(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 202111392841.8 (22)申请日 2021.11.23 (71)申请人 沈阳建筑大学 地址 110168 辽宁省沈阳市 浑南区浑南中 路25号 (72)发明人 张啸尘　李峻州　张天　孟维迎　 龙彦泽　李颂华　周鹏　石怀涛　 丁兆洋　张宇　邹德芳　李翰文　 范才子　金兰茹　刁梦楠　 (74)专利代理 机构 沈阳东大知识产权代理有限 公司 21109 代理人 李珉 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01)G06V 10/44(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) G06F 119/14(2020.01) (54)发明名称 基于深度学习的金属材料断口疲劳条带识 别与分割方法 (57)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。 权利要求书2页 说明书9页 附图4页 CN 113935989 A 2022.01.14 CN 113935989 A 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。 2.根据权利要求1所述的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： 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＝ΔS＝da/dN 其中， ΔS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)＝[I(x ‑1， y)‑I(x+1， y)]2 d45°(x， y)＝[I(x ‑1， y+1)‑I(x+1， y‑1)]2×0.5 d90°(x， y)＝[I(x， y ‑1)‑I(x， y+1)]2 d45°(x， y)＝[I(x ‑1， y‑1)‑I(x+1， y+1)]2×0.5 其中， I(x， 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。 3.根据权利要求2所述的基于深度学习的金属材料断口疲劳条带识别与分割方法， 其权　利　要　求　书 1/2 页 2 CN 113935989 A 2特征在于： 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R RT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。 4.根据权利要求3所述的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： 所述 步骤4的具体方法为： 步骤4.1： 使用高斯滤波进行图像去噪去除数据集中图像的随机噪声， 降低图像 中的噪 声干扰； 步骤4.2： 使用最近邻插值法进行图像的几何变换， 改正断口图像采集时的仪器自身误 差和仪器位置的随机误差 。 5.根据权利要求4所述的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： 步骤5所述疲劳条带识别模 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channel维度拼接在一 起。 6.根据权利要求5所述的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： 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连接方式连接特征图， 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网络结构待特 征进行识别过程 最后， 加入一个softmax函数进行 特征分类。 7.根据权利要求6所述的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： 所述双卷积结构采用两个卷积核加两个线性整流函数 的结构组成， 在双卷积结 构后加入最大池化层进行下采样， 保证提取特征 的准确度； 使用反卷积方法对特征图进行 上采样， 扩大图像信息 。 8.根据权利要求5所述的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： 所述 疲劳条带识别模型选用交叉熵函数作为损失函数。权　利　要　求　书 2/2 页 3 CN 113935989 A 3