金属落锤撕裂DWTT断口图像自动评定方法

摘要

金属落锤撕裂DWTT断口图像自动评定方法。能解决传统方法存在的测试韧脆转变温度需要一系列试验、过程耗费巨大，无法实现图像自动判别的问题。运用基于最小生成树图像分割技术和基于支持向量机SVM的机器学习技术，实现断口图像中韧性区、脆性区的边界的准确分割和类别的准确识别；采用基于最小生成树图像分割技术进行边界的准确分割，分割成子区，但是不能区分子区的类别；利用灰度共生矩阵，傅里叶分析，laws纹理能量，提取子区域的特征数据；采用运用特征数据采样基于支持向量机SVM的机器学习技术判别子区的类别。能够快速、有效、准确的将新输入的未知类型子区域分类成韧性区或脆性区；易操作、易使用、效果显著且实用性强。

权利要求

1.金属落锤撕裂DWTT断口图像自动评定方法，其特征在于包括以下步骤：步骤一：将断口图像映射成若干带权无向图；

步骤二：按照步骤一中的无向图，以每个像素点为顶点，各像素点到其四邻域的连线均为边，所述顶点的集合及所述边的集合；

步骤三：计算步骤二中边连接的两像素点的灰度值之差，及此边的权值；

步骤四：将步骤二中所述边的集合以权值升序顺序进行排列；

步骤五：依次计算步骤四中的排列，并通过分析计算来合并相应区域；

步骤六：设定需要达到的分割的最小区域的面积；

步骤七：将步骤五中的各区域面积与步骤六中的最小区域面积进行对比，若步骤五中的区域面积小于该最小区域面积，则将其与区域内差异相似的另一区域合并；

步骤八：针对每一个子区域提取其对比度、梯度、平均灰度值、一维傅里叶变换功率、

5X5 Laws滤波器能量；

步骤九：对步骤八中的特征分量进行数量级上的统一，即特征分量标准化；

步骤十：将步骤九中所得的特征值构成支持向量SVM，利用SVM将向量映射到一个高维空间，在这个空间里建立一个最大分隔超平面；

步骤十一：根据步骤十中得到的超平面，将新输入的未知类型子区域分类成韧性区或脆性区。

说明书

金属落锤撕裂DWTT断口图像自动评定方法

[0001] 设计领域

[0002] 本发明属于金属断裂检测分析技术领域，涉及一种金属断裂断口的图像自动评定方法，具体是金属落锤撕裂DWTT断口图像自动评定方法。

背景技术

[0003] 高强度高韧性指标检测是我国高端钢材生产和开发国际市场的瓶颈；钢材韧性分析至关重要，历史上由于忽视韧性性能所引发的事故和灾难不胜枚举，高韧性意味着裂纹不易扩展或开裂需要吸收更多能量，因此围绕金属材料性能检测，形成繁多的材料检测标准、仪器和产品，形成数百亿规模的市场，其中高强高韧检测是当前的热点；巨大的市场需求，将推动相关技术的发展；

[0004] 国际上存在两个著名检测方法：一是：雅典试验：在较长测试区内，气动加压实管爆破，检测开裂压强、韧性，材料的韧性和裂纹止裂通过断口的韧性区域面积比例表征；二是：西杰弗逊试验：通过在不同温度下实管爆破，检测开裂压强、韧脆转变及止裂性能；材料的韧性和裂纹止裂也是通过断口的韧性区域面积比例表征，这两种方法的不足是测试韧脆转变温度需要一系列试验，过程耗费巨大；针对这个问题，万焦级落锤实验DWTT(Drop Weight Tear Test)成为目前检测金属材料强韧性的主要方法；

[0005] DWTT已被列入国际标准(API 5L/ISO(International organization for standardization)3183、《管线落锤撕裂试验推荐作法》(API RP 5L3)及国标《铁素体钢落锤撕裂试验方法》(GB/T8363-2007)；DWTT可评估材料强、韧性及韧脆转变温度，DWTT也使用试件断口韧性区域面积比例表征韧性性能，并已在多种行业获得应用；DWTT断口评估材料强韧性达标，是我国高强特种钢材进入国际高端市场必备条件；

[0006] DWTT断口强韧性评价至关重要，但DWTT断口形貌十分复杂，难以测量，目前国际上尚无成熟检测仪器，缺少自动、客观检测方法，DWTT试件的断口图像模式非常复杂，具体体现在韧性区、脆性区及裂口混杂并且整个断口的不平整度很大，峰谷差可达到30mm；钢材料的成分、微观金相结构、试验环境温度等诸多因素也会影响断口图像模式，对成像、照明及尤其图像自动判别带来极大技术挑战，即使人类专家对DWTT试件的断口的图像模式进行判别也是具有难度的，目前国际上尚未有解决这个问题的报道，是相关领域研究热点；而且，目前国内主要依靠人工目视判断韧性区面积百分比，主观因素影响精度，检测效率低下，不能得到国际认可。

发明内容

[0007] 为了解决传统方法存在的测试韧脆转变温度需要一系列试验、过程耗费巨大，无法实现图像自动判别的问题，本发明提出了一种断口图像自动评定方法，其具体技术方案如下：

[0008] 金属落锤撕裂DWTT断口图像自动评定方法，包括以下步骤：

[0009] 步骤一：将断口图像映射成若干带权无向图；

[0010] 步骤二：按照步骤一中的无向图，以每个像素点为顶点，各像素点到其四邻域的连线均为边，所述顶点的集合及所述边的集合；

[0011] 步骤三：计算步骤二中边连接的两像素点的灰度值之差，及此边的权值；

[0012] 步骤四：将步骤二中所述边的集合以权值升序顺序进行排列；

[0013] 步骤五：依次计算步骤四中的排列，并通过分析计算来合并相应区域；

[0014] 步骤六：设定需要达到的分割的最小区域的面积；

[0015] 步骤七：将步骤五中的各区域面积与步骤六中的最小区域面积进行对比，若步骤五中的区域面积小于该最小区域面积，则将其与区域内差异相似的另一区域合并。

[0016] 步骤八：针对每一个子区域提取其对比度、梯度、平均灰度值、一维傅里叶变换功率、5X5Laws滤波器能量；

[0017] 步骤九：对步骤八中的特征分量进行数量级上的统一，即特征分量标准化；

[0018] 步骤十：将步骤九中所得的特征值构成支持向量SVM，利用SVM将向量映射到一个高维空间，在这个空间里建立一个最大分隔超平面；

[0019] 步骤十一：根据步骤十中得到的超平面，将新输入的未知类型子区域分类成韧性区或脆性区。

[0020] 本发明的有益效果：能够快速、有效、准确的将新输入的未知类型子区域分类成韧性区或脆性区；易操作、易使用、效果显著且实用性强。

具体实施方式

[0021] 为了便于理解，下面对本发明作出进一步的详细说明：

[0022] 实施例1：金属落锤撕裂DWTT断口图像自动评定方法，包括以下步骤：

[0023] 步骤一：将断口图像映射成若干带权无向图；

[0024] 步骤二：按照步骤一中的无向图，以每个像素点为顶点，各像素点到其四邻域的连线均为边，所述顶点的集合及所述边的集合；

[0025] 步骤三：计算步骤二中边连接的两像素点的灰度值之差，及此边的权值；

[0026] 步骤四：将步骤二中所述边的集合以权值升序顺序进行排列；

[0027] 步骤五：依次计算步骤四中的排列，并通过分析计算来合并相应区域；

[0028] 步骤六：设定需要达到的分割的最小区域的面积；

[0029] 步骤七：将步骤五中的各区域面积与步骤六中的最小区域面积进行对比，若步骤五中的区域面积小于该最小区域面积，则将其与区域内差异相似的另一区域合并。

[0030] 步骤八：针对每一个子区域提取其对比度、梯度、平均灰度值、一维傅里叶变换功率、5X5 Laws滤波器能量；

[0031] 步骤九：对步骤八中的特征分量进行数量级上的统一，即特征分量标准化；

[0032] 步骤十：将步骤九中所得的特征值构成支持向量SVM，利用SVM将向量映射到一个高维空间，在这个空间里建立一个最大分隔超平面；

[0033] 步骤十一：根据步骤十中得到的超平面，将新输入的未知类型子区域分类成韧性区或脆性区。

[0034] DWTT试件的断口的图像模式非常复杂，对图像自动判别带来极大技术挑战；运用基于最小生成树图像分割技术和基于支持向量机SVM的机器学习技术，实现断口图像中韧性区、脆性区的边界的准确分割和类别的准确识别；其方法大致分为两个大步骤：第一步采用基于最小生成树图像分割技术进行边界的准确分割，分割成子区，但是不能区分子区的类别；第二步利用灰度共生矩阵，傅里叶分析，laws纹理能量，提取子区域的特征数据；采用运用特征数据采样基于支持向量机SVM的机器学习技术判别子区的类别；

[0035] 具体的，进一步说明以上两个步骤所包含的详细步骤：将断口图像映射成一个一个带权无向图G(V,E)；

[0036] 其中V为顶点的集合，E为边的集合；

[0037] 此无向图以每个像素点为顶点，像素点的到起四邻域的连线为边，计算边连接的两像素点的灰度值之差为此边的权值w；边V的权值W表示像素点区域之间的相似程度；每个顶点vi与其四领域构成一个区域，每个顶点vi都在自己的区域内；

[0038] 将E以权值升序顺序排列成π(O1，.....Om)；

[0039] 重复此步骤，遍历每一条边Oq；在第q步(即Sq)中令vi与vj表示在顺序中与第q条边相连接的两个结点，例如，Oq＝(vi,vj)；如果vi和vj在上一步(即Sq-1)中属于不同的两个区域，并且权值w(Oq)比两部分的区域内差异都要小，那么将两部分合并；

[0040] 用正式语言描述为：让 为Sq-1中包含vi的部分， 为包含vj的部分；如果并且Dif(C1,C2)

[0041] 其中：MInt(C1，C2)＝min(Int(C1)+t(C1)，Int(C2)+t(C2))，t(C)＝k/|C|，t控制区域间差异比区域内差异大的程度；|C|代表图C的大小；k代表观测规模大小；

[0042] 设定需要达到的分割的最小区域的面积A，

[0043] 若上面重复的步骤中区域面积小于A的，那么就使其与内差异相似的另一区域合并；

[0044] 综合考虑韧性和脆性断面分割精细程度和分割区域包含的特征信息是否够多，来确定参数k和a；

[0045] 由此得到单纯包含韧性或者脆性特征信息或裂纹的区域。

[0046] 针对每一个子区域提取其对比度C、梯度G、平均灰度值L、一维傅里叶变换功率F、5X5Laws滤波器能量L；

[0047] 其中C为利用共生矩阵计算的

[0048] 对比度(CON)：

[0049] 其中|i-j|＝n

[0050] 其中i,j为共生矩阵中灰度等级，p(i,j)为灰度级分别为(i,j)的像素点对的频率；

[0051] G为利用sobel算子计算的梯度，如果以A代表子区域图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下：

[0052]

[0053] 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小；

[0054]

[0055] L为子区域的平均灰度值；

[0056] F为将子区域截取矩阵子图像后按行降维成一维数组，后对其做一维傅里叶分析，在特征频率处处得到的功率谱幅值；

[0057] 其中k为矩形子图像的宽度，N为矩形图像展开后的总长度；

[0058] L为5X5Laws滤波器与区域卷积后能量，其中

[0059]

[0060] A为子区域图像，则L＝le*A+el*A+ss*A，由于特征向量x的不同分量之间在数量级上的差别,大值特征分量比小值特征分量对特征分类结果的影响更大,但这并不能反映大值特征分量更重要,所以需要对特征分量进行数量级上的统一,即特征分量标准化；这里利用min-max标准化方法特征值标准化，将特征值都归一化到[0-1]。以对比度为例：

[0061]

[0062] 其中Cmin为所有子区域对比对比度的最小值，Cmax为最大值；

[0063] 将5个归一化后的特征值构成支持向量SVM，A＝(A1,A2,A3,A4,A5)；SVM将向量映射到一个高维空间，在这个空间里建立一个最大分隔超平面；

[0064] 设计SVM，需要用到条件极值问题的求解，用到以不等式作为必须满足条件的拉格朗日乘子理论；SVM将向量映射到一个高维空间，在这个空间里建立一个最大分隔超平面；最大分隔超平面两边建有两个互相平行的超平面；SVM通过样本数据进行学习，学习的结果是使得最大分隔超平面使两个平行超平面的距离最大，分类器的总误差越小；

[0065] 使用SVM对最小生成树分割算法的结果进行模式分类，准备两类样本数据：训练样本特征向量集合和测试样本特征向量集合，即

[0066] 支持向量与超平面之间的距离为2/||W||；SVM模式分类就是使得 最小，其
中yi[ωTΦ(xi)+b]≥1-ξi,ξi≥0，其中,βi为松弛变量，C是一个与约束条件相关给定值；