Page 32 - 理化检验-物理分册2025年第五期

陈 德，等：钢材晶粒度评级的人工智能研究和应用

表10 晶粒度智能评级结果重复性
各偏差等级样本量分布情况/张
类别 钢种牌号 样本量/张
[0，0.25)级 [0.25,0.5]级 (0.5,1.0]级
普碳低合金类 Q215、Q235、Q355、Q460 64 64 0 0
梁板类 P510L、P610L、P750L、P700L、PQ700 62 61 1 0
车轮钢类 P330CL、P380CL 52 52 0 0
耐候钢系列 Q345NQR1、Q450NQR1、S450AW 58 57 1 0
低级别管线钢 L245、L290M、L360M、L415M 58 58 0 0
高级别管线钢 X65、X70、X80 87 85 2 0
高强钢系列 P1800PS、LC980、CR420/780DP、DP600、CR550/980DP 46 45 1 0
连退产品 DC01~DC06、P170P1、STW22、P2802VK 69 68 1 0
酸洗产品 SPHC、SPHE、SPCC、SAPH系列、QSTE系列 72 72 0 0
其他产品 12Cr1MoV、22MnB5、TG22、J55、HP295 32 31 1 0
表11 晶粒度智能评级方法制样效率

工序时间统计 /min
人员编号 试样量/组 人工流程（砂轮打磨+粗磨+精磨+抛光+腐蚀） 智能流程（镶样+磨抛+腐蚀） 效率提升/%
工序时间明细 平均时间 工序时间明细 平均时间
1 8 67（15+16+15.5+20+0.5） 52（40+11.5+0.5）
2 8 66.5（16+15.5+16+18.5+0.5） 52（40+11.5+0.5）
68.25 52 23.8
3 8 70（16.5+17+16+20+0.5） 52（40+11.5+0.5）
4 8 69.5（16+16.5+16+20.5+0.5） 52（40+11.5+0.5）
表12 晶粒度智能评级方法检测效率
检测工作 工序时间统计 /min
人工流程（放样+调焦+视场观察+取景+报告） 智能流程（放样+排号+取景+报告） 效率提升/%
人员编号 试样量/组
工序时间明细 平均时间 工序时间明细 平均时间
1 8 81（4+4+56+8.5+8.5） 46.5（1.5+1+40+4）
2 8 83.5（3.5+4+60+8+8） 46.5（1.5+1+40+4）
79 46.5 41.1
3 8 77（3.5+3+55+7.5+8） 46.5（1.5+1+40+4）
4 8 74.5（3.5+2.5+53+7.5+8） 46.5（1.5+1+40+4）

4 结论 Ni 3 Si基复合涂层的定量分析[J]．特种铸造及有色合
金，2015，35（7）：746-749.
（1）通过研究试验，笔者制定了科学的金相试样
[2] 吴伟，吴剑剑，张永华，等．基于数字图像处理的TC4
自动磨抛和腐蚀方法，试样平行度不大于0.05 mm， 钛合金金相组织定量分析[J]．失效分析与预防，2014，

腐蚀晶界清晰，制样效率提高了23.8%。 9（2）：75-79.
（2）基于计算机人工智能和神经网络深度学习 [3] 孙朝明，孟玉堂，杨桂珠．金相晶粒度定量评定技术进
等技术建立了钢材晶粒度智能评级方法，自动化检 展[J]．理化检验（物理分册），2012，48（12）：814-817.
测降低了人工劳动强度，检测效率提高了41.1%。 [4] 胡智君，张庆丰，杜培明．一种灰度图像基本处理方法
（3）相比传统金相检验方法，钢材的晶粒度智 及实现方案[J]．仪器仪表用户，2006，13（3）：116-118.
能评定方法消除了对人工经验的依赖，重复性达 [5] 李维刚，谌竟成，范丽霞，等．基于卷积神经网络的钢
铁材料微观组织自动辨识[J]．钢铁研究学报，2020，

98.8%。
32（1）：33-43.
参考文献： [6] 罗新中，肖命冬，张兆洋，等．基于人工智能高碳盘
条钢索氏体识别探讨[J]．物理测试，2021，39（3）：

[1] 程康娜，孙耀宁，朱子剑．基于数字图像处理对NbC/ 34-37.
20