张量积神经网络的水下目标识别方法
CN108898560B (zh) 基于三维卷积神经网络的岩心ct图像超分辨率重建方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN110555399A (zh) 手指静脉识别方法、装置、计算机设备及可读存储介质
CN111161314B (zh) 目标对象的位置区域确定方法、装置、电子设备及存储介质
CN110428364B (zh) 帕金森声纹语谱图样本扩充方法、装置及计算机存储介质
CN105243154A (zh) 基于显著点特征和稀疏自编码的遥感图像检索方法及系统
CN114821229B (zh) 基于条件生成对抗网络的水下声学数据集增广方法及系统
Li et al. Densely connected network for impulse noise removal
CN108681689A (zh) 基于生成对抗网络的帧率增强步态识别方法及装置
CN115830436A (zh) 一种基于深度学习的海洋生物智能检测方法
CN115223164A (zh) 一种基于人工智能的甜瓜成熟度检测方法及系统
CN115240240A (zh) 基于yolo网络的红外人脸识别方法及系统
CN114863189B (zh) 一种基于大数据的图像智能识别方法
CN112836602B (zh) 基于时空特征融合的行为识别方法、装置、设备及介质
CN114581963A (zh) 基于重构差异的oct指纹切面图像真伪检测方法
CN113781492B (zh) 目标元素含量测量方法、训练方法、相关装置及存储介质
CN117133059B (zh) 一种基于局部注意力机制的人脸活体检测方法及装置
CN111353526A (zh) 一种图像匹配方法、装置以及相关设备
CN114863164B (zh) 一种面向小目标超分辨重建图像的目标识别模型构建方法
CN113780335B (zh) 一种小样本商品图像分类方法、装置、设备及存储介质
CN113807206B (zh) 一种基于去噪任务辅助的sar图像目标识别方法
CN116884435A (zh) 一种基于音频提示学习的声音事件检测方法及装置
CN116047418A (zh) 基于小样本的多模态雷达有源欺骗干扰识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40062862

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant