买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳建筑大学

摘要：本发明提供一种基于深度学习的金属材料断口疲劳条带识别与分割方法，涉及金属断口技术领域。该方法首先建立断口疲劳条带数学模型；然后模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像；采集断口图像，对断口图像的条带进行标记，获得标注好的数据样本，再结合疲劳条带曲线图像建立疲劳条带样本数据集；对疲劳条带样本数据集图片进行预处理；搭建基于神经网络的疲劳条带识别分割模型，并使用标记好的疲劳条带样本数据进行模型训练；最后将待识别分割的疲劳条带图像输入已训练好的疲劳条带识别模型，对断口疲劳条带图片进行条带识别分割。该方法能够以较高准确率从复杂的疲劳断口中分割出疲劳条带特征区域。

主权项：1.一种基于深度学习的金属材料断口疲劳条带识别与分割方法，其特征在于：包括以下步骤：步骤1：根据金属材料断裂疲劳机理，建立断口疲劳条带数学模型；步骤2：模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像；步骤3：使用扫描电镜采集断口图像，采用打标签工具对断口图像的条带进行标记，获得标注好的数据样本，再结合步骤2得到的疲劳条带纹理曲线图像建立疲劳条带样本数据集，进行数据集增强；步骤4：对疲劳条带样本数据集图片进行去噪及几何变换的预处理；步骤5：搭建基于神经网络的疲劳条带识别分割模型，并使用标记好的疲劳条带样本数据进行模型训练、调整参数及优化；步骤6：将待识别分割的疲劳条带图像输入已训练好的疲劳条带识别模型，对断口疲劳条带图片进行条带识别分割，最终获得端到端的语义分割结果；所述步骤1的具体方法为：1根据疲劳条带形貌机理，确定疲劳应力幅值与疲劳条带间隔之间的关系；设定应力循环次数为N时疲劳裂纹扩展长度为a，则每一载荷循环下的疲劳裂纹扩展量μ如下公式所示：μ＝△S＝dadN其中，△S为疲劳条带间隔；由帕里斯Paris公式：得到疲劳应力幅与疲劳条带间隔之间的关系，如下公式所示： 其中，C和m为金属材料参数，Y为形状因子，Δσ为疲劳应力幅；2通过平方差累计法求取疲劳条带的弧线方向；根据疲劳条带各个方向的图像灰度差的最小值或者最大值，得到疲劳条带的弧线方向；设定疲劳条带沿0°、45°、90°、135°四个方向的图像灰度差分别为d0°、d45°、d90°、d135°，其中：d0°x,y＝[Ix-1,y-Ix+1,y]2d45°x,y＝[Ix-1,y+1-Ix+1,y-1]2×0.5d90°x,y＝[Ix,y-1-Ix,y+1]2d135°x,y＝[Ix-1,y-1-Ix+1,y+1]2×0.5其中，Ix,y为疲劳条带图上点x,y的图像灰度；进而根据疲劳条带沿0°、45°、90°、135°四个方向的图像灰度差计算疲劳条带沿这四个方向图像灰度的平方差均值，该四个方向图像灰度的平方差均值即为疲劳条带的弧线方向；所述步骤2采用改进-RRT算法模拟疲劳条带延伸轨迹，结合断口疲劳条带的数学模型获得疲劳条带的纹理曲线图像，具体方法为：步骤2.1：定义疲劳条带弧线的起始点、终点、采样点数，并设定每个采样点之间的步长为t；将疲劳条带弧线的起始点和终点定义为随机树的根节点和目标节点，并定义障碍位置坐标；步骤2.2：由疲劳条带数学模型求出的疲劳条带的间距及弧度作为约束，设置为RRT算法的障碍，调整RRT算法下一个随机点的延伸方向；步骤2.3：将生成的新随机点作为父亲点，输入约束参数，生成向下的子树枝；步骤2.4：将所有的新随机点加入随机树集合，所有子树枝连成一条轨迹线以获得最终的疲劳条带纹理曲线；所述步骤5疲劳条带识别模型选用U-net网络结构，U-net网络的整体结构采用的是编码-解码结构，包括下采样模块、上采样模块、跳跃链接三部分，能够实现端到端的图像分割；下采样模块包括四层双卷积子块，传入数据经过每个双卷积子块后再进行下采样提取特征，下采样模块的目的是通过不断压缩输入图像提取特征图；上采样模块与下采样模块结构对称，同样包括四层双卷积子块，而在每层双卷积子块后加入一个反卷积用来还原特征图的尺寸；跳跃链接部分是在每次准备进行下采样时，将卷积后得到的特征与上采样模块中经过反卷积得到的特征进行融合，将特征在通道维度拼接在一起；所述U-net网络结构使用多层双卷积结构以及多次下采样构成收缩路径，连续不断地下采样提取特征，扩张特征通道，获得特征图；获得特征图后再次使用多层双卷积结构搭配多次上采样，还原特征图尺寸；所述U-net网络结构在前三层下采样层和上采样层中加入跳跃链接方式连接特征图，完成下采样深度信息与上采样浅层信息的结合，完成图像缺失信息的弥补，还原图像像素信息；U-net网络结构在获得特征图并还原特征图尺寸之后加入一个softmax函数进行特征分类。

全文数据：

权利要求：

百度查询： 沈阳建筑大学 基于深度学习的金属材料断口疲劳条带识别与分割方法