【技術實現步驟摘要】
本專利技術涉及金屬斷口形貌分析，具體涉及一種基于多模態融合學習的斷口形貌自動識別與學習方法。
技術介紹
1、隨著現代工業的快速發展，航空航天領域對材料性能的要求越來越嚴格；材料的可塑性和韌性在航空航天結構中起著至關重要的作用，其直接影響到航空航天器的安全性、耐久性和整體性能。7050鋁合金作為一種典型的高強度鋁合金，因其具備優異的強度重量比、高的耐腐蝕性和良好的可加工性等特性而被廣泛應用于航空航天結構中；優化7050鋁合金的強度、塑性和韌性是至關重要的，但也具有挑戰性，它需要在各種材料性能之間找到適當的平衡。研究表明：材料斷口中韌窩斷裂比例越高、其塑性和韌性越好，反之、塑性和韌性越差。因此，探索7050鋁合金斷口中韌窩斷裂和脆性斷裂區域的比例，可以更深入地了解微觀斷裂機制，從而實現對于7050鋁合金塑性和韌性的優化。
2、然而，在實際斷裂過程中，韌窩和脆性斷裂不是孤立發生的，它們可以同時發生、也可以交替發生；此外，對韌窩斷裂和脆性斷裂進行定量分析需要大量的人力和資源，且材料內部微觀組織具有多樣性和復雜性，從而加劇準確量化材料失效中韌窩與脆性斷裂比例的難度。傳統中，材料強度的預測可以通過對不同強化機制的數學和物理建模來實現，主要包括固溶強化、析出強化、位錯強化和晶粒細化等；但是，傳統的數學和物理模型難以準確地描述材料微觀結構參數與韌窩和脆性斷裂比例之間的復雜關系，這也進一步加大量化韌窩與脆性斷裂比例的難度。
技術實現思路
1、針對以上現有技術存在的問題，本專利技術的目的在
2、本專利技術的目的通過以下技術方案實現：
3、一種基于多模態融合學習的斷口形貌自動識別與學習方法，包括：
4、步驟s1、構建數據集：對樣品依次進行熱處理、拉伸測試、形貌分析步驟，構建含有第一次時效時間、第二次時效時間、位錯密度和三個方向晶粒尺寸的六個關鍵特征的數據集；
5、步驟s2、進行斷口圖像拍攝與圖像標注，標注完成后，將數據集劃分為訓練集、驗證集和測試集；
6、步驟s3、多模態融合學習：利用改進的yolov5模型對斷口圖像進行語義分割，并根據分割后的圖像進行目標檢測；隨后，采用機器學習模型、通過六個關鍵特征作為輸入，構建韌窩斷裂和脆性斷裂比例之間的回歸預測模型；
7、步驟s4、特征重要性分析與shap分析：通過特征重要性分析計算預測韌窩斷裂和脆性斷裂比例中的各關鍵特征的重要性，通過shap分析計算各關鍵特征對裂縫形態的影響程度；結合特征重要性分析與shap分析、從而驗證關鍵特征對模型影響的準確性。
8、基于上述方案的進一步優化，所述步驟s1中的樣品采用7050鋁合金鍛件，且7050鋁合金鍛件分別沿l、t、s方向進行切割。
9、基于上述方案的進一步優化，所述步驟s1中熱處理具體為：首先，將樣品在477℃的溫度下進行固溶處理4h；然后，在66℃的溫度下進行水淬；隨后，依次執行兩階段的老化過程：樣品先在121℃的溫度下進行第一時效、時效時間為4～6h，然后以5℃/min的速度將溫度升高至177℃，再進行第二時效、時效時間為4～7h。
10、基于上述方案的進一步優化，所述步驟s1中拉伸測試具體為：采用電子萬能機械試驗機進行，拉伸試樣的截面積為2×2mm2，規長為20mm，拉伸速率設為1.0mm/min，使用量規長度為12.5mm的伸縮計；在熱處理完成后，立即進行重復3次的拉伸測試。
11、基于上述方案的進一步優化，所述步驟s1中形貌分析具體為：在拉伸測試完成后，首先采用x射線衍射儀進行分析，儀器設置電壓為45?kv、電流為40?ma、步長為0.01313°，儀器掃描范圍為2θ=?35°～140°、掃描速度為0.05°/s；利用偽voigt函數擬合每個衍射峰，獲得半峰全寬度，然后利用修正的williamson-hall圖計算位錯密度，具體為：
12、
13、式中：表示倒空間中應變展寬的fwhm； dg表示平均晶粒尺寸；a表示晶粒的面積；b表示伯格斯矢量；表示位錯密度； k表示衍射矢量；不同衍射峰的平均對比因子；
14、
15、式中：表示衍射角，表示衍射峰的半高寬（即fwhm），表示x射線波長；
16、然后，利用電子背散射衍射儀進行樣品不同表面的晶粒尺寸的分析，采用等效圓直徑 d為粒度的表示：
17、
18、式中：a表示晶粒的面積；
19、分別測量l、t、s方向上的晶粒尺寸，這些測量分別被指定為晶粒尺寸1、晶粒尺寸2、晶粒尺寸3，分別對應于右手笛卡爾坐標系中樣品的實際拉伸方向，即獲得三個方向的晶粒尺寸。
20、基于上述方案的進一步優化，所述步驟s2具體為：
21、圖像拍攝：通過掃描電子顯微鏡進行斷口表面成像，圖像采集過程遵循標準材料表征程序：在掃描電鏡下以1000倍的固定放大倍率進行成像，使用3kv的加速電壓和工作距離優化圖像的對比度和清晰度；對于每個樣本，隨機捕獲不重疊區域的10幅圖像，為了保證高質量的圖像數據，成像在穩定的真空環境條件下進行，以盡量減少外部因素對圖像質量的影響；
22、圖像標注：使用labelme軟件對韌窩和脆性斷裂區域進行精確標注，采用紅色和綠色多邊形分別標記為韌窩和脆性斷裂；為保證標注的一致性和準確性，制定了詳細的標注指南，明確定義韌窩和脆性斷裂的微觀特征：其中，韌窩一般為圓形或橢圓形凹坑，邊緣光滑、分布均勻，而脆性斷裂呈不規則的線狀或棱角分明的網狀結構；在最終確認之前，每張圖像都經過多輪審查，以確保沒有錯誤標記或遺漏。
23、基于上述方案的進一步優化，所述步驟s2中訓練集、驗證集和測試集的比例為7：1：2。
24、基于上述方案的進一步優化，所述步驟s3中利用改進的yolov5模型對斷口圖像進行語義分割，并根據分割后的圖像進行目標檢測的具體步驟為：
25、步驟s31、采用馬賽克數據增強和歸一化處理對輸入圖像進行處理，進而優化數據輸入；
26、步驟s32、改進的yolov5模型包括主干部分、頸部與頭部：主干部分采用cspdarknet53的架構從圖像中提取空間和語義信息，在主干優化過程中，增加了更多的前層卷積層來捕獲精細的紋理細節，減少后層卷積層的使用、以防止這些細節的過度抽象；頸部利用fpn與panet結構進行特征融合，在優化過程中，增加了橫向連接，并引入了自適應加權機制，以確保不丟失詳細信息，此外，增強了panet中自下而上的特征傳播和關鍵節點的卷積運算，提高了識別細微結構變化的靈敏度和準確性；頭部集成邊界盒回歸、目標分類及本文檔來自技高網...
【技術保護點】
1.一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：包括：
2.根據權利要求1所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟S1中的樣品采用7050鋁合金鍛件，且7050鋁合金鍛件分別沿L、T、S方向進行切割。
3.根據權利要求1或2所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟S1中熱處理具體為：首先，將樣品在477℃的溫度下進行固溶處理4h；然后，在66℃的溫度下進行水淬；隨后，依次執行兩階段的老化過程：樣品先在121℃的溫度下進行第一時效、時效時間為4～6h，然后以5℃/min的速度將溫度升高至177℃，再進行第二時效、時效時間為4～7h。
4.根據權利要求3所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟S1中拉伸測試具體為：采用電子萬能機械試驗機進行，拉伸試樣的截面積為2×2mm2，規長為20mm，拉伸速率設為1.0mm/min，使用量規長度為12.5mm的伸縮計；在熱處理完成后，立即進行重復3次的拉伸測試。
5.
6.根據權利要求1或5所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟S2具體為：
7.根據權利要求1所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟S3中利用改進的YOLOv5模型對斷口圖像進行語義分割，并根據分割后的圖像進行目標檢測的具體步驟為：
8.根據權利要求1或7所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟S3中機器學習模型構建韌窩斷裂和脆性斷裂比例之間的回歸預測模型的具體為：以第一次時效時間、第二次時效時間、位錯密度和三個方向晶粒尺寸的六個關鍵特征作為輸入，并將其劃分成隨機劃分成訓練數據與測試數據，訓練數據：測試數據=7：3；將訓練數據在python環境下構建XGBoost模型建立輸入特征與輸出特征之間的關系，韌窩斷裂和脆性斷裂的百分比作為輸出，分析和探索影響斷口上韌窩斷裂和脆性斷裂比例的關鍵因素；使用構建完成的XGBoost模型對測試數據進行驗證，并采用平均絕對誤差MAE、平方誤差MSE、均方根誤差RMSE和決定系數R2評估模型的準確性。
...【技術特征摘要】
1.一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：包括：
2.根據權利要求1所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟s1中的樣品采用7050鋁合金鍛件，且7050鋁合金鍛件分別沿l、t、s方向進行切割。
3.根據權利要求1或2所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟s1中熱處理具體為：首先，將樣品在477℃的溫度下進行固溶處理4h；然后，在66℃的溫度下進行水淬；隨后，依次執行兩階段的老化過程：樣品先在121℃的溫度下進行第一時效、時效時間為4～6h，然后以5℃/min的速度將溫度升高至177℃，再進行第二時效、時效時間為4～7h。
4.根據權利要求3所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟s1中拉伸測試具體為：采用電子萬能機械試驗機進行，拉伸試樣的截面積為2×2mm2，規長為20mm，拉伸速率設為1.0mm/min，使用量規長度為12.5mm的伸縮計；在熱處理完成后，立即進行重復3次的拉伸測試。
5.根據權利要求4所述的一種基于多模態融合學習的斷口形貌自動識別與學習方法，其特征在于：所述步驟s1中形貌分析具體為：在拉伸測試完成后，首先采用x射線衍射儀進行分析，儀器設置電壓為45?kv、電流為40?ma、步長...
【專利技術屬性】
技術研發人員：楊緒盛，陳冠羽，馬雪婷，黃偉九，劉莫凡，
申請(專利權)人：重慶文理學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。