金相圖像智能分析技術(shù)綜述及石油管材金相智能分析系統(tǒng)設(shè)計(jì)*

仝 珂，張 華，欒忠濤，朱麗霞，瞿婷婷

(1.中國石油集團(tuán)石油管工程技術(shù)研究院 陜西 西安 710077；2.濮陽市順康石油工程技術(shù)有限公司 河南 濮陽 457001)

0 引 言

金屬材料是應(yīng)用最廣泛的材料。在當(dāng)今互聯(lián)網(wǎng)大發(fā)展的時(shí)代，金屬材料仍然是我國的支柱產(chǎn)業(yè)之一，占據(jù)著材料工業(yè)的主導(dǎo)地位。多年來科學(xué)家們一直不斷升級(jí)、開發(fā)新的金屬材料。其中，材料的微觀組織是連接材料的成分、制備工藝及材料性能的樞紐，研究它們之間的關(guān)系是人們百年來為之努力不懈的課題。尤其是在顯微鏡發(fā)明后，對金屬材料的微觀組織的識(shí)別、分析(即金相分析)成為一門新興學(xué)科，在材料科學(xué)領(lǐng)域具有舉足輕重的作用[1-3]。金相分析工作是將金相試樣放置在顯微鏡下觀察，獲得金屬材料的組織形態(tài)及性能的分析結(jié)果，是經(jīng)驗(yàn)性的定性(屬于哪種金屬組織)或定量、半定量(非金屬夾雜物、晶粒度等)的檢測。金相分析試驗(yàn)的依據(jù)是參照金屬材料相關(guān)知識(shí)和金相圖譜、以及相關(guān)檢測標(biāo)準(zhǔn)等。傳統(tǒng)的金相分析工作需要專業(yè)性較強(qiáng)的技術(shù)人員，而且分析過程中常帶有技術(shù)人員主觀性。此外，金屬材料中的顯微組織并非均勻分布，僅靠人眼在顯微鏡下測定一個(gè)或多個(gè)視場，不僅效率較低，而且容易造成視覺誤差。

隨著計(jì)算機(jī)數(shù)字圖像處理、模式識(shí)別技術(shù)的快速發(fā)展，在金相分析中形成了新的研究方向[4-9]。引入計(jì)算機(jī)圖像智能識(shí)別技術(shù)，不僅使金相圖像分析過程趨于簡單、快捷，而且避免人工評定帶來的主觀誤差，使分析結(jié)果更加客觀準(zhǔn)確。但是金相圖像是一種以金屬學(xué)和金相學(xué)為基礎(chǔ)的特殊顯微圖像，金相組織的空間形貌非常復(fù)雜，包含了大量的專業(yè)性信息，給金相智能分析工作帶來極大困難。此外，在石油管領(lǐng)域，新鋼級(jí)與新材料的應(yīng)用日益增多，也亟需設(shè)計(jì)一種針對石油管材檢驗(yàn)和研究的金相智能分析系統(tǒng)。

1 金相智能分析關(guān)鍵技術(shù)

1.1 金相圖像預(yù)處理

在金相分析時(shí)，由于金相試樣制備時(shí)殘留的磨痕、拋光劑等異物和試樣腐蝕的深淺程度不均勻等缺陷經(jīng)數(shù)字化后都會(huì)表現(xiàn)為灰度的差異噪聲，在圖像分析中造成誤差，為了讓圖像恢復(fù)原來的信息，圖像的預(yù)處理必不可少。金相圖像去噪的預(yù)處理方法通常有圖像增強(qiáng)和基于數(shù)學(xué)形態(tài)學(xué)的去噪[10-12]。

圖像的增強(qiáng)就是指按特定的需要突出一副圖像中的某些信息，去除某些不需要的信息。圖像增強(qiáng)技術(shù)通常分為兩類: 一類是空域處理方法，直接對圖像中的像素和鄰域進(jìn)行處理，主要是圖像的平滑處理，另一類是頻域處理方法：經(jīng)傅立葉變換把圖像轉(zhuǎn)換到頻域后再進(jìn)行處理,主要有高通濾波、中值濾波和低通濾波方法。通常金相組織呈現(xiàn)模糊混沌狀態(tài)，邊界交錯(cuò)，細(xì)節(jié)模糊，許建廣和顧超等人利用偽彩色增強(qiáng)技術(shù)[10,11]，把圖像的各個(gè)不同灰度按照某種映射函數(shù)把原圖像賦予不同的顏色，使圖像的細(xì)節(jié)更容易辨認(rèn)，目標(biāo)更容易識(shí)別。

金相圖像進(jìn)行二值化處理后，由于雜質(zhì)顆粒影響，在目標(biāo)顆粒內(nèi)部出現(xiàn)一些微小的小孔。這些小孔洞是金相組織內(nèi)部的顆粒，由于它們比較小或者是照明不均等情況，從而在進(jìn)行二值化的時(shí)候被當(dāng)成了背景噪音。因此，需要按照一定的算法去除小孔的影響。湯力琨等利用數(shù)學(xué)形態(tài)學(xué)的操作方法[12],去除了小孔噪聲的影響，如圖1所示。圖1(a)是含有小孔的原始粉末圖，圖1(b) 是去除小孔后的結(jié)果，從圖1中可以看出：該方法可以很好地去除小孔噪聲對金相圖像的影響。

1.2 金相圖像分割

在金相圖像的分析過程中，圖像增強(qiáng)僅僅是一個(gè)初步的處理。為了進(jìn)一步分析，需要將待分析圖像從整個(gè)圖像或背景中分離出來。對金相圖像合理、有效及準(zhǔn)確的分割是決定金相分析的前提條件和關(guān)鍵因素。作為常用的圖像處理技術(shù)，圖像分割常用的方法有：閥值分割、邊緣提取、聚類分析、區(qū)域生長、分水嶺變化等。多年來，研究者們在圖像分割方面進(jìn)行了大量研究，提出了多種算法。

圖1 小孔噪聲與去除的效果圖

Mebatsion H K等[13]用基于傅里葉分析算法對粘連的谷粒進(jìn)行了有效分割。Lu B等[14]用水平集方法實(shí)現(xiàn)了對晶界的自動(dòng)識(shí)別和圖像分割。肖春霞等[15]用水平集方法實(shí)現(xiàn)了對紋理圖像的有效分割，獲得了紋理目標(biāo)區(qū)域及其光滑的邊界。Obara B等[16]利用圖像顏色系統(tǒng)變換實(shí)現(xiàn)了對粘連巖石顆粒的分割，得到了較連續(xù)、光滑的顆粒邊界。湯力琨等[12]研究了基于數(shù)學(xué)形態(tài)學(xué)的目標(biāo)形狀近似分割算法，采用分水嶺和凹點(diǎn)檢測算法對目標(biāo)進(jìn)行分割，具有一定的有效性。鄧仕超等[6]應(yīng)用Canny算法和灰度等高線提取金相組織封閉邊緣，獲得了單像素寬邊緣，邊緣的定位較準(zhǔn)確。張俊華等[17]用圖切分算法實(shí)現(xiàn)了對頸部淋巴結(jié)的超聲圖像的有效分割。在金相圖像的分割方法中，較常用的方法是基于數(shù)學(xué)形態(tài)學(xué)圖像處理方法。該方法抗噪性能更強(qiáng)，獲取的邊界更加準(zhǔn)確連續(xù)和光滑。因而在金相圖像分割方面具有明顯的優(yōu)勢。Tolosa S C等[18]用隨機(jī)分水嶺方法實(shí)現(xiàn)了對核燃料芯塊晶粒的有效分割。袁天云等[19]用基于數(shù)學(xué)形態(tài)學(xué)的水域生長方法實(shí)現(xiàn)了對粘連的近似圓形目標(biāo)的自動(dòng)分割。李新城等[20]用基于數(shù)學(xué)形態(tài)學(xué)分水嶺算法對粘連晶粒進(jìn)行分割。劉雙科等[21]將數(shù)學(xué)形態(tài)學(xué)算子與微分梯度算子相結(jié)合，實(shí)現(xiàn)了對晶粒的提取與標(biāo)識(shí)。

由于不同種類的圖像具有不同的圖像特征，目前還沒有一個(gè)通用的分割算法適合所有的圖像，所以圖像分割的新算法、新思路還在不斷涌現(xiàn)。從近年來圖像分割的研究文獻(xiàn)發(fā)現(xiàn)，與其它特定理論相結(jié)合來改進(jìn)分割法的研究成為目前的熱點(diǎn)和發(fā)展方向，這些理論有：小波變換理論、遺傳理論、數(shù)學(xué)形態(tài)學(xué)理論、模糊理論、神經(jīng)網(wǎng)絡(luò)理論、粒子群算法等。對于一個(gè)實(shí)際應(yīng)用選擇合適的分割方法是一個(gè)十分麻煩的問題，由于缺少通用的理論指導(dǎo)，分割常常需要進(jìn)行反復(fù)試驗(yàn)。張紅旗等[22]在12Cr1MoV鋼金相組織分析中，比較了不同分割算法。并結(jié)合二維直方圖和模糊聚類分割算法的特點(diǎn)，提出了將改進(jìn)的自適應(yīng)遺傳算法與基于二維統(tǒng)計(jì)信息的FCM算法相結(jié)合的圖像分割方法，增加了遺傳算法中種群的多樣性，進(jìn)一步改善了分割效果,如圖2所示。圖2中(a)為原始金相組織。

圖2 12Cr1MoV鋼金相組織圖像不同算法分割結(jié)果

1.3 金相圖像晶界重建

對金相圖像進(jìn)行分割，提取邊緣后，圖像的晶界常有模糊或斷裂的地方，把這些晶界重新連接起來，就是晶界重建。晶界重建和圖像分割是相關(guān)聯(lián)的。建立有效的晶界重建算法是進(jìn)行金相分析的前提，一直是金相圖像分析的研究熱點(diǎn)。蔣明星等[23]基于改進(jìn)的膨脹運(yùn)算的多尺度測地膨脹算法對金相圖像進(jìn)行了晶界恢復(fù)和重建。該算法所獲取的晶界線更加準(zhǔn)確、清晰、完整、連續(xù)和光滑，過分割和欠分割現(xiàn)象更少，如圖3所示。張軼瓊等[24]利用模糊理論來判別和跟蹤邊界，研究了基于模糊邊緣檢測的晶界重建算法。通過與傳統(tǒng)的Sobel 等傳統(tǒng)邊緣檢測算法比較可知，該算法得出了更好的晶界提取結(jié)果。王建萍等[25]利用啟發(fā)式搜索和曲線擬合的方法進(jìn)行了斷裂晶界的重建，這兩種方法都獲得了較理想的晶界重建結(jié)果。

圖3 金相圖像晶界恢復(fù)與重建(箭頭所指處為原始圖像中模糊或斷裂的晶界)

1.4 金相組織特征參數(shù)提取

金相組織特征參數(shù)的準(zhǔn)確提取是正確分析與識(shí)別組織的基礎(chǔ)條件。通常描述金相顯微組織特征的參數(shù)有晶?；蚪M織的灰度值、大小、顯微組織形狀等。近年來部分研究者把分形維數(shù)也作為金相顯微組織的重要特征參數(shù)，其中灰度值直接根據(jù)晶?；蛘呓M織區(qū)域的灰度值決定。

1)面積特征參數(shù)的測量

晶?；蚪M織的大小可以用面積來表示，計(jì)算晶粒面積時(shí)首先根據(jù)圖像分割和晶界重建的結(jié)果提取出金屬目標(biāo)晶粒，進(jìn)行二值化處理，二值圖像中晶粒的面積實(shí)際上就是圖像中連通像素的個(gè)數(shù)，也就是晶粒區(qū)域邊界內(nèi)包含像素點(diǎn)的數(shù)目，即將某一晶粒的所有像素點(diǎn)數(shù)相加，便可得到晶粒的實(shí)際面積。

2)形狀因子特征參數(shù)的測量

在進(jìn)行金相組織的研究時(shí)，除了極少數(shù)的組織外，通常是不同相或者形狀不同，形狀因子成為不同組織的重要特征參數(shù)。目前描述組織形狀因子的特征參數(shù)還沒有確切的表達(dá)式，也無統(tǒng)一的規(guī)定。

3)分形維數(shù)特征參數(shù)的測量

分形作為近十幾年發(fā)展起來的一門新的數(shù)學(xué)理論，其研究對象是不規(guī)則的但又具有自相似性的圖形。晶粒和金相組織明顯具有不規(guī)則性，從金相上觀察到的組織是具有不規(guī)則性與自相似性的圖形，因此從理論上說，金相組織可用分形維數(shù)來定量描述[26]。

目前有多種方式計(jì)算自相似和自仿射分形的分形維數(shù)，例如小島法、垂直剖面法、盒維數(shù)法、功率譜法和二次電鏡掃描法等[27,28]?，F(xiàn)已有三種不同的方法被證明可以用來很好地描述金相組織中的不同對象?！靶u法”可以用于晶粒度、珠光體球化等級(jí)的評定，“海岸線法”求出的謝氏分維可用于相分布的描述；“計(jì)盒維數(shù)法”可以描述離散分布的點(diǎn)狀、線狀對象[29]。研究表明，基于Fourier變換的功率譜方法,由于要求的數(shù)據(jù)量相對較多，并且當(dāng)分維值較小時(shí)測得的分維值偏高，當(dāng)分維值較高時(shí)測得的分維值偏低，此外在功率譜方法中回歸區(qū)段的選擇也有一定的任意性，加上SEM 測量的圖像點(diǎn)數(shù)的限制，不適用于金相組織分形維數(shù)的測量[30]。文獻(xiàn)[31]利用“小島法”計(jì)算了幾種不同金相組織的分形維數(shù)，并利用所得的分形維數(shù)進(jìn)行了組織的識(shí)別，取得了一定的效果。

1.5 圖像識(shí)別

金相分析人員對金相組織的識(shí)別和分類主要是根據(jù)各種組織的灰度分布特征、幾何形態(tài)特征等進(jìn)行的，是一種基于特征分析的決策過程。利用計(jì)算機(jī)對金相組織進(jìn)行自動(dòng)識(shí)別時(shí)，也是模擬上述人類思維的決策過程。

計(jì)算機(jī)圖像識(shí)別是以目標(biāo)圖像的主要特征為基礎(chǔ)的。需要被識(shí)別的圖像目標(biāo)，都有相應(yīng)的特征，同時(shí)，不需要被識(shí)別的圖像其他區(qū)域也可能包含不少與待識(shí)別目標(biāo)類似的特征。因此，在圖像識(shí)別過程中，知覺機(jī)制必須排除輸入的多余信息，抽出關(guān)鍵的信息，而且必定需要一個(gè)負(fù)責(zé)整合信息的機(jī)制，它能把分階段獲得的信息整理成一個(gè)完整的知覺映象。為了編制模擬人類圖像識(shí)別活動(dòng)的計(jì)算機(jī)程序，人們提出了不同的圖像識(shí)別模型，例如模板匹配模型，這種模型認(rèn)為，識(shí)別某個(gè)圖像目標(biāo)，必須在過去的經(jīng)驗(yàn)中總結(jié)這個(gè)圖像目標(biāo)的記憶模式，又叫模板，如果當(dāng)前獲取特征模板能與原來的特征模板相匹配，這個(gè)圖像也就被識(shí)別了。

原始圖像的數(shù)據(jù)量是相當(dāng)大的，而且很多與識(shí)別無關(guān)，因此需要有一個(gè)特征提取的過程，需要把這些數(shù)據(jù)轉(zhuǎn)換為若干個(gè)特征。為了提高分類處理的速度和精度，對提取的特征還必需選擇最有代表性的特征，其信息冗余度最小，而且希望提取的特征能表征目標(biāo)圖像和非目標(biāo)圖像的差異性。在圖像識(shí)別中，常用的特征包括：

1)圖像的幅值特征：像素灰度、RGB值、頻譜等圖像基本特征。

2)圖像統(tǒng)計(jì)特征：灰度直方圖、統(tǒng)計(jì)性特征(均值、方差和熵等)、描述像素相關(guān)性的統(tǒng)計(jì)特征(自相關(guān)系數(shù)、協(xié)方差等)。

3)圖像的幾何特征：面積、周長、面積率、類直線的斜率、曲線的曲率、凹凸性等。

4)圖像變換系數(shù)特征：傅里葉變換、K．L變換等。此外，紋理、位置的相對性等，也是常用的特征。

圖像識(shí)別的最后一步就是決策分類，也就是找出決策函數(shù)(邊界函數(shù))。關(guān)于決策函數(shù)的產(chǎn)生，當(dāng)已知待識(shí)別模式的完整的經(jīng)驗(yàn)知識(shí)時(shí)，則可據(jù)此確定決策函數(shù)的數(shù)學(xué)表達(dá)式一般采用各種距離函數(shù)作為特征的相似性度量，如歐氏距離、馬氏距離等。如果僅知待識(shí)別模式的定性知識(shí)，則在確定決策函數(shù)的過程中，需要通過反復(fù)學(xué)習(xí)(訓(xùn)練)、調(diào)整，以獲得滿意的決策函數(shù)表達(dá)式，從而作為決策分類的依據(jù)。

確定決策函數(shù)的過程學(xué)習(xí)和訓(xùn)練過程，使之產(chǎn)生很多不同的圖像識(shí)別理論和方法，這些理論和方法主要有：

1)統(tǒng)計(jì)模式識(shí)別：模式以特征向量描述，以概率統(tǒng)計(jì)理論為基礎(chǔ)的，找出決策函數(shù)進(jìn)行模式?jīng)Q策分類，不同的決策函數(shù)產(chǎn)生了不同的模式分類方法。目前主要的統(tǒng)計(jì)模式識(shí)別方法有很多：如董立巖等[32]采用貝葉斯決策理論用于尿沉渣圖像分割，張問銀等[33]采用支持向量機(jī)進(jìn)行CD4細(xì)胞的識(shí)別等。

2)句法(或結(jié)構(gòu))模式識(shí)別：該類識(shí)別方法利用形式語言理論完善和堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，用句法分析的方法來實(shí)現(xiàn)結(jié)構(gòu)模式識(shí)別問題的求解。如顏云輝等[34]采用了句法模式對金屬斷口圖像進(jìn)行識(shí)別和分類。

3)模糊模式識(shí)別：該類識(shí)別算法是對傳統(tǒng)模式識(shí)別方法即統(tǒng)計(jì)方法和句法方法的有用補(bǔ)充。它的理論基礎(chǔ)是模糊數(shù)學(xué)，在模式識(shí)別中引入模糊數(shù)學(xué)方法，用模糊技術(shù)來設(shè)計(jì)機(jī)器識(shí)別系統(tǒng)，可簡化識(shí)別系統(tǒng)的結(jié)構(gòu)，更廣泛、更深入地模擬人腦的思維過程，從而對客觀事物進(jìn)行更為有效的分類與識(shí)別。目前模糊模式識(shí)別的主要方法有：最大隸屬原則識(shí)別法、接近原則識(shí)別法和模糊聚類分析法。把模糊模式識(shí)別應(yīng)用在顯微圖像識(shí)別上也有不少應(yīng)用的例子：如王凱等[35]應(yīng)用在對尿轄內(nèi)圖像中的細(xì)胞進(jìn)行自動(dòng)識(shí)別和分類，張果等[36]應(yīng)用在儲(chǔ)糧微生物菌落的顯微圖像的判別上，程迪祥等[37]應(yīng)用在重疊雙核淋巴細(xì)胞的識(shí)別上。

4)神經(jīng)網(wǎng)絡(luò)模式識(shí)別：神經(jīng)網(wǎng)絡(luò)具有信息分布式存儲(chǔ)、大規(guī)模自適應(yīng)并行處理、高度的容錯(cuò)性等優(yōu)點(diǎn)，特別是其學(xué)習(xí)能力和容錯(cuò)性對不確定的模式識(shí)別具有獨(dú)到之處。主要有前饋神經(jīng)網(wǎng)絡(luò)、反向傳播算法(BP)和徑向基函數(shù)網(wǎng)絡(luò)等。應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的例子也很多：有馮強(qiáng)等[38]采用基于細(xì)胞神經(jīng)網(wǎng)絡(luò)(CNN)的算法識(shí)別骨髓切片有核細(xì)胞邊緣，劉芳等[39]采用人工神經(jīng)網(wǎng)絡(luò)根據(jù)顯微組織對鋁合金形變進(jìn)行預(yù)測，郭曉敏等[40]采用基于概率神經(jīng)網(wǎng)絡(luò)的分類器對寄生蟲卵的顯微圖像進(jìn)行識(shí)別，王洪元等[41]采用柔性BP神經(jīng)網(wǎng)絡(luò)對腹水顯微圖像進(jìn)行脫落癌細(xì)胞的識(shí)別等。

圖像識(shí)別的重點(diǎn)和難點(diǎn)在于如何有效的提取合適的目標(biāo)圖像特征，然后根據(jù)正確的決策分類法則對特征進(jìn)行模式匹配，形成決策結(jié)果。如果已經(jīng)有待識(shí)別模式，可以直接采用模式匹配可以達(dá)到識(shí)別的目的；如果僅有待識(shí)別模式的定性知識(shí)，也就是不知道哪些目標(biāo)特征是具有決定意義的差異性特征，就需要采用基于學(xué)習(xí)和訓(xùn)練過程的模式識(shí)別算法產(chǎn)生可用的識(shí)別模式，其過程就是通過訓(xùn)練和學(xué)習(xí)總結(jié)出具有決定意義的差異性特征用于模式匹配。由于跟中模板產(chǎn)生和匹配方式都有各自的特點(diǎn)和使用范圍，因此如何采用合適的方式產(chǎn)生所需的匹配模板是圖像識(shí)別的重點(diǎn)，合理且高效的學(xué)習(xí)和訓(xùn)練模式更是圖像識(shí)別的難點(diǎn)。

2 石油管材金相智能分析系統(tǒng)設(shè)計(jì)

使用金相顯微鏡來觀察、檢驗(yàn)及分析石油管材內(nèi)部的組織結(jié)構(gòu)，是保障管材質(zhì)量、提高管材性能的重要手段。傳統(tǒng)的金相分析方法包括金相試樣的制備、顯微鏡下觀察、圖片獲取、人工組織分析與識(shí)別等過程。石油管材金相智能分析技術(shù)則是需建立在金屬熱處理、數(shù)字圖像處理、特征提取、模式識(shí)別與人工智能、數(shù)據(jù)庫管理技術(shù)的基礎(chǔ)上，借助于計(jì)算機(jī)軟硬件構(gòu)成的一個(gè)智能分析系統(tǒng)。該系統(tǒng)應(yīng)具備圖像采集、圖像預(yù)處理、圖像邊緣分割、特征匹配識(shí)別、石油管材金相數(shù)字圖譜管理等。石油管材金相數(shù)字圖庫應(yīng)包括大部分石油管材金相組織，如：油氣輸送管、油套管及鉆具、耐蝕合金用管材等；針對管材失效分析，可以添加管材典型裂紋金相圖；針對管材質(zhì)量檢驗(yàn)，該系統(tǒng)還應(yīng)具備金相智能測定評級(jí)功能，如非金屬夾雜物測定、晶粒度評級(jí)(比較法、截距法)、帶狀組織評級(jí)(比較法、ASTM E1268)及相面積含量測定等。圖4是石油管材金相智能分析技術(shù)系統(tǒng)的基本結(jié)構(gòu)圖。

圖4 石油管材金相智能分析系統(tǒng)的基本構(gòu)成

3 存在的問題及研究展望

數(shù)字圖像處理與識(shí)別技術(shù)的快速發(fā)展為金相分析開辟了新的途徑，同時(shí)存在諸多不足，主要體現(xiàn)在以下一些方面：

1)國內(nèi)外學(xué)者提出了多種圖像處理方法，但沒有一種通用的方法可以對所有金相組織進(jìn)行處理。因此，對于不同的組織類型，所使用的圖像處理方法需要不斷嘗試和完善。

2)由于合金組織的空間形貌十分復(fù)雜，在體視學(xué)理論上除了一些簡單規(guī)則形狀的組織(如球形、立方體等)可以進(jìn)行定量金相測量和計(jì)算外，其他形狀較復(fù)雜的組織形貌(如多邊鐵素體、回火索氏體等)，很難找到簡單而準(zhǔn)確的特征參數(shù)來描述。此外，金相組織的形狀對其成分和處理工藝十分敏感，無法得到形狀完全規(guī)則和均一的合金組織，組織形狀的千變?nèi)f化給金相圖像的處理和識(shí)別帶來極大的挑戰(zhàn)。

3)目前圖像識(shí)別的理論和技術(shù)成功應(yīng)用在智能交通、生物特征識(shí)別、航空航天等領(lǐng)域，模糊邏輯、遺傳算法、神經(jīng)網(wǎng)絡(luò)等新的智能計(jì)算方法不斷涌現(xiàn)和完善，但各種方法各有不同，各具特點(diǎn)，適合于解決不同類型的問題，或者某一類型某一方面的問題，由于金相組織的復(fù)雜性和極強(qiáng)的學(xué)科交叉性，是多個(gè)智能子問題的組合，目前的研究僅僅依靠單一智能技術(shù)對其進(jìn)行識(shí)別難度極大。

針對目前存在的問題，石油管材金相圖像智能分析技術(shù)可以在以下方面展開進(jìn)一步研究：

1)針對石油管材金相組織特點(diǎn)，研究不同產(chǎn)品與不同鋼級(jí)的金相圖像改進(jìn)算法，對金相圖像進(jìn)行預(yù)處理，通過降噪處理、增加圖像的對比度、改善圖像的視覺效果，使圖像變得輪廓清晰、特征明確，為實(shí)現(xiàn)圖像識(shí)別與晶粒度評級(jí)提供良好的源圖像。

2)引入和完善圖像處理的新理論和新算法進(jìn)行復(fù)雜金相圖像的研究，如遺傳算法、神經(jīng)網(wǎng)絡(luò)算法、小波變換算法等。同時(shí)不斷研究適用于金相圖像分析和幾何參數(shù)求解的新算法，如數(shù)學(xué)形態(tài)學(xué)、分形幾何等。最終形成適合石油管材不同產(chǎn)品與不同鋼級(jí)的金相圖像分割方法，改善分割效果。

3)構(gòu)建具有混合智能技術(shù)的金相圖像智能識(shí)別系統(tǒng)。由于各個(gè)智能方法適合于解決不同類型問題，利用混合式的智能方法解決金相圖像分析這一綜合問題將是可行的途徑。

4 總 結(jié)

從圖像預(yù)處理、圖像分割、晶界重建、金相組織特征參數(shù)提取及圖像識(shí)別等介紹了金相圖像智能分析關(guān)鍵技術(shù)；分析了金相組織圖像處理需要不斷嘗試和完善、金相組織特征參數(shù)難以提取，依靠單一識(shí)別理論識(shí)別難度較大等技術(shù)問題；同時(shí)對石油管材金相智能分析系統(tǒng)進(jìn)行了設(shè)計(jì)及研究展望。金相圖像的智能分析技術(shù)是一個(gè)尚未成熟的研究領(lǐng)域，隨著圖像處理和模式識(shí)別等信息技術(shù)的飛速發(fā)展，金相智能分析系統(tǒng)勢必將逐步完善，促進(jìn)現(xiàn)代石油管材檢測技術(shù)的發(fā)展。