硬度是反映材料力學性能的基本指標,而布氏硬度測量方法由于壓痕大、測量結果較準確,是金屬硬度檢測中應用最廣泛的檢測方法之一。目前,國內大多數采用光學顯微鏡人工讀數的方式進行壓痕測量,然后再查表或計算得出布氏硬度測量值。隨著圖像傳感器技術及圖像測量技術的發展,尤其是近幾年機器視覺識別技術的飛速發展,采用圖像測量技術進行布氏硬度壓痕測量的方法快速興起。除了對壓痕進行直接測量的方法,近年來,在國內外也出現了測深法,是通過測量壓頭壓入被測材料的深度,換算面積從而計算布氏硬度。為更好地了解各種方法的優缺點,來自河鋼集團鋼研總院理化檢測中心的宋月、白麗娟、孫曉冉等幾位研究人員對目前國內外使用的布氏硬度測量方法進行了分析,以期改善測量方法。
人工測量方法
布氏硬度是將某直徑D的碳化鎢合金球施加試驗力F壓入試樣表面,保持規定時間后卸除試驗力,測量試樣表面壓痕的直徑d,布氏硬度與試驗力除以壓痕表面積的商成正比。其中壓痕直徑是在壓痕的兩個相互垂直方向上利用光學讀數顯微鏡進行測量,根據測得的兩壓痕直徑求得壓痕平均直徑,然后再帶入公式求得其布氏硬度。
在利用光學讀數顯微鏡測量壓痕的過程中讀數對光照強度比較敏感,因此,該方法對光源要求較高。同時,放在試樣表面的光學顯微鏡極其容易偏動,試驗人員需要格外細心并且反復瞄準壓痕邊界線,給壓痕測量工作造成了極大的不便,準確性也有所降低。
針對此問題高斐等研究了一種金屬布氏硬度計檢測用壓痕測量裝置,該裝置包含磁力開關部分和顯微固定部分,利用磁力將試樣固定,使得測量過程中試樣不易移動,操作簡單,適用性較強,方便測量不同尺寸的試樣。
試驗人員在利用光學讀數顯微鏡測量壓痕時,選取壓痕的內徑和外徑對結果也有較大的影響。鄒聲文等測量了壓痕的外徑和內徑,得出距離外徑1/3處的直徑更能準確、可靠地表示真實壓痕的大小。
除了可以利用光學顯微鏡測量以外,在光學測量的基礎上,也進行了一些改進。利用電荷耦合元件(CCD)攝取壓痕圖像,輸入到計算機中。在計算機中,沿壓痕圖像的邊界點選3個壓痕圓的輪廓點生成一個擬合圓,通過人工拉線的方式測量壓痕圓直徑。該方法雖然較傳統方式有所改進,但仍需人工參與,仍然會帶來較大的人為誤差且效率較低。
測深法
近年來,國內外也出現了測深法,通過測量壓頭壓入被測材料的深度,換算為面積,從而計算布氏硬度,或者通過軟件擬合經驗數據,直接將測量深度與經驗數據庫對比得到布氏硬度。
李和平針對布氏硬度測量方法需要光學系統測量壓痕直徑效率低的缺點,以及快速布氏硬度測量方法測量結果可比性差的缺點,提出如果可以根據壓痕深度計算出壓痕直徑及布氏硬度,則可以克服這些缺點,提高了布氏硬度自動測量系統的效率和測量結果的可比性。其指出了目前許多關于硬度測量方法的標準和文章中都沒有區分“壓痕深度”和“裝有壓頭的壓桿位移”這兩個不同的長度量,提出了采用從壓桿最大位移中扣除硬度計彈性變形得到的壓痕深度來計算壓痕直徑和布氏硬度的方法,該方法兼具布氏硬度測量和快速布氏硬度測量的優點,可準確快速地得到布氏硬度的測量結果。李和平大膽預測將來布氏硬度標準應包括兩種方法,一種是傳統的測量壓痕直徑的方法;另一種是通過精確測量壓桿位移推算出壓痕深度,然后計算布氏硬度的方法。
測深雖然在小范圍內驗證了其可行性,但尚未經廣泛驗證,且隨著設備的年限老化,其剛度系數會存在很大的不確定性。
基于圖像處理技術的方法
基于圖像處理技術的硬度測量方法是隨著計算機技術發展而出現的新技術,也是國內外競相積極投入研發的重點項目。利用計算機圖像處理技術自動測量壓痕圓直徑,并自動計算被測試樣的布氏硬度,按照布氏硬度測量原理進行,測量精度和測試效率都得到較大提高和改善。
黎永前等提供了一種硬度塊壓痕直徑測量方法及裝置,首先拍攝壓痕圖像,然后進行圖像處理,包括灰度化、直方圖均衡化法圖像增強、圖像濾波、輪廓檢測、去噪、輪廓填充、輪廓提取,最后采用最小二乘法擬合提取壓痕擬合直徑得到布氏硬度。
單忠德等應用基于機器視覺的布氏硬度自動測量系統采集壓痕圖像,研究了壓痕圖像濾波、壓痕圖像輪廓直徑提取、直徑標定系數等算法,提出了基于粒子群動態輪廓模型(Snake模型)的壓痕輪廓提取算法,并通過引入壓痕直徑標定系數,解決了視覺測量中的壓痕直徑像素與壓痕物理直徑的換算關系,并對直徑標定系數進行最小二乘法擬合,提高了測量精度。
綜合各種基于圖像處理技術的自動檢測壓痕系統,其主要過程都是采用攝像機進行圖像采集,然后進行圖像去噪、邊緣檢測、最小二乘法擬合,得到壓痕直徑,最后根據輸入系數計算布氏硬度。文獻中的測量大多數是在圖像輪廓很清晰的條件下進行的,對于光照條件不好導致壓痕輪廓清晰度降低的圖像,該算法的表現都不盡如人意,同時對于算法的精確度和魯棒(Robust)性也有待考量。未來隨著高分辨率、高精度的圖像采集系統的廣泛應用,可能會給自動檢測壓痕系統帶來新的生機。
基于深度學習的方法
雖然基于圖像處理技術的布氏硬度壓痕測量系統極大地提高了測量的精度和效率,但是該方法仍具有局限性。在實際測量中,并不一定都是表面處理得特別好的標準試樣,測量過程中表面條件、硬度等級甚至粗糙度等都會對測量結果有很大的影響,有時很難用圖像處理方法檢測壓痕邊緣,這種情況下基于圖像處理技術的方法不一定能滿足測試的需求。
隨著機器視覺的發展,深度學習在圖像識別方面有很大的進步。基于深度學習的圖像識別方法不像傳統的圖像識別方法那樣需要繁瑣的圖像處理,該方法不受表面條件等因素的限制,只要將原始圖像輸入網絡中,利用一定的訓練集進行網絡訓練,該網絡可以自動提取目標并識別所需特征。
TANAKA Y等將卷積神經網絡(CNN)用于測量壓痕直徑,該方法實現了布氏硬度的魯棒自動測量。該文獻在AlexNet的基礎上提出使用一個具有5個卷積層和2個全連接層的卷積神經網絡系統來檢測壓痕邊緣,使用數據集結合壓痕邊緣圖像和人工測量給出的邊緣位置來訓練網絡。結果表明人工測量方法和使用CNN方法測量的壓痕直徑差異在0.3%以內,證明該方法在試樣硬度和表面特征的獨立性方面是通用的,其測量結果與人工測量結果有較好的一致性。
該方法對數據集的要求較嚴格,首先要有足夠的數據集圖像,且人工進行標識也是一件費時費力的工作,對于未來如果各方專家測量的數據集能夠組合起來并公開分享,將有利于訓練網絡的發展。
結語
總結了目前現有的4種布氏硬度測量方法,分別為人工測量方法、測深法、基于圖像處理技術的測量方法以及基于深度學習的測量方法。闡述了各種方法的優缺點,人工測量方法雖然被認為是可靠的測量方法,但是該方法需要人工操作,會有人為誤差且效率較低。測深法雖被證明具有可行性,但是尚未經廣泛驗證。基于圖像處理技術的自動測量系統在測量結果的精度和測試效率方面表現出很好優勢,但對于測量表面粗糙、壓痕不明顯的試樣依然具有局限性。隨著計算機技術的發展,基于深度學習的圖像識別技術將對各個領域有突出的貢獻,該方法或將會成為未來布氏硬度自動測量系統研究的重點。
作者:宋月,白麗娟,孫曉冉,趙中昱,邢承亮
單位:河鋼集團鋼研總院 理化檢測中心
來源:《理化檢驗-物理分冊》2020年第11期
