基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法与流程

本发明涉及一种钢材料落锤撕裂试验断口韧性断面百分比检测方法，属于金属材料性能检测领域。

背景技术：

石油与天然气是现代工业的“血液”,与能源输运有关的材料研发以及管网工程建设亦在国民经济发展中占据着不可或缺的重要地位。随着油气资源在已探明储量地区的日益枯竭，勘采向边远、极地及海洋等地质条件恶劣且未探明储量的地区延伸已成为当务之急。受低温、地质活动频繁等外条件影响，以及内高压、厚壁与大口径管线的工艺条件所需，高强高韧管线钢产品如X70，X80等都需具有足够的韧断止裂能力，以防止管线在泄漏燃爆等事故中发生长距离断裂扩展的灾难性事故。对管线钢实施落锤撕裂试验(Drop Weight Tear Test,WDTT)，是在实验室中模拟管线钢加载破断并表征其断裂特征,进而界定其使用安全的有效手段。通常情况下，以断口有效区域内韧性断面(剪切断面)所占的面积百分数，即p_SA来表征管线钢的断裂特征。p_SA低于50％为不安全的脆断行为，而高于85％则为质量控制所需的具有一定止裂能力的韧断行为。实践中，通常需选择与管网工况所对应的温度进行DWTT，以满足p_SA高于85％的放行条件，或将85％所对应的试验温度作为推荐的最低许用温度。因此，准确测定DWTT试样的p_SA指标，在高等级管线钢研发、管线工程质量控制及选材应用中具有显著的经济效益与实践价值。

GB/T8363—2007《铁素体钢落锤撕裂试验方法》和API RP5L3—1996《管线钢落锤撕裂试验推荐方法》规定了测定DWTT试样断面p_SA的方法：选定测量净截面，辨识韧性断面区(剪切区、纤维区)与脆性断面区(解理区、晶状区)。通常情况下，韧断区呈现为暗灰色纤维状形貌，而脆断区呈现出亮白色结晶状形貌。最后测定韧性断面百分比p_SA。

测定韧性断面百分比p_SA通常有以下3种方法可供选择：

①图谱比对法，将击断的试样断面与一组和试样厚度相同且经过标定的断口照片或实物断口相对比，得到韧性断面百分比p_SA。

②卡尺测量法。

③光学投影直测法，在附有标尺的断口照片或光学投影图上用求积仪测出脆性断面区的面积，从净截面中扣除脆性断面区面积，便可获得韧性断面区所占面积分数。标准同时指出，该种方法一般用于仲裁或有争议及用其他方法难以确定的情况。

综上可见，在测定DWTT试样断口p_SA时，图谱比对法实施简单，但定量化程度较差，在批量化同类产品质量控制与验收放行时具有一定的成效，此外标准化图谱的获得需依赖于长期经验的积累。卡尺测量法定量化程度较高，但选区测量与公式的合理应用对试验者要求较高。随着控轧控冷技术以及组织强化工艺在高等级管线钢研发生产中的普及，与典型DWTT试样断口形貌差异较大的复杂断口、特殊断口的出现几率成倍增多，这对卡尺测量法与光学投影直测法都提出了相应技术挑战。而光学投影直测法需要专家来评定，耗时耗力。

技术实现要素：

针对上述问题，本发明提供一种省时省力且保证精度的基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法。

本发明的基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法，所述方法包括如下步骤：

步骤一：选择落锤撕裂试验断口的测量净截面，将测量净截面转换成断口图像；

步骤二：基于最小图割，将断口图像进行分割，获取分割子区域；

步骤三：提取分割子区域的特征；

步骤四：根据获取的特征，利用基于支持向量机方法辨识出韧性断面区或脆性断面区；

步骤五：根据辨识出的韧性断面区或脆性断面区的面积，获得韧性断面百分比。

优选的是，所述步骤二包括如下步骤：

步骤二一：将断口图像映射成带权无向图G(V,E)；

其中，V为顶点的集合，E为边的集合；

步骤二二：将无向图中的边以权值升序顺序排列成π(O₁,…,O_q)；q＝1,…Q；Q表示无向图中边的数量；O_q＝(v_i,v_j)，表示顶点v_i与顶点v_j相连接组成第q条边；

步骤二三：依次遍历每一条边O_q，对无向图中的各子区域进行合并：

判断当前v_i与v_j是否分别属于不同的两个子区域，且边O_q的权值比所述两个子区域内的差异都要小，若是，则将这两个子区域合并，若否，则遍历下一条边；

步骤二四：判断步骤二三获得的各子区域的面积是否有小于设定的面积a的，如果没有，则当前的各子区域均为分割子区域，步骤二结束；如果有，则在其他子区域中找出与该子区域区域内差异相差最小的子区域进行合并，重复步骤二四。

优选的是，所述步骤三包括：

步骤三一：对每一个分割子区域提取其特征向量，包括：对比度、梯度、平均灰度值、一维傅里叶变换功率F和Laws滤波器能量；

步骤三二：对每一个特征向量的特征分量进行标准化统一，作为分割子区域的特征。

优选的是，所述步骤四包括：

步骤四一：抽选断口试样的韧性断面区或脆性断面区作为训练样本集，提取训练样本集中的样本特征；

步骤四二：将训练样本集输入到支持向量机模型中，将提取样本特征映射到线性可分的特征空间中，进行交叉验证参数寻优，确定最优分类参数；

步骤四三：利用SMO法在确定最优分类参数下的支持向量机模型进行训练，得到支持向量机分类器；

步骤四四：将步骤三提取的分割子区域的特征输入到支持向量机分类器中，确定各分割子区域为韧性断面区或脆性断面区。

优选的是，所述步骤四一还包括：

对提取的训练样本集中的样本特征进行归一化：

Lm_i为归一化的特征值，m_i为第i个断口试样提取的特征，m_imax为第i个断口试样提取的特征的最大值，m_imin为第i个断口试样提取的特征的最小值。

优选的是，所述步骤四二，包括：

选择RBF核函数作为支持向量机模型，所述RBF核函数为：

K(x,x_p)＝exp(-γ·||x-x_p||)²；

γ称为尺度因子，表示一个支持向量对周围的影响量；x为使用核函数映射前的特征向量集，x_p为向量集x中的一个向量；

对支持向量机模型的参数γ和最大训练误差Nu进行优化：

将提取样本特征映射到线性可分的特征空间中，进行交叉验证参数寻优，确定最优的γ和Nu：

最大训练误差Nu是错分样本比例的上界和支持向量比例的下界。

本发明的有益效果在于，本发明基于机器视觉的方法，有效地检测出断口的p_SA值，省去专家进行判定，省时省力。将本发明方法评定出的脆性断面区、韧性断面百分比p_SA，与专家人工评定的脆性断面区、韧性断面百分比p_SA进行对比，即可得出检测本发明的方法评定的韧性断面百分比p_SA绝对误差在1％以内，保证了检测精度。

附图说明

图1为脆性断面区的微观结构示意图。

图2为韧性断面区的微观结构示意图。

图3为本发明的基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法的流程示意图。

具体实施方式

在测定DWTT试样断口p_SA时有3个必须的步骤，即“选区”—选择测量净截面、“辨识”—分辨韧断区与脆断区、“测量”—通过量化手段计算剪切面积分数。引入机器视觉时，仍需严格遵照标准的测量步骤。

钢材料DWTT断口在落锤断裂过程中会历经整体弯曲变形、裂纹萌生、稳定和非稳定裂纹扩展等几个主要阶段。同一种钢材料由于温度、应力、环境等条件的不同，会出现不同的断裂，根据断裂前金属材料产生塑性变形量的大小，可分为韧性断裂和脆性断裂。韧性断裂前产生较大的塑性变形，断口呈暗灰色的纤维状。脆性断裂前没有明显的塑性变形，断口平齐，呈光亮的结晶状。

钢材料DWTT断口通常包含脆性断面区和韧性断面区。脆性断面区是断裂时几乎不伴有塑性变形的断口区域。断裂面通常与拉应力垂直，由于是沿晶断裂、解理断裂或准解理断裂，脆性断面区各个方向呈现颗粒状均匀分布，微观上具有反光面，成像时相对光亮。如图1所示。

韧性断面区是延性断裂，具有明显的宏观塑性变形。韧性断面区颗粒度，主要由韧窝大小决定，温度越高，韧性越好韧窝越大，宏观特点：暗灰色，纤维状，如图2所示。

结合图3说明本实施方式，本实施方式的基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法，包括如下步骤：

步骤一：选择落锤撕裂试验断口的测量净截面，将测量净截面转换成断口图像；

根据GB/T8363—2007《铁素体钢落锤撕裂试验方法》，采集与韧性断面百分比p_SA光学投影直测法在测量学意义上严格一致的图像，通过人工选取，获得测量净截面。

步骤二：基于最小图割，将断口图像进行分割，获取分割子区域；

步骤三：提取分割子区域的特征；

步骤四：根据获取的特征，利用基于支持向量机方法辨识出韧性断面区或脆性断面区；

步骤五：根据辨识出的韧性断面区或脆性断面区的面积，获得韧性断面百分比。

当步骤四辨识出的是韧性断面区，直接用韧性断面区的面积除以测量净截面，获取韧性断面百分比。

或者利用步骤四辨识出脆性断面区的面积，从测量净截面中扣除脆性断面区的面积，再除以测量净截面，获得韧性断面百分比。

本实施方式是通过机器视觉的方法，有效地检测出断口的韧性断面百分比。

步骤二需要将测量净截面分割成韧性断面区与脆性断面区，并将断口图像分割转化为最小图割问题，需要将断口图像映射为无向图G(V,E)，其中，V为顶点的集合，E为边的集合；

无向图以每个像素点为顶点，像素点的到其四邻域的连线为边，计算边连接的两像素点的灰度值之差为该边的权值w；边的权值w表示像素点区域之间的相似程度；每个顶点v_i与其四邻域构成一个区域，每个顶点v_i都在自己的区域内。顶点v_i与顶点v_j相连接组成边；

通过以上映射可知对断口图像特征区域的一个分割S就是对图的一个剪切，剪切后得到的子图就是图像分割后的到的子区域C∈S。为了达到最优化分割则需使得子区域内的相似度最大，子区域之间的相似度最小，这里的相似度由权定义。断口图像图分割过程的实质为按权值大小消除其映射图中边的过程。定义输入断口图像I(X,Y)映射为带权无向图G(V,E)。权w(v_i,v_j)为边(v_i,v_j)对应的权值，用于权衡相邻顶点v_i和v_j之间差别。原理描述如下：

定义边的权值为边所连接的两个像素点的灰度之差：

w(v_i,v_j)＝I(x_i,y_i)-I(x_j,y_j) (1)

定义区域C的区域内差异为：

子区域C1和子区域C2的区域间差异为：

当满足如下阈值条件时进行聚类：

Dif(C₁,C₂)<MInt(C₁,C₂) (4)

其中，MInt(C₁，C₂)＝min{Int(C₁)+t(C₁),Int(C₂)+t(C₂)}，函数t为控制区域间差异比区域内差异大的程度，|C|代表区域C的大小，k代表观测规模大小，较大的k倾向于分割出较大的图像区域。

根据上述分析，优选实施例中，步骤二具体包括：

步骤二一：将断口图像映射成带权无向图G(V,E)；

步骤二二：将无向图中的边以权值升序顺序排列成π(O₁,…,O_q)；q＝1,…Q；Q表示无向图中边的数量；O_q＝(v_i,v_j)，表示顶点v_i与顶点v_j相连接组成第q条边；

步骤二三：依次遍历每一条边O_q，对无向图中的各子区域进行合并：

判断当前v_i与v_j是否分别属于不同的两个子区域，且边O_q的权值比所述两个子区域内的差异都要小，若是，则将这两个子区域合并，若否，则遍历下一条边；

步骤二四：判断步骤二三获得的各子区域的面积是否有小于设定的面积a的，如果没有，则当前的各子区域均为分割子区域，步骤二结束；如果有，则在其他子区域中找出与该子区域区域内差异相差最小的子区域进行合并，重复步骤二四。

步骤三需要提取分割子区域的特征，优选的实施例中，步骤三具体包括：

步骤三一：对每一个分割子区域提取其特征向量，包括：对比度、梯度、平均灰度值、一维傅里叶变换功率和5×5Laws滤波器能量；

子区域对比度为利用共生矩阵计算的特征值CON：

其中g,g′为共生矩阵中灰度等级，p(g,g′)为灰度级分别为g,g′的像素点对的频率，共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会多个(g1，g2)值，n表示其总数；N_N表示图像中的像素坐标；N_R表示统计的灰度极值；

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

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。

H为子区域的平均灰度值。

一维傅里叶变换功率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，在特征频率处得到的功率谱幅值：

其中，g为矩形子图像的宽度，N为矩形图像展开后的总长度。

L为5×5Laws滤波器与区域卷积后能量。其中，

A为子区域图像，则L＝le*A+el*A+ss*A+ωω*A，*表示卷积。

步骤三二：对每一个特征向量的特征分量进行标准化统一，作为分割子区域的特征；

由于特征向量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。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：

其中CON_min C_min为所有子区域对比对比度的最小值，CON_max为最大值。

步骤四是基于支持向量机方法辨识韧断区与脆断区，利用提取出的特征训练支持向量机模型，并利用训练好的支持向量机模型进行韧断区与脆断区分类。支持向量机方法求取最优分类面的优化函数定义如下：

式中，w为最优分类面的权向量，b为最优分类面到原点的距离，x_p是训练样本特征向量集中的第p个样本，α_p(p＝1，2，…，P)是函数优化时的拉格朗日乘子系数，P为样本个数，y_p为类别编号，对应的判别函数为：

表示最优分类面到原点的距离；M表示支持向量的个数，表示利用SMO算法求出的α_p的最优解，b*是b的最优解。

准备两类样本数据：训练样本特征向量集x和测试样本特征向量集y；支持向量机模式分类就是使得最小。

用支持向量机方法对断口区域进行分类十分可行。但是要设计出适合此应用环境的支持向量机分类模型还需根据实际情况选择核函数、参数、及训练算法还有多分类算法。由于处理后的断面区域只需要考虑脆性断面区和韧性断面区的分类，所以只是一个二分类问题。经典的支持向量机模型就可实现，不需考虑多分类算法。

核函数是支持向量机能求解非线性分类问题的关键，不同的核函数对支持向量机分类性能有很大影响。核函数的选择与特定问题相关，不是单一类核函数就能适应所有的分类问题。下面针对DWTT断面分类问题选择合适的核函数。

目前常用的核函数主要有：线性内积函数、多项式内积函数和径向基内积函数(Radial Basis Function，RBF)。其具体阐述如下：

线性内积函数仅用在线性或逼近线性可分的分类问题上。多项式内积函数某些特定应用中可能比较适合，若阶数太大运算量会很大。径向基内积函数：K(x,x_p)＝exp(-γ·||x-x_p||)²，对于核函数来说是最好的选择，在很多分类工作中都能获得一个很好的结果。

一般来说，RBF核函数在大多数分类中是很好的选择，应用最广泛。

核函数的功能是将输入特征向特征空间映射，构建能线性分类的特征空间。在DWTT断面分类问题中，输入特征很多，不是线性或近线性分类，使用线性内积核函数是不可取的。多项式内积核函数虽然能够处理非线性分类问题，但是特征空间的维数直接决定阶数d大小。特征空间维数越高，d取值越大，计算量也大大增加，同时会导致分类准确度下降。考虑到DWTT断面特征较多，多项式内积核函数不是一个好的选择。RBF核函数对非线性分类问题分类准确度较高，运算量适中且在高维特征空间下也变化不大，需要调节的参数较少，适合做DWTT断面分类支持向量机算法的核函数。

核函数选定完成后，为了达到尽可能好的分类性能，需要对核函数的参数进行优化。在径向基内积核函数中需要优化的参数为γ，是一个支持向量对周围的影响量。一个大的γ值(对周围影响小)意味着每个训练向量都可成为一个支持向量。训练算法通过“记忆”学习训练数据，但是缺少泛化能力，避免过度学习。此外，训练或分类时间也会明显增长。一个太小的γ值(对周围影响很大)会导致在分离超平面时只有很少的支持向量，学习不够。一个典型的进程是选择一个小的γ-Nu对的值，并随着识别率的提高而持续增加值。为了能直观控制训练中错误量，采用Nu-SVM训练算法。规则化参数Nu是错分样本比例的上界和支持向量比例的下界，也需要一起进行优化。采用交叉验证参数寻优(Cross-validated Parameter selection)方法来对参数γ和Nu进行优化。利用训练样本集T₁进行参数寻优。

分离器训练的目的是通过不断寻找支持向量从而解出最优分类平面。主要训练算法有Chunking块算法，固定工作集法和序列最小优化法(Sequence Minimum Optimization，SMO)。采用SMO法：其核心思想是将子问题的样本集规模缩小到最小(两个样本)。在迭代过程中，每一步都只针对两个样本，所以肯定有解析解。虽然工作子集减小会带来迭代步奏增加，但是由于每次只优化两个乘子，没有复杂迭代，运算量很小，所以总体的运算时间不会增加太多。通过这样的求解流程，SMO法避免了复杂的迭代过程，运算速度大大加快，运算精度也得到保证。根据以上的分析，选用SMO法作为DWTT断面检测系统的训练方法。

由于训练一个支持向量机就是解决一个凸二次规划问题。这意味着可以确保在有限次的训练之后可以得到全局最优解。为防止欠学习和过拟合，需要设置一个阈值Epsilon以控制训练的程度。当优化函数的梯度低于Epsilon，则认为训练已达到所需效果，即停止优化。该参数的默认值设置为0.001，因为实践检验这个值可以得到非常好的结果。如果阈值设置的过大，那么将会过早终止，得到的是次优解。如果阈值设置的过小，优化算法就需要很久的时间，并且一般不一定能有效地提高识别率。通常选择改变Epsilon有两个原因：第一，在使用建立支持向量机模型的时候最大训练误差Nu设置的非常小，例如，Nu＝0.001，选择一个较小的Epsilon值可以有效地提高识别率；另外一种情况是使用n次交叉验证确定最优的核函数的参数对，例如，径向基函数的γ-Nu对。那么可以选择一个较大的Epsilon值可以减少计算时间并且与由默认的Epsilon值得到的最优核的参数值相同。当得到γ-Nu参数后，后续将使用一个小的Epsilon值进行训练。本实施方式在参数寻优和训练时都设定Epsilon＝0.001。

基于上述原理，优选的实施例中，步骤四包括：

步骤四一：随机抽选断口试样的韧性断面区或脆性断面区作为训练样本集，提取训练样本集中的样本特征；

步骤四二：将训练样本集输入到支持向量机模型中，将提取样本特征映射到线性可分的特征空间中，进行交叉验证参数寻优，确定最优分类参数；

步骤四三：利用SMO法在确定最优分类参数下的支持向量机模型进行训练，得到支持向量机分类器；

步骤四四：将步骤三提取的分割子区域的特征输入到支持向量机分类器中，确定各分割子区域为韧性断面区或脆性断面区。

由于需要在多个试件的断面上取样，需要对每个试件上取的样本特征信息进行归一化。归一化，对于某一个工件提取出的特征，利用最大值和最小值，将特征值归一化到0～1之间：在优选实施例中，步骤四一还包括：

对提取的训练样本集中的样本特征进行归一化：

Lm_i为归一化的特征值，m_i为第i个断口试样提取的特征，m_imax为第i个断口试样提取的特征的最大值，m_imin为第i个断口试样提取的特征的最小值。

在优选实施例中，步骤四二，包括：

选择RBF核函数作为支持向量机模型，RBF核函数为：K(x,x_p)＝exp(-γ·||x-x_p||)²；

γ称为尺度因子，表示一个支持向量对周围的影响量；x为使用核函数映射前的特征向量集，可以是训练样本，也可以是测试样本，x_p为向量集x中的一个向量。

对支持向量机模型的参数γ和最大训练误差Nu进行优化：

将提取样本特征映射到线性可分的特征空间中，进行交叉验证参数寻优，确定最优的γ和Nu：最大训练误差Nu是错分样本比例的上界和支持向量比例的下界。

利用本实施方式的方法评定出的脆性断面区、韧性断面百分比p_SA，与专家人工评定的脆性断面区、韧性断面百分比p_SA进行对比即可得出检测本实施方式的方法的检测精度。检测结果如表1所示。对于韧性断面百分比p_SA的评定与专家评定的标准结果相比，本实施方式的方法评定的韧性断面百分比p_SA绝对误差在1％以内。

表1本实施方式的方法评定结果与人工标准结果对比