(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674757.5 (22)申请日 2021.12.31 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 卢伟　朱家乐　杨建华　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 宋东阳 (51)Int.Cl. G01N 21/88(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种金相组织劣化评级方法及装置 (57)摘要 本申请提供一种金相组织劣化评级方法及 装置， 应用于边缘控制器， 在获取金相显微镜拍 摄的金相图片(图像全局信息的深度特征、 描述 纹理的GLCM特征和基于原理的机理分类特征) 后， 将所述金相图片输入预设评级模型(图像深 度学习模型和神经网络分类器的组合分类模型) 中进行推理计算， 确定金相组织劣化评级结果。 本申请利用现场的金相显微镜和边缘设备实现 对金相组织 劣化的快速评级， 提高劣化评级准确 率。 权利要求书2页 说明书10页 附图3页 CN 114324361 A 2022.04.12 CN 114324361 A 1.一种金相组织劣化评级方法， 其特 征在于， 应用于边 缘控制器， 该 方法包括： 获取金相显微镜拍摄的金相图片， 所述金相图片中包含图像全局信息的深度特征、 描 述纹理的GLCM特征和基于原理的机理分类特 征； 将所述金相图片输入预设评级模型中进行推理计算， 确定金相组织劣化评级结果， 所 述预设评级模型为图像深度学习模型和 神经网络分类 器的组合分类模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述预设评级模型的构建方法包括： 获取样本数据集， 所述样本数据集中包 含满足预设条件的金相图片； 利用计算机视觉以及图像处理技术对所述样本数据集进行预处理， 得到预处理后的图 像数据集； 将所述图像数据集按照预设比例划分为训练集、 测试集和验证集； 搭建keras框架， 从所述训练集和所述测试集中提取深度特征， 并利用灰度共生矩阵提 取GLCM纹理描述特 征， 以及基于分类机理提取图像机理分类特 征； 将所述深度特征、 所述GLCM纹理描述特征以及所述图像机理分类特征融合作为神经网 络分类器的输入， 构建神经网络分类 器； 基于深度 学习模型， 根据所述验证集对所述深度 学习模型和所述神经网络分类器进行 验证， 选取所述验证集上准确率满足预设条件的深度学习模型和神经网络 分类器组合作为 所述预设评级模型。 3.根据权利要求2所述的方法， 其特 征在于， 所述 提取深度特 征， 包括： 将所述训练集和所述测试集中的所述图像数据集输入图像深度 学习网络分类模型中， 得到对应的深度特 征。 4.根据权利要求2所述的方法， 其特征在于， 所述利用灰度共生矩阵提取GLCM纹理描述 特征， 包括： 利用灰度共生矩阵从所述训练集和所述测试集中的所述图像数据集中提取能量特征、 对比度特和熵特 征； 将所述能量特征、 所述对比度特和所述熵特征按照预设顺序组合生成所述GLCM纹理描 述特征。 5.根据权利要求2所述的方法， 其特征在于， 基于分类机理提取图像机理分类特征， 包 括： 基于分类机理从所述训练集和所述测试集中的所述图像数据集中提取所述图像机理 分类特征。 6.根据权利要求2所述的方法， 其特征在于， 所述基于深度学习模型， 根据所述验证集 对所述深度学习模型和所述神经网络分类器进行验证， 选取所述验证集上准确率满足预设 条件的深度学习模型和 神经网络分类 器组合作为所述预设评级模型， 包括： 基于深度 学习模型， 根据所述验证集对所述深度 学习模型和所述神经网络分类器进行 验证， 得到多个深度学习模型和对应神经网络分类 器的组合分类模型； 对于不同的组合分类模型， 确定各个分类模型对应的验证集， 并使用分类器进行分类， 取使在所述验证集中分类准确率满足预设条件的组合分类模型作为所述预设评级模型。 7.一种金相组织劣化评级装置， 其特 征在于， 应用于边 缘控制器， 该装置包括： 第一处理单元， 用于获取金相显微镜拍摄的金相图片， 所述金相图片中包含图像全局权　利　要　求　书 1/2 页 2 CN 114324361 A 2信息的深度特 征、 描述纹 理的GLCM特征和基于原理的机理分类特 征； 第二处理单元， 用于将所述金相图片输入预设评级模型中进行推理计算， 确定金相组 织劣化评级结果， 所述预设评级模型为图像深度学习模型和神经网络 分类器的组合分类模 型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述第二处 理单元具体用于： 获取样本数据集， 所述样本数据集中包 含满足预设条件的金相图片； 利用计算机视觉以及图像处理技术对所述样本数据集进行预处理， 得到预处理后的图 像数据集； 将所述图像数据集按照预设比例划分为训练集、 测试集和验证集； 搭建keras框架， 从所述训练集和所述测试集中提取深度特征， 并利用灰度共生矩阵提 取GLCM纹理描述特 征， 以及基于分类机理提取图像机理分类特 征； 将所述深度特征、 所述GLCM纹理描述特征以及所述图像机理分类特征融合作为神经网 络分类器的输入， 构建神经网络分类 器； 基于深度 学习模型， 根据所述验证集对所述深度 学习模型和所述神经网络分类器进行 验证， 选取所述验证集上准确率满足预设条件的深度学习模型和神经网络 分类器组合作为 所述预设评级模型。 9.一种存储介质， 其特征在于， 所述存储介质包括存储的程序， 其中， 在所述程序运行 时控制所述存储介质所在的设备执行如权利要求1至6中任一项所述的金相组织劣化评级 方法。 10.一种电子设备， 其特征在于， 所述电子设备包括至少一个处理器、 以及与所述处理 器连接的至少一个存储器、 总线； 其中， 所述处理器、 所述存储器通过所述总线完成相互间 的通信； 所述处理器用于调用所述存储器中的程序指令， 以执行如权利要求1至6中任一项 所述的金相组织劣化评级方法。权　利　要　求　书 2/2 页 3 CN 114324361 A 3