本发明涉及视觉测量检测，具体的说是一种金相组织晶粒度等级识别方法。
背景技术：
1、现代工业社会在各行各业对于金属原材料的质量要求越来越高，原材料品级不良会带来各种各样的安全隐患。为了减少这种安全隐患的危害，在出厂前会对金属原材料进行抽样，然后评级，晶粒度是一个重要的评判标准，其中金属性能越好，单位面积内金属颗粒越多。
2、检测材料晶粒度级别数的传统方法是专业金相检测人员通过金相显微镜来观察金相图片，并与国家制定的标准系列评级图进行比较而得到的。传统方法不仅非常耗时耗力，而且评级的准确性较为依赖金相检测人员的专业素质，导致出现可重复性差、精度低等问题。
3、因此，近年来众多科研人员开始研究通过计算机图像识别方法实现对金相图像的分类和评级，然而传统计算机图像识别方法通常根据人为设定的单一特征提取器对某种特定条件下的金相图像进行分类或评级，往往花费时间较长、适用范围窄、评级稳定性低。
技术实现思路
1、为了解决现有技术中的不足，本发明提供一种跨尺度金相组织晶粒度等级识别方法，首先根据金相图像晶粒度大小，采用不同显微镜放大倍数进行金相图像数据采集，然后进行数据增广和滤波处理，之后将金相图像数据集进行归一化处理，将金相图像数据集转化至同一评定标准下；然后对转化后的数据集进行晶粒度等级计算；最后使用fcn-8s ed全卷积神经网络进行晶界提取，使用截点法进行晶粒度等级检测和识别。不仅避免了传统图像处理方法中出现的手工提取特征步骤繁琐、鲁棒性差等问题，而且大大提升了晶粒度识别精度，且具有较强的鲁棒性。
2、为了实现上述目的，本发明采用的具体方案为：
3、一种金相组织晶粒度等级识别方法，主要包括如下步骤：
4、s1、对一批金相试样进行原始金相图像采集，对原始金相图像进行标记，包括原始序号、原始放大倍数和原始晶粒度等级，建立原始数据集；
5、s2、对原始数据集中的原始金相图像进行规则裁剪和至少一次旋转处理，将裁剪得到的等尺寸图像、以及各次旋转得到的图像均作为新图像，对新图像进行标记，包括原始序号、新序号、原始放大倍数、转化后倍数和原始晶粒度等级，建立晶粒度等级识别数据集；其中，原始序号、原始放大倍数和原始晶粒度等级均与其对应的原始金相图像一致；并用人工对晶粒度等级识别数据集中的图像以one-hot编码的方式进行标注，得到真实的全像素晶界标签；
6、s3、对晶粒度等级识别数据集内的图像进行滤波处理；
7、s4、对晶粒度等级识别数据集内的图像进行归一化处理，使用像素比的方法将各张金相图像均转化至100倍的放大倍数下；
8、s5、对晶粒度等级识别数据集内的图像进行晶粒度等级计算，并将晶粒度等级识别据集内的图像数据进行随机划分处理，将70％的图像作为训练集、30％的图像作为验证集；
9、s6、以vgg16网络模型作为基础网络结构，将vgg16网络的前两层卷积层替换为边缘检测算子卷积层，将vgg16的全连接层转化为全卷积层，对输出结果进行上采样操作，采用跳跃连接结构补充细节，构建fcn-8s ed全卷积神经网络；
10、s7、采用步骤s5得到的训练集对构建的fcn-8s ed全卷积神经网络进行训练，将输入图像进行前向传播，使用损失函数将得到的结果与全像素晶界标签计算误差，通过梯度下降法优化参数，反复迭代得到最终所有的参数，进而得到最终的神经网络模型；
11、s8、使用训练好的神经网络模型对晶粒度等级识别数据集中验证集里的图像进行晶界提取；
12、s9、使用直线截点法对提取的晶界进行晶粒度等级识别。
13、进一步地，步骤s2中，使用固定大小的正方形裁剪原始金相图像，保证新图像具有相同的比例。
14、进一步地，步骤s3中，滤波处理的具体方法为：对原始金相图像依次经过高斯模糊处理和usm锐化处理。
15、进一步地，步骤s5中，晶粒度等级计算公式为：
16、
17、其中，p表示转化前原始金相图像比例尺所占像素个数；u表示转化前比例尺距离，qˊ为转化前晶粒度等级。
18、进一步地，，步骤s6中，将vgg16网络的前两层卷积层替换为边缘检测算子卷积层；经过5次池化和11次卷积后，生成一幅输入图像长1/32倍，宽1/32倍，512个通道的数据；
19、将vgg16网络的全连接层替换为卷积层，通过3个卷积层将数据转化为2个通道的数据，并进行2倍上采样操作；
20、将第四次池化的结果进行卷积形成2个通道的数据，与前面的结果相加，再进行2倍上采样操作；此时的数据为原图像长1/8倍，宽1/8倍，通道数为2；
21、最后对第三次池化的结果进行卷积，形成2个通道的数据，然后与前面的结果相加后进行8倍上采样操作，得到最终输出结果。
22、进一步地，上采样通过在网络中加入转置卷积层实现。
23、进一步地，在进行池化操作前对数据进行padding，池化选用max pooling，滤波器为2x2，步长为2。
24、有益效果：
25、1)、本发明的晶粒度识别方法包括图像采集、数据增广、数据增强(即滤波处理)、数据归一化处理、晶粒度等级计算、构建fcn-8s ed全卷积神经网络、训练fcn-8s ed全卷积神经网络得到神经网络模型、晶界提取、晶粒度等级识别步骤。其中，先利用采集的原始金相图像构建原始数据集，对原始数据集进行数据增广、滤波处理构建晶粒度等级识别数据集，提高晶粒度等级划分精度。然后对原始数据集中的图像进行归一化处理方法，首先使用像素比的方法将数据集转化至同一评定标准下，构建并训练神经网络模型，最后，使用神经网络模型进行晶界提取，并将提取的晶界使用截点法进行晶粒度等级检测和识别，从而得到最终的识别结果。不仅避免了传统图像处理方法中出现的手工提取特征步骤繁琐、鲁棒性差等问题，而且大大提升了晶粒度识别精度，且具有较强的鲁棒性。
26、2)、fcn-8s ed全卷积神经网络在晶界提取时能够直接从原始图像中学习语义信息，实现高效的端到端的处理，并且能够实现多尺度的特征表示，保留了空间信息，然后生成像素级别的语义分割结果。这意味着不需要手动提取特征或使用预定义的特征提取器，而是让神经网络自动的学习晶界的特征提取，节省人力成本并排除人为主观因素的干扰，具有效率高，准确率高，实用性强的优点
1.一种金相组织晶粒度等级识别方法，其特征在于，主要包括如下步骤：
2.根据权利要求1所述的一种金相组织晶粒度等级识别方法，其特征在于，步骤s2中，使用固定大小的正方形裁剪原始金相图像，保证新图像具有相同的比例。
3.根据权利要求1所述的一种金相组织晶粒度等级识别方法，其特征在于，步骤s3中，滤波处理的具体方法为：对原始金相图像依次经过高斯模糊处理和usm锐化处理。
4.根据权利要求1所述的一种金相组织晶粒度等级识别方法，其特征在于，步骤s5中，晶粒度等级计算公式为：
5.根据权利要求1所述的一种金相组织晶粒度等级识别方法，其特征在于，步骤s6中，将vgg16网络的前两层卷积层替换为边缘检测算子卷积层；
6.根据权利要求5所述的一种金相组织晶粒度等级识别方法，其特征在于，上采样通过在网络中加入转置卷积层实现。
7.根据权利要求5所述的一种跨尺度金相组织晶粒度等级识别方法，其特征在于，在进行池化操作前对数据进行padding，池化选用max pooling，滤波器为2x2，步长为2。
