一种金属材料的金相组织智能识别方法、装置及存储介质[发明专利]

(12)发明专利申请

(10)申请公布号 CN 112700401 A(43)申请公布日 2021.04.23

(21)申请号 202011415766.8(22)申请日 2020.12.04

(71)申请人 广州珠江天然气发电有限公司

地址 510000 广东省广州市南沙区环市大

道北21号(72)发明人 卢振宇　刘义忠　李健波　(74)专利代理机构 广州三环专利商标代理有限

公司 44202

代理人 郭浩辉　颜希文(51)Int.Cl.

G06T 7/00(2017.01)G16C 20/20(2019.01)G16C 20/70(2019.01)G16C 60/00(2019.01)G01N 21/84(2006.01)

权利要求书2页 说明书10页 附图4页

G01N 21/88(2006.01)

()发明名称

一种金属材料的金相组织智能识别方法、装置及存储介质(57)摘要

本发明公开了一种金属材料的金相组织智能识别方法，步骤包括：采集金属显微组织图像；从所述金属显微组织图像中提取组元特征；根据所述组元特征判断所述金属材料的组成相。本发明提供了一种金属材料的金相组织智能识别方法、装置及存储介质，能够识别出待测材料的金相。

CN 112700401 ACN 112700401 A

权　利　要　求　书

1/2页

1.一种金属材料的金相组织智能识别方法，其特征在于，步骤包括：采集金属显微组织图像；

从所述金属显微组织图像中提取组元特征；根据所述组元特征判断所述金属材料的组成相。

2.如权利要求1所述的金属材料的金相组织智能识别方法，其特征在于，从所述金属显微组织图像中提取组元特征，具体为：

提取所述金属显微组织图像中全部的图像特征；根据设定的筛选条件，从所述图像特征中筛选出组元特征；所述筛选条件包括图像的分辨率、图像的像素值；

进一步识别所述组元特征的特征信息，所述特征信息包括：晶界的长度、角度、宽度、数量、面积，色号；晶内化合物的长度、角度、宽度、数量、面积，色号；

角度、宽度、数量、面积，色号。晶间化合物的长度、

3.如权利要求2所述的金属材料的金相组织智能识别方法，其特征在于，根据所述组元特征判断所述金属材料的组成相，还包括：

将所述特征信息与预存的样本库的特征信息进行对比，若所述特征信息符合某一种金相组织的预设标准，则判定所述金属材料的组成相只包含所述金相组织；

或者，若所述特征信息符合多种金相组织的预设标准，则判定所述金属材料的组成相包含对应的多种金相组织。

4.如权利要求3所述的金属材料的金相组织智能识别方法，其特征在于，还包括老化评级；所述老化评级具体如下：

当从所述金属显微组织图像中提取组元特征时，检测晶界直线的弯曲程度、检测晶界的数量、检测晶界轮廓的清晰度以及晶内化合物的分布位置；

根据所述晶界直线的弯曲程度、所述检测晶界的数量、所述检测晶界轮廓的清晰度以及所述晶内化合物的分布位置判断所述金属材料的老化情况；

其中，当所述金属材料的组成相包含多种金相组织时，所述老化情况根据以下分值算式进行评级：

L为老化级别；T为判断某一种金相组织的老化情况的特征分值；n为金相组织的种类数量。

5.一种金属材料的金相组织智能识别装置，其特征在于，包括：图像采集模块，用于采集金属显微组织图像；图像识别模块，用于从所述金属显微组织图像中提取组元特征；图像分析模块，用于根据所述组元特征判断所述金属材料的组成相。6.如权利要求5所述的金属材料的金相组织智能识别装置，其特征在于，所述图像识别模块，还用于：

提取所述金属显微组织图像中全部的图像特征；根据设定的筛选条件，从所述图像特征中筛选出组元特征；所述筛选条件包括图像的

2

CN 112700401 A

权　利　要　求　书

2/2页

分辨率、图像的像素值；

进一步识别所述组元特征的特征信息，所述特征信息包括：晶界的长度、角度、宽度、数量、面积，色号；晶内化合物的长度、角度、宽度、数量、面积，色号；晶间化合物的长度、角度、宽度、数量、面积，色号。

7.如权利要求6所述的金属材料的金相组织智能识别装置，其特征在于，所述图像分析模块，还用于：

将所述特征信息与预存的样本库的特征信息进行对比，若所述特征信息符合某一种金相组织的预设标准，则判定所述金属材料的组成相只包含所述金相组织；

或者，若所述特征信息符合多种金相组织的预设标准，则判定所述金属材料的组成相包含对应的多种金相组织。

8.如权利要求6所述的金属材料的金相组织智能识别装置，其特征在于，还包括老化评级；所述老化评级具体如下：

当从所述金属显微组织图像中提取组元特征时，检测晶界直线的弯曲程度、检测晶界的数量、检测晶界轮廓的清晰度以及晶内化合物的分布位置；

根据所述晶界直线的弯曲程度、所述检测晶界的数量、所述检测晶界轮廓的清晰度以及所述晶内化合物的分布位置判断所述金属材料的老化情况；

其中，当所述金属材料的组成相包含多种金相组织时，所述老化情况根据以下分值算式进行评级：

L为老化级别；T为判断某一种金相组织的老化情况的特征分值；n为金相组织的种类数量。

9.一种金属材料的金相组织智能识别装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的金属材料的金相组织智能识别方法。

10.一种金属材料的金相组织智能识别方法的存储介质，其特征在于，所述金属材料的金相组织智能识别方法的存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行上述权利要求1至4任一项所述的金属材料的金相组织智能识别方法。

3

CN 112700401 A

说　明　书

1/10页

一种金属材料的金相组织智能识别方法、装置及存储介质

技术领域

[0001]本发明涉及机器学习及金属材料性能测试技术领域，尤其是涉及一种金属材料的金相组织智能识别方法、装置及存储介质。背景技术

[0002]金相指的是金属或合金的化学成分以及各种成分在合金内部的物理状态和化学状态。金属材料的内部结构，只有在显微镜下才能观察到，在显微镜下看到的内部组织结构称为显微组织或金相组织。金相组织反映金属金相的具体形态，如马氏体，奥氏体，铁素体，珠光体等等，金相组织也可能存在缺陷，常见的缺陷包括金相球化、碳化物聚集等。不同的金相组织决定金属材料的综合性能，金相组织存在的缺陷又会影响性能发挥，因此需要在

当前，人们利用显微镜观察金属材识别金属材料的金相组织的前提下合理运用金属材料。

料的金相组织并依赖个人知识及经验判断金相形态，是否存在缺陷。该方法存在主观臆断，极依赖工作者的个人能力，因此当前的技术还有很大改进空间。发明内容

[0003]针对上述技术问题，本发明提供了一种金属材料的金相组织智能识别方法、装置及存储介质，能够识别出待测材料的金相。所述技术方案如下：[0004]第一方面，本发明实施例提供了一种金属材料的金相组织智能识别方法，步骤包括：

[0005]采集金属显微组织图像；

[0006]从所述金属显微组织图像中提取组元特征；[0007]根据所述组元特征判断所述金属材料的组成相。[0008]在本发明第一方面的第一种可能的实现方式中，从所述金属显微组织图像中提取组元特征，包括：

[0009]提取所述金属显微组织图像中全部的图像特征；[0010]根据设定的筛选条件，从所述图像特征中筛选出组元特征；所述筛选条件包括图像的分辨率、图像的像素值；

[0011]进一步识别所述组元特征的特征信息，所述特征信息包括：[0012]晶界的长度、角度、宽度、数量、面积，色号；[0013]晶内化合物的长度、角度、宽度、数量、面积，色号；[0014]晶间化合物的长度、角度、宽度、数量、面积，色号。[0015]在本发明第一方面的第二种可能的实现方式中，根据所述组元特征判断所述金属材料的组成相，还包括：

[0016]将所述特征信息与预存的样本库的特征信息进行对比，若所述特征信息符合某一种金相组织的预设标准，则判定所述金属材料的组成相只包含所述金相组织；[0017]或者，若所述特征信息符合多种金相组织的预设标准，则判定所述金属材料的组

4

CN 112700401 A

说　明　书

2/10页

成相包含对应的多种金相组织。[0018]其中，当判定所述金属材料的组成相包含对应的多种金相组织时，例如包含A、B、...、N的N种金相组织，A、B、...、N金相组织哪个在图像中占的比例大，哪个就写前面，如A占40％，B占60％，则该金属显微组织图像为B+A组织。

[0019]在本发明第一方面的第三种可能的实现方式中，所述金属材料的金相组织智能识别方法，还包括老化评级；所述老化评级具体如下：

[0020]当从所述金属显微组织图像中提取组元特征时，检测晶界直线的弯曲程度、检测晶界的数量、检测晶界轮廓的清晰度以及晶内化合物的分布位置；[0021]根据所述晶界直线的弯曲程度、所述检测晶界的数量、所述检测晶界轮廓的清晰度以及所述晶内化合物的分布位置判断所述金属材料的老化情况；[0022]其中，当所述金属材料的组成相包含多种金相组织时，所述老化情况根据以下分值算式进行评级：

[0023]

L为老化级别；T为判断某一种金相组织的老化情况的特征分值；n为金相组织的种

类数量。

[0025]第二方面，包括：本发明实施例提供了一种金属材料的金相组织智能识别装置，[0026]图像采集模块，用于采集金属显微组织图像；[0027]图像识别模块，用于从所述金属显微组织图像中提取组元特征；[0028]图像分析模块，用于根据所述组元特征判断所述金属材料的组成相。[0029]在本发明第二方面的第一种可能的实现方式中，所述图像识别模块，还用于：[0030]提取所述金属显微组织图像中全部的图像特征；[0031]根据设定的筛选条件，从所述图像特征中筛选出组元特征；所述筛选条件包括图像的分辨率、图像的像素值；

[0032]进一步识别所述组元特征的特征信息，所述特征信息包括：[0033]晶界的长度、角度、宽度、数量、面积，色号；[0034]晶内化合物的长度、角度、宽度、数量、面积，色号；[0035]晶间化合物的长度、角度、宽度、数量、面积，色号。[0036]在本发明第二方面的第二种可能的实现方式中，所述图像分析模块，还用于：[0037]将所述特征信息与预存的样本库的特征信息进行对比，若所述特征信息符合某一种金相组织的预设标准，则判定所述金属材料的组成相只包含所述金相组织；[0038]或者，若所述特征信息符合多种金相组织的预设标准，则判定所述金属材料的组成相包含对应的多种金相组织。

[0039]在本发明第二方面的第三种可能的实现方式中，所述的金属材料的金相组织智能识别装置，还包括评级模块；所述评级模块用于：

[0040]当从所述金属显微组织图像中提取组元特征时，检测晶界直线的弯曲程度、检测晶界的数量、检测晶界轮廓的清晰度以及晶内化合物的分布位置；[0041]根据所述晶界直线的弯曲程度、所述检测晶界的数量、所述检测晶界轮廓的清晰度以及所述晶内化合物的分布位置判断所述金属材料的老化情况；

5

[0024]

CN 112700401 A[0042]

说　明　书

3/10页

其中，当所述金属材料的组成相包含多种金相组织时，所述老化情况根据以下分

值算式进行评级：

[0043]

L为老化级别；T为判断某一种金相组织的老化情况的特征分值；n为金相组织的种

类数量。

[0045]第三方面，本发明实施例提供了一种金属材料的金相组织智能识别装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的金属材料的金相组织智能识别方法。[0046]第四方面，本发明实施例提供了一种金属材料的金相组织智能识别方法的存储介质，所述金属材料的金相组织智能识别方法的存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行上述金属材料的金相组织智能识别方法。[0047]相比于现有技术，本发明实施例具有如下有益效果：

[0048]本发明提供了一种金属材料的金相组织智能识别方法、装置及存储介质，自动采集电站金属材料老化图片，并从所述金属显微组织图像中提取组元特征，以根据所述组元特征判断所述金属材料的组成相，从而实现自动化图像识别，避免依靠个人经验人工识别，减少人工误判，提高准确率，同时大大减少工作人员的工作量。附图说明

[0049]图1是本发明实施例中的一种金属材料的金相组织智能识别方法的步骤流程图；[0050]图2是本发明实施例中的一种金属材料的金相组织智能识别方法的第一采集图；[0051]图3是本发明实施例中的一种金属材料的金相组织智能识别方法的第二采集图；[0052]图4是本发明实施例中的一种金属材料的金相组织智能识别方法的第三采集图；[0053]图5是本发明实施例中的一种金属材料的金相组织智能识别方法识别到奥氏体示意图；

[00]图6是本发明实施例中的一种金属材料的金相组织智能识别方法识别到马氏体示意图；

[0055]图7是本发明实施例中的一种金属材料的金相组织智能识别方法识别到粒状贝氏体示意图；

[0056]图8是本发明实施例中的一种金属材料的金相组织智能识别方法识别到的晶界、晶粒、晶内化合物的示意图；

[0057]图9是本发明实施例中的一种金属材料的金相组织智能识别方法所述金属材料的老化过程示意图；

[0058]图10是本发明实施例中的一种金属材料的金相组织智能识别装置的架构模块图；[0059]其中，1、晶界；2、晶粒；3、晶内化合物。具体实施方式

[0060]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完

6

[0044]

CN 112700401 A

说　明　书

4/10页

整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0061]请参见图1，本发明提供一种示例性实施例，一种金属材料的金相组织智能识别方法，步骤包括：[0062]S101、采集金属显微组织图像；在本实施例中，采用电站金属材料老化一级，二级，三级到五级的图片；

[0063]可以理解的是，金属显微组织图像，是通过将金属材料表面磨平、抛光并腐蚀后，置于金相显微镜下观察得到的金属组织的图像。[00]请参见图2、3、4，不同的合金含量及不同的热处理工艺会呈现不一样的金相组织图，根据图中各组元(组元定义是组成合金的元素或是稳定的化合物)的形貌特征可识别出所述金属材料是由哪几种相组成的(如：铁素体相+珠光体相)。[0065]S102、从所述金属显微组织图像中提取组元特征；[0066]可以理解的是，所述组元特征，组元，指的是组成金属的元素或是稳定的化合物。[0067]S103、根据所述组元特征判断所述金属材料的组成相。[0068]可以理解的是，根据组元特征的形态、数量、位向、尺寸、分布状况等，智能识别所述金属材料的显微组织组成。[0069]所述组元特征包括：[0070]铁素体轮廓、珠光体轮廓、晶间碳化物轮廓(圆型，条型，层片状等)；[0071]晶间碳化物含量、碳化物的分布位置(在晶界、在晶间)；[0072]岛状贝氏体的数量及轮廓，索氏体的数量及轮廓，细板状马氏体的数量及轮廓、粗板状马氏体的数量及轮廓、奥氏体的数量及轮廓。

[0073]所述从所述金属显微组织图像中提取组元特征，包括：[0074]提取所述金属显微组织图像中全部的图像特征；[0075]根据设定的筛选条件，从所述图像特征中筛选出组元特征；所述筛选条件包括图像的分辨率、图像的像素值；

[0076]进一步识别所述组元特征的特征信息，所述特征信息包括：[0077]晶界的长度、角度、宽度、数量、面积，色号；[0078]晶内化合物的长度、角度、宽度、数量、面积，色号；[0079]晶间化合物的长度、角度、宽度、数量、面积，色号。[0080]可以理解的是，根据筛选条件筛选，可以排除一下图片中有可能是因采集不当而造成的脏了、划痕之类的干扰，然后现在我只要与金相组织相关的信息。[0081]可以理解的是，所述碳化物轮廓，图像识别为包括圆型，条型，层片状在内的其中一种；碳化物的分布位置在在晶界或者晶间。

[0082]将所述特征信息与预存的样本库的特征信息进行对比，若所述特征信息符合某一种金相组织的预设标准，则判定所述金属材料的组成相只包含所述金相组织；[0083]或者，若所述特征信息符合多种金相组织的预设标准，则判定所述金属材料的组成相包含对应的多种金相组织。[0084]可以理解的是，通过机器学习，以上述提取组元特征的方法，学习大量已标定金相

7

CN 112700401 A

说　明　书

5/10页

组织的图像，得出一个数据库作为对比标准。

[0085]所述根据所述组元特征判断所述金属材料的组成相，包括：[0086]若所述特征信息符合铁素体的预设标准，则进一步判定该金相为铁素体；可以理解的是，碳溶于α‑Fe晶格间隙中形成的间隙固溶体称为铁素体，属bcc结构，呈等轴多边形晶粒分布。

[0087]若所述特征信息符合奥氏体的预设标准，则进一步判定该金相为奥氏体。可以理解的是，碳溶于γ‑Fe晶格间隙中形成的间隙固溶体称为奥氏体，具有面心立方结构。[0088]请参见图5，奥氏体，晶界比较直，呈现不规则多边形。[00]进一步地，在识别出铁素体的基础上，对所述金属材料图像进行放大处理；若检测出所述铁素体内部或相邻的铁素体之间的混合物，则将所述金属材料的组成相判定为贝氏体；

[0090]请参见图6，贝氏体也分不同类型：大块状或条状的铁素体内分布着众多小岛的复相组织并判定为粒状贝氏体；[0091]上贝氏体，成束分布，是平行排列的铁素体和夹于期间的断续的条状渗碳体的混合物，典型上贝氏体呈羽毛状，晶界为对称轴，由于方位不同，羽毛可对称或不对称，铁素体羽毛可呈针状、点状、块状，根据合金含碳量不同，羽毛由模糊变清晰，由细针变粗针状；[0092]下贝氏体，空间形态呈双凸透镜状，呈黑色针状或竹叶状，针与针之间呈一定夹角，且颜色一致；[0093]进一步地，当所述金属材料的组成相识别为铁素体时，还包括步骤：[0094]分析碳化物含量；当碳化物含量少于6.69％时，判定所述金属材料的金相为珠光体。

[0095]进一步地，当所述金属材料的组成相识别为珠光体时，还包括步骤：[0096]对所述金属材料图像进行放大处理；若识别出片状组织，则判定为索氏体并统计索氏体数量。

[0097]特别地，所述根据所述组元特征判断所述金属材料的组成相，当不能判断金相为铁素体或奥氏体时，判定金相为马氏体。[0098]可以理解的是，即碳在γ‑Fe中的固溶体碳在α‑Fe中的过饱和固溶体称为马氏体，(奥氏体)转变为碳在α‑Fe中的固溶体(铁素体)。[0099]请参见图7，马氏体，其中板条马氏体由许多成群的、相互平行排列的板条组成，每个板条为一个单晶体，它们之间一般以小角度晶界相间，呈现高密度的位错，这些位错分布不均匀，且相互缠结，形成胞状亚结构，片状马氏体(或针状马氏体)，呈针状或竹叶状，马氏体片之间不平行，呈一定交角，部分针与针呈120°角排列。[0100]在识别出马氏体的基础上，通过角度测量模块测量出相邻马氏体之间的角度。[0101]进一步地，当所述金属材料的组成相识别为马氏体时，通过识别组织形状，可将马氏体金相组织分为细板状马氏体和粗板状马氏体。[0102]特别地，所述根据所述组元特征判断所述金属材料的组成相，将出现在奥氏体晶界附近存在呈片状、羽毛状或三角形的铁素体的组织识别为魏氏组织。[0103]本发明还提供一种优选实施例，在从所述金属显微组织图像中提取组元特征之后，还包括：

8

CN 112700401 A[0104]

说　明　书

6/10页

根据所述组元特征判断所述金属材料的金相组织是否存在缺陷。

[0105]所述根据所述组元特征判断所述金属材料的金相组织是否存在缺陷，具体为：[0106]检测晶间碳化物，当所述晶间碳化物聚集量超过预设标注，则判定所述金相组织存在缺陷；或者，当检测到金属和碳化物以外的物体组织，则判定所述金相组织存在缺陷。[0107]本发明还提供一种优选实施例，所述金属材料的金相组织智能识别方法，还包括：[0108]当识别到该金属材料的金相为珠光体时，执行球化评级。[0109]具体地，识别出所述金属材料图像中呈球状的碳化物；[0110]若少部分所述碳化物呈团状，则判定球化率不低于95％，并且球化评级为一级；[0111]若团状碳化物占比超过30％，则判定球化率大于90％且小于95％，并且球化评级为二级；

[0112]若大部分所述碳化物呈团状和球状，则判定球化率大于80％且小于90％，并且球化评级为三级；

[0113]若大部分所述碳化物呈团状和团絮状，则判定球化率大于70％且小于80％，并且球化评级为四级；

[0114]若所述碳化物呈分散分布的蠕虫状、球状、团状和团絮状，则判定球化率大于60％且小于70％，并且球化评级为五级；

[0115]若所述碳化物呈聚集分布的蠕虫状和片状、球状、团状、团絮状，则判定球化率小于60％，并且球化评级为六级。

[0116]所述金属材料的金相组织智能识别方法，还包括老化评级；[0117]具体地，当从所述金属显微组织图像中提取组元特征时，检测晶界直线的弯曲程度、检测晶界的数量、检测晶界轮廓的清晰度以及晶内化合物的分布位置；[0118]根据上述检测的检测结果综合判断所述金属材料的老化情况。[0119]优选地，所述老化情况通过评级表现，当所述金属材料的组成相包含多种金相组织时，所述评级可通过以下分值公式计算：

[0120]

L‑‑‑老化级别；T为判断某一种金相组织的老化情况的特征分值(1.0～5.0)；n为金相组织的种类数量。[0122]请参见图8，可以理解的是，所述晶界指的是，晶粒与晶粒之间的界面；[0123]所述晶内化合物指的是，晶内固溶体、金属化合物、机械混合物。[0124]请参见图9，本发明还提供一种具体实施例说明，晶界特征从形貌上看，是由理想的直线状态慢慢向弯曲变形发展，由线状向点状发展，由单晶界向双晶界发展，从数量上看，是由多变少，由清晰可见向模糊不清发展；晶粒特征从形貌上看，是从轮廓清晰，分布均匀，大小均匀向边界模糊，偏聚分布，大小不一发展；晶内化合物，该特征形貌是从聚集向边界分散发展，从条状向点状发展，从黑色实体向白色虚体发展，条状碳化物数量从多变少，黑色圆形点状从少变多，从小变大。以上提取的特征从未老化(1级)到严重老化(5级)分别设定评分1.0～5.0，作为后续评级得分构成。

[0121]

9

CN 112700401 A

说　明　书

7/10页

[0125]

本发明想通过划分金属显微组织图的分值，来判断该材料的老化级别，这样就避

免了主观判断带来的误差，减少人为的失误。[0127]本发明提供一种示例性实施例，一种金属材料的金相组织智能识别装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的金属材料的金相组织智能识别方法。[0128]请参见图10，本发明提供一种示例性实施例，一种金属材料的金相组织智能识别装置，包括：

[0129]图像采集模块201，用于采集金属显微组织图像；[0130]可以理解的是，金属显微组织图像，是通过将金属材料表面磨平、抛光并腐蚀后，置于金相显微镜下观察得到的金属组织的图像。[0131]请参见图2、3、4，不同的合金含量及不同的热处理工艺会呈现不一样的金相组织图，根据图中各组元(组元定义是组成合金的元素或是稳定的化合物)的形貌特征可识别出所述金属材料是由哪几种相组成的(如：铁素体相+珠光体相)。[0132]图像识别模块202，用于从所述金属显微组织图像中提取组元特征；[0133]图像分析模块203，用于根据所述组元特征判断所述金属材料的组成相。[0134]可以理解的是，根据组元特征的形态、数量、位向、尺寸、分布状况等，智能识别所

[0126]

10

CN 112700401 A

说　明　书

8/10页

述金属材料的显微组织组成。[0135]所述组元特征包括：[0136]铁素体轮廓、珠光体轮廓、晶间碳化物轮廓(圆型，条型，层片状等)；[0137]晶间碳化物含量、碳化物的分布位置(在晶界、在晶间)；[0138]岛状贝氏体的数量及轮廓，索氏体的数量及轮廓，细板状马氏体的数量及轮廓、粗板状马氏体的数量及轮廓、奥氏体的数量及轮廓。[0139]所述图像识别模块，还用于：

[0140]提取所述金属显微组织图像中全部的图像特征；[0141]根据设定的筛选条件，从所述图像特征中筛选出组元特征；所述筛选条件包括图像的分辨率、图像的像素值；

[0142]进一步识别所述组元特征的特征信息，所述特征信息包括：[0143]晶界的长度、角度、宽度、数量、面积，色号；[0144]晶内化合物的长度、角度、宽度、数量、面积，色号；[0145]晶间化合物的长度、角度、宽度、数量、面积，色号。[0146]所述图像分析模块，还用于：

[0147]若所述特征信息符合铁素体的预设标准，则进一步判定该金相为铁素体；可以理解的是，碳溶于α‑Fe晶格间隙中形成的间隙固溶体称为铁素体，属bcc结构，呈等轴多边形晶粒分布。

[0148]若所述特征信息符合奥氏体的预设标准，则进一步判定该金相为奥氏体。可以理解的是，碳溶于γ‑Fe晶格间隙中形成的间隙固溶体称为奥氏体，具有面心立方结构。[0149]请参见图5，奥氏体，晶界比较直，呈现不规则多边形。[0150]所述图像分析模块，还用于：[0151]进一步地，在识别出铁素体的基础上，对所述金属材料图像进行放大处理；若检测出所述铁素体内部或相邻的铁素体之间的混合物，则将所述金属材料的组成相判定为贝氏体；

[0152]请参见图6，贝氏体也分不同类型：大块状或条状的铁素体内分布着众多小岛的复相组织并判定为粒状贝氏体；[0153]上贝氏体，成束分布，是平行排列的铁素体和夹于期间的断续的条状渗碳体的混合物，典型上贝氏体呈羽毛状，晶界为对称轴，由于方位不同，羽毛可对称或不对称，铁素体羽毛可呈针状、点状、块状，根据合金含碳量不同，羽毛由模糊变清晰，由细针变粗针状；[01]下贝氏体，空间形态呈双凸透镜状，呈黑色针状或竹叶状，针与针之间呈一定夹角，且颜色一致；[0155]进一步地，当所述金属材料的组成相识别为铁素体时，还包括步骤：[0156]分析碳化物含量；当碳化物含量少于6.69％时，判定所述金属材料的金相为珠光体。

[0157]进一步地，当所述金属材料的组成相识别为珠光体时，还包括步骤：[0158]对所述金属材料图像进行放大处理；若识别出片状组织，则判定为索氏体并统计索氏体数量。

[0159]特别地，所述根据所述组元特征判断所述金属材料的组成相，当不能判断金相为

11

CN 112700401 A

说　明　书

9/10页

铁素体或奥氏体时，判定金相为马氏体。[0160]可以理解的是，碳在α‑Fe中的过饱和固溶体称为马氏体，即碳在γ‑Fe中的固溶体(奥氏体)转变为碳在α‑Fe中的固溶体(铁素体)。[0161]请参见图7，马氏体，其中板条马氏体由许多成群的、相互平行排列的板条组成，每个板条为一个单晶体，它们之间一般以小角度晶界相间，呈现高密度的位错，这些位错分布不均匀，且相互缠结，形成胞状亚结构，片状马氏体(或针状马氏体)，呈针状或竹叶状，马氏体片之间不平行，呈一定交角，部分针与针呈120°角排列。[0162]在识别出马氏体的基础上，通过角度测量模块测量出相邻马氏体之间的角度。[0163]进一步地，当所述金属材料的组成相识别为马氏体时，通过识别组织形状，可将马氏体金相组织分为细板状马氏体和粗板状马氏体。[01]特别地，所述根据所述组元特征判断所述金属材料的组成相，将出现在奥氏体晶界附近存在呈片状、羽毛状或三角形的铁素体的组织识别为魏氏组织。[0165]本发明还提供一种优选实施例，所述的金属材料的金相组织智能识别装置，还包括筛选模块；

[0166]所述筛选模块，用于根据所述组元特征判断所述金属材料的金相组织是否存在缺陷。

[0167]所述根据所述组元特征判断所述金属材料的金相组织是否存在缺陷，具体为：[0168]检测晶间碳化物，当所述晶间碳化物聚集量超过预设标注，则判定所述金相组织存在缺陷；或者，当检测到金属和碳化物以外的物体组织，则判定所述金相组织存在缺陷。[0169]本发明还提供一种优选实施例，所述金属材料的金相组织智能识别装置，还包括：[0170]评级模块，用于当识别到该金属材料的金相为珠光体时，执行球化评级。[0171]具体地，识别出所述金属材料图像中呈球状的碳化物；[0172]若少部分所述碳化物呈团状，则判定球化率不低于95％，并且球化评级为一级；[0173]若团状碳化物占比超过30％，则判定球化率大于90％且小于95％，并且球化评级为二级；

[0174]若大部分所述碳化物呈团状和球状，则判定球化率大于80％且小于90％，并且球化评级为三级；

[0175]若大部分所述碳化物呈团状和团絮状，则判定球化率大于70％且小于80％，并且球化评级为四级；

[0176]若所述碳化物呈分散分布的蠕虫状、球状、团状和团絮状，则判定球化率大于60％且小于70％，并且球化评级为五级；

[0177]若所述碳化物呈聚集分布的蠕虫状和片状、球状、团状、团絮状，则判定球化率小于60％，并且球化评级为六级。[0178]所述评级模块具体用于：

[0179]当从所述金属显微组织图像中提取组元特征时，检测晶界直线的弯曲程度、检测晶界的数量、检测晶界轮廓的清晰度以及晶内化合物的分布位置；

[0180]根据上述检测的检测结果综合判断所述金属材料的老化情况。[0181]优选地，所述老化情况通过评级表现，当所述金属材料的组成相包含多种金相组织时，所述评级可通过以下分值公式计算：

12

CN 112700401 A[0182]

说　明　书

10/10页

L‑‑‑老化级别；T为判断某一种金相组织的老化情况的特征分值(1.0～5.0)；n为

金相组织的种类数量。[0184]请参见图8，可以理解的是，所述晶界指的是，晶粒与晶粒之间的界面；[0185]所述晶内化合物指的是，晶内固溶体、金属化合物、机械混合物。[0186]本发明提供一种示例性实施例，一种金属材料的金相组织智能识别方法的存储介质，所述金属材料的金相组织智能识别方法的存储介质用于存储一个或多个计算机程序，所述一个或多个计算机程序包括程序代码，当所述计算机程序在计算机上运行时，所述程序代码用于执行上述金属材料的金相组织智能识别方法。

[0187]本申请实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。[0188]应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

[01]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。[0190]此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。[0191]本发明提供了一种金属材料的金相组织智能识别方法、装置及存储介质，自动采集电站金属材料老化图片，并从所述金属显微组织图像中提取组元特征，以根据所述组元特征判断所述金属材料的组成相，从而实现自动化图像识别，避免依靠个人经验人工识别，减少人工误判，提高准确率，同时大大减少工作人员的工作量。[0192]以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

[0183]

13

CN 112700401 A

说　明　书　附　图

1/4页

图1

图2

图3

14

CN 112700401 A

说　明　书　附　图

2/4页

图4

图5

图6

15

CN 112700401 A

说　明　书　附　图

3/4页

图7

图8

图9

16

CN 112700401 A

说　明　书　附　图

4/4页

图10

17