[发明专利]一种融合几何先验知识的维氏硬度图像测量方法

权利要求书

1.一种融合几何先验知识的维氏硬度图像测量方法，其特征在于，具体步骤如下：

步骤1）. 第一图像数据集的构建

将多种材质的金属试样放置于维氏硬度计中，在每个试样的多个位置施加大小不同的测试载荷，形成大小不同的压痕，每个压痕采集一张图像；对于采集的N张图像，对N张图像标注其四个角点的坐标值，...，}；根据四个角点的坐标求出每个压痕的外接矩形，外接矩形的左上角与右下角坐标为，]，...，}；其计算公式如下：

其中，min()与max()分别表示求最小值与最大值，ε是一个正整数，用以保证该外接矩形可以完全覆盖压痕；I与C共同组成第一图像数据集，用以训练目标粗定位网络；

步骤2）. 第二图像数据集的构建

从原始图像I中裁剪出压痕的局部图像区域；根据步骤1）得到的压痕角点坐标L与裁剪图像扩充策略得到更多的局部图像，具体为：

对于原始图像及其角点坐标，裁减其包含全部压痕的子区域，子区域的左上角与右下角坐标由如下公式计算而来：

是一个随机的正整数；H是一个固定的正整数，表示切割后的子区域图像大小，H值取决于压痕在原始图像中所占像素个数，切割后的图像对应的角点坐标变为:

重复裁剪t次，即可将原始图像数据集扩充t倍；ROI与RL共同组成第二图像数据集，用以训练目标精定位网络；

步骤3）. 训练目标粗定位网络

将得到的第一图像数据集随机划分为训练集和测试集，其比例分别为75%和25%；使用训练集训练目标检测网络，I作为目标检测网络的输入，C作为网络的输入；当测试集损失函数不再下降，固定目标检测网络参数；

步骤4）. 训练目标精定位网络

目标精定位网络由特征提取网络，回归层及几何损失函数三部分组成；使用在ImageNet预训练的骨干网络中全局池化层之前的部分作为目标精定位网络的特征提取网络，回归层是一个神经元数量为8的全连接层；回归层的输出为输入图像的四个角点的横纵坐标预测值；几何损失函数Loss由主损失函数与正则项组成；主损失函数为预测值与真实值的L1损失；与的计算公式如下：

损失函数Loss为与的和；其中是权重系数；

+

将得到的第二图像数据集随机划分为训练集和测试集，其比例分别为75%和25%；使用步骤2）中的训练数据集进行训练，每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化模型各个卷积层中参数；重复上述步骤，直至测试集损失函数值不再下降，模型收敛，目标精定位网络的卷积层参数值固定；

步骤5）. 网络应用

将待测试样放置于维氏硬度计中，对试样施加大小为F的载荷，形成菱形压痕，拍摄其图像，输入至目标粗定位网络，得到压痕外接矩形的左上角和右下角坐标，随后切割压痕区域得到包含压痕的感兴趣区域ROI，记录ROI的尺寸，w，并将图像尺寸调整为h^’×w^’；将调整尺寸后的图像输入目标精定位网络得到四个交点的精确坐标值，随后根据ROI的尺寸反求四个交点在未调整尺寸前的图像坐标；最后，求出对角线长度，代入维氏硬度计算公式，即可得出该图像所对应的维氏硬度测量值HV；

。

2.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法，其特征在于：步骤1）中，ε取值范围是5~10。

3.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法，其特征在于：步骤2）中，是20~50之间的一个随机的正整数。

4.按照权利要求1所述融合几何先验知识的维氏硬度图像测量方法，其特征在于：步骤3）中，所述目标检测网络为YOLOV3、Faster-RCNN、SSD。