基于人工神经网络的里氏硬度与布氏硬度转换的研究

合集下载

维氏硬度与里氏硬度对应关系的研究

维氏硬度与里氏硬度对应关系的研究
李金颖;石伟;徐明
【期刊名称】《计测技术》
【年(卷),期】2008(028)003
【摘要】研究了维氏硬度和里氏硬度的对应关系,在大量试验的基础上,采用最小二乘法拟合了维氏硬度和里氏硬度的关系式,并对原换算表的低值部分进行了扩展.【总页数】3页(P15-16,31)
【作者】李金颖;石伟;徐明
【作者单位】中国一航北京长城计量测试技术研究所,北京,100095;中国一航北京长城计量测试技术研究所,北京,100095;中国一航北京长城计量测试技术研究所,北京,100095
【正文语种】中文
【中图分类】TB938.2
【相关文献】
1.里氏硬度计测量布氏硬度与洛氏硬度误差分析 [J], 孙庆军;周晓江;潘英
2.奥氏体不锈钢里氏硬度、维氏硬度及强度之间的换算关系 [J], 陈冰川;李光福;杨武
3.基于人工神经网络的里氏硬度与布氏硬度转换的研究 [J], 阎光宗;欧阳杰
4.里氏硬度值与布氏硬度值、洛氏硬度值的关系 [J], 单晓凤;司春杰
5.P22钢的里氏硬度与布氏硬度的转换关系 [J], 张启礼;金学峰;翟孟杰;诸美杏;黄耀杰;张凤林
因版权原因，仅展示原文概要，查看原文内容请购买。

改进FasterRCNN模型的布氏硬度检测方法

!计算机测量与控制!"#""!$#!%"!!"#$%&'()'*+%('#',&-!",&(".!#."!#收稿日期 "#"&&"&'$!修回日期"#""#&"%%作者简介周如辰!&--1"&男&上海人&硕士研究生&主要从事航空航天无损检测和深度学习方向的研究%通讯作者潘永东!&-%."&男&江苏昆山人&博士研究生&教授&博士生导师&主要从事无损健康检测和超声无损检测等方向的研究%引用格式周如辰&游昌壕&潘永东!改进F D S ;H Q X U A A 模型的布氏硬度检测方法(0)!计算机测量与控制&"#""&$#!%"*.".1&1$!文章编号 &%.&/'-1 "#"" #%##."#.!!234 &#!&%'"% 5!6789!&&]/.%" ;<!"#""!#%!#&&!!中图分类号 Z *&1$文献标识码 >改进P *+&'(O !Y Y 模型的布氏硬度检测方法周如辰游昌壕潘永东!同济大学航空航天与力学学院&上海!"###-""摘要自动提取布氏压痕轮廓是提高布氏硬度检测效率的关键一步&针对传统机器视觉算法提取布氏压痕轮廓算法的不足&通过F D S ;H Q X U A A 模型实现了布氏硬度压痕直径的自动化检测$针对检测布氏硬度压痕圆的特点&提出对F D S ;H Q X U A A 模型的改进$在6V D S S 9R 96D ;9E 7网络中的边框回归损失函数中加入预测检测框的长与宽的方差&在改进的边框回归函数优化目标修改为真实检测框与预测检测框差距最小且预测检测框宽与高之间差距最小&使得基于改进的F D S ;H Q X U A A 模型布氏硬度检测能够提供更加准确的目标预测检测框&取得更精准检测效果$同时引入数据增强的方法扩充有效数据大小$实验结果表明&基于F D S ;H Q X U A A 的布氏硬度模型检测方法适用于锈蚀和光滑金属表面工况$改进的F D S ;H Q X U A A 网络模型准确率为-.?#1b &较原模型提升#?.$b &归一化均方误差!7a M G "为#?##&""%&较原模型降低/#?$&b &改进的效果明显&并弥补机器视觉算法提取压痕轮廓的不足%关键词 F D S ;H Q X U A A $布氏硬度$边框回归$压痕提取$计算机视觉)'*+%(2,I H (2,'..Q *(1,'++=9J #$("02,I P*+&'(O !Y Y )"1'.+C 3K X L 6J H 7&(3K U J D 7I J D E &*>A (E 7I T E 7I!M 6J E E V E R>H Q E S <D 6HG 7I 97H H Q 97I D 7T><<V 9H T a H 6J D 796S &Z E 7I 5K 79[H Q S 9;N &M J D 7IJ D 9!"###-"&U J 97D "7=+&(*3&*>L ;E W W D ;96H ^;Q D 6;9E 7E RY Q 97H V V 97T H 7;D ;9E 76E 7;E L Q 9S D8H N S ;H <;E 9W <Q E [H ;J H H R R 969H 76N ERY Q 97H V V J D Q T 7H S ST H ;H 6];9E 7!47E Q T H Q ;E S E V [H ;J H S J E Q ;6E W 97I S E R H ^;Q D 6;97I Y Q 97H V V 97T H 7;D ;9E 76E 7;E L Q P N ;Q D T 9;9E 7D VW D 6J 97H [9S 9E 7D V I E Q 9;J W &D 7D L ;E W D ;96T H ;H 6;9E 7E R P Q 97H V V J D Q T 7H S S 97T H 7;D ;9E 7T 9D W H ;H Q 9S Q H D V 9`H TP N F D S ;H Q X U A A W E T H V !>66E Q T 97I ;E ;J H 6J D Q D 6;H Q 9S ;96S E RY Q 97H V V J D Q T ]7H S S 97T H 7;D ;9E 769Q 6V H T H ;H 6;9E 7&D 79W <Q E [H TF D S ;H Q X U A A W E T H V 9S <Q E <E S H T !Z J H [D Q 9D 76H E R V H 7I ;JD 7T\9T ;JE R ;J H <Q H T 96;H TT H ];H 6;9E 7R Q D W H 9S D T T H T 97;E ;J H R Q D W H Q H I Q H S S 9E 7V E S S R L 76;9E 797;J HU V D S S 9R 96D ;9E 77H ;\E Q 8&D 7T ;J HE <;9W 9`D ;9E 7E P 5H 6;9[HE R ;J H 9W ]<Q E [H T R Q D W H Q H I Q H S S 9E 7R L 76;9E 79SW E T 9R 9H T\J E S H I E D V 9S ;EW 979W 9`H P E ;J ;J H I D <P H ;\H H 7;J H Q H D V T H ;H 6;9E 7R Q D W H D 7T ;J H <Q H T 96;H T T H ;H 6;9E 7R Q D W H D 7T ;J H I D <P H ;\H H 7;J H\9T ;J D 7TJ H 9I J ;E R ;J H <Q H T 96;H T T H ;H 6;9E 7R Q D W H !Z J H P Q 97H V V J D Q T 7H S S ;H S ;P D S H T E 7;J H 9W ]<Q E [H TF D S ;H Q X U A A W E T H V 6D 7<Q E [9T HW E Q H D 66L Q D ;H ;D Q I H ;<Q H T 96;9E 7T H ;H 6;9E 7R Q D W H D 7T D 6J 9H [HW E Q H D 66L Q D ;H T H ;H 6;9E 7H R R H 6;!>;;J H S D W H ;9W H &;J H T D ;D H 7J D 76H W H 7;W H ;J E T 9S 97;Q E T L 6H T ;E H ^<D 7T ;J H H R R H 6;9[H T D ;D S 9`H !Z J H Q H S L V ;S J E \S ;J D ;;J HY Q 97H V V J D Q T ]7H S SW E T H V T H ;H 6;9E 7W H ;J E TP D S H TE 7F D S ;H Q X U A A9S S L 9;D P V H R E Q 6E Q Q E T H T D 7T S W E E ;JW H ;D V S L Q R D 6H S !>V S E &;J H D 66L Q D 6N ER ;J H 9W ]<Q E [H TF D S ;H Q X U A A7H ;\E Q 8W E T H V 9S -.?#1b &\J 96J 9S #?.$b J 9I J H Q ;J D 7;J H E Q 9I 97D VW E T H V &D 7T ;J H 7E Q W D V 9`H TW H D 7S _L D Q H H Q ]Q E Q !7a M G "9S #?##&""%&\J 96J 9S /#?$&bV E \H Q ;J D 7;J H E Q 9I 97D VW E T H V !Z J H 9W <Q E [97I H R R H 6;9S E P [9E L S &D 7TW D 8H L <R E Q ;J H T 9R ]R 969H 76N E R <D Q ;96V H S \D Q WT N7D W 966E 7;E L QW E T H V !M 7D 8HW E T H V "!>'96"(1+*F D S ;H Q X U A A $P Q 97H V V J D Q T 7H S S $P E ^Q H I Q H S S 9E 7$97T H 7;D ;9E 7H ^;Q D 6;9E 7$W D 6J 97H [9S 9E 7!引言硬度是反映材料力学性能的基本指标(&)%布氏硬度法是通过加载一定大小的载荷力将硬质钢球压入待测物体表面(")&通过压痕直径换算试件的硬度%因为该方法的压痕较大&相较于里氏硬度法有更高的准确性%布氏硬度检测方法数值稳定&但是现有方法($)绝大多数都是在"#倍显微镜通过人工读取压痕直径&然后人工对照直径硬度换算表格来确定待测物体硬度值&该方法在工厂生产工况下检测效率低下&且有较大检验误差%针对布氏硬度法检测(/)过程中需要使用光学仪器人工找点检测压痕直径效率低的情况&李和平(')提出根据压痕深度计算出压痕直径及布氏硬度&方法并没有经过广泛验证&且设备长期使用后精度可能会丢失%西北工业大学(%)提供了一种硬度块压痕直径测量方法及装置&通过图像处理&最后采用最小二乘法拟合提取压痕拟合直径得到布氏硬度%单忠德(.)等根据机器视觉(1)相关理论提出了基于粒子群动态轮廓模型!M 7D 8H 模型(-)"的压痕轮廓提取算法&并通过引入压痕直径标定系数&解决了视觉测量中的压痕直径像素与压痕物理直径的换算关系&并对直径标定系数进行最小二乘法拟合&提高了测量精度%但他们的测量大多数是在图像轮廓很清晰的条件下进行的&对于工件表面反光不佳&表面锈蚀导致压痕轮廓清晰度降低的图像&该算!投稿网址 \\\!5S 56V N8`!6E W第%期周如辰&等*改进F D S ;H Q X U A A """"""""""""""""""""""""""""""""""""""""""""""""""""模型的布氏硬度检测方法#.$!#法会失效&本文尝试用该算法检测锈蚀金属表面的布氏压痕&识别效果如图&所示&可见该算法针对压痕轮廓清晰的图片有较好的效果&针对压痕轮廓不清晰的情况则效果不佳%图&!使用改进的S 7D 8H 算法检测布氏硬度压痕的效果图示例近年来&深度学习在机器视觉(&#)领域兴起%深度学习通过建立神经元网络从图片中提取有用的信息&通过不断优化损失函数的方式训练&最后得到特征与目标之间映射的深度学习模型(&&)%F D S ;H Q X U A A (&")网络作为目标检测(&$)方法的一种&在数据标注过程中&除了标注类别之外&还通过标注矩形框标注了目标物体%在矩形框内的属于目标物体的正例部分&在矩形框外的属于目标物体外的负例部分%因此使用该网络进行训练&不仅可以识别目标物体&并且可以得到目标在图像中所处的位置和大小%本文目的是完成布氏硬度压痕圆识别&计算布氏硬度压痕圆直径两个功能&通过F D S ;H Q X U A A 网络可以完成布氏硬度压痕圆识别&通过布氏硬度压痕圆定位框大小位置计算布氏硬度压痕圆直径两个功能&解决布氏硬度法测量布氏硬度压痕直径大小的问题%针对布氏硬度压痕特点&适当对F D S ;H Q ]X U A A 网络进行改进可以提高布氏硬度压痕圆直径的测量精度(&/)%本文首次提出通过F D S ;H Q X U A A 网络检测布氏硬度压痕&针对布氏压痕特点改进F D S ;H Q X U A A 网络&可以在光滑或锈蚀金属表面自动(&')提取布氏硬度压痕轮廓并提高布氏硬度压痕圆直径的测量精度&弥补传统机器视觉算法提取压痕轮廓的不足%@!数据获取@A @!数据采集基于F D S ;H Q X U A A 的布氏硬度法采用布氏硬度标准测试块(&%)&选取'种型号"##C Y @&#-$###&$##C Y @&#-$###&/##C Y @&#-$###&'##C Y @&#-$###&%##C Y @&#-$###%每种型号硬度块选取一块&对于每个硬度块(&.)&本文对其正面涂油保存&反面不涂油保护&在潮湿环境下使得试块正面呈现锈蚀斑点&另一面保持光滑平整%"##C Y @&#-$###含义是指在&/.&#A !&'###8IR "的试验载荷作用下&将直径为&#W W 的淬硬钢球压入试块&保持&#!&'S 时&测得的布氏硬度值为"##%本文采用&/.&#!&'###8IR "的试验载荷压入钢球(&1)&保持时间&#!&'S &对每种型号试块锈蚀面和非锈蚀面各留&#个压痕%本文采用&###倍K M Y 电子放大镜&对每个压痕处于镜头中不同位置拍摄&#张照片&共计&###张照片%同时采集不存在布氏硬度压痕的照片"##张&提取储存格式为0<I &分辨率大小为%/#2/1#%@A B !数据标注对不包含压痕圆的"##张图片数据不进行矩形框标注&作为数据集中的正常类图片&作对照组%针对数据集中存在压痕圆的图片&本文通过矩形框标注压痕圆在图片中的直径与矩形框位置&运用三点求圆法得到矩形框所处的位置与直径%数据标注过程前&手动标注出照片中分布于压痕边缘的&'个点&从&'个点中任意选取$个点能得到&#'组圆的直径数据和中心位置%在每组测量!第$组"过程中&选取的$个点在图像坐标系中的像素坐标为!P $%&2$%"&!P $6&2$6"&!P $(&2$("&第$组测量测得圆的半径0$&中心位置!P $&2$"&那么有*!P $J P $%""8!2$J 2$%"")0"$!P $J P $6""8!2$J 2$6"")0"$!P $J P $(""8!2$J 2$("")0"()*$!&"!!式!&"的第一式和第二式相减&第一式和第三式相减可得*!P $%J P $6"P $8!2$%J 2$6"2$)!!P "$%J P "$6"8!2$%J 2"$6""!P $%J P $("P $8!2$%J 2$("2$)!!P "$%J P "$("8!2$%J 2"$("()*"!""!!那么*P $)J 5.J OF O &J !52$)J !F J &.O &J !50$)J 5.J O F O &J !5J P!"$%"8J!F J &.O &J !5J 2!"$%槡()*"!$"!!其中*!)P $%J P $%O )2$%J 2$6&)P $%J P $(5)P $%J P $(.)!P$%"J P $6""8!2$%"J 2$6"""F )!P $%"J P $(""8!2$%"J 2$(""()*"!/"!!可见&通过第$组测量得到的像素坐标!P $%&2$%"&!P $6&2$6"&!P $(&2$("可求得第$组圆的半径0$&中心位置!P $&2$"%本文求取&#'组圆的半径0$及中心位置!P $&2$"的平均值作为该张照片压痕圆的真实半径0#!此处的直径指的是图片中圆的直径对应的像素值大小&本文下面出现的直径指的此含义"及中心位置!P #&2#"&该关系如式!'"所示*!投稿网址 \\\!5S 56V N8`!6E W!!计算机测量与控制!第$#""""""""""""""""""""""""""""""""""""""""""""""""""""卷#./!#P #)&#'$)&P $&#'2#)0&#'$)&2$&#'0#)&#'$)&0$()*&#'!'"!!在图片标注过程中&通过确定顶点坐标!P &&2&"&!P "&2""&!P $&2$"&!P /&2/"来标注矩形框&标注过程如图"所示%矩形框与图像中的压痕圆相切&故顶点坐标可依据压痕圆的半径0#&中心位置!P #&2#"给出&该关系如式!%"所示*P &)P $J 02&)2$J 0P ")P $802")2$J0P $)P $J02$)2$80P /)P $802/)2$8()*0!%"图"!图像数据的标注过程!!数据集实际采集&"##张图片&其中"##张图片不含压痕圆&没有检测框&作为数据集的负例部分%在&###张存在布氏硬度压痕的照片中&布氏硬度压痕的位置&大小和背景都存在差异&可适用于本实验的训练目标%本文提出的基于布氏硬度检测的F D S ;H Q X U A A 模型为单类别目标检测&数据量少会导致泛化能力差&模型过拟合等问题&因此需要进行数据增强%数据增强主要是对采集到的图片采取左右翻折&上下翻折处理&同时针对实际工况中的不同光照条件&对模型进行随机调整亮度对比度处理&数据增强示例如图$所示&经过数据增强后的数据集总共包含/1##张图片%由于数据集是按批次送入神经网络中训练&数据量的增长并不会增加模型的训练运算量&显存占用量%数据增强的优点是解决模型过拟合(&-)&泛化能力差的缺点&使得模型的鲁棒性增强&同时提高模型在不同亮度条件下的检测能力%经过增强的数据集包含/1##张照片%本文对照片标注图$!训练数据集数据增强的$种扩充方法类别为压痕&并标注矩形边框&同时以*>M U >O =3U 的格式保存数据集("#)%B !改进P *+&'(O !Y Y 模型B A @!P*+&'(O !Y Y 神经网络模型F D S ;H Q X U A A 是一种端到端目标检测算法&通过卷积运算提取特征&对候选框大小及目标类型进行回归达到实时检测要求%F D S ;H Q X U A A 主要由卷积层&X *A 网络&X E 9]*E E V 97I 层和分类层/个部分组成&如图/所示%图/!原始的F D S ;H Q X U A A 模型&"图像特征选取网络*F D S ;H Q X U A A 基于卷积神经网络("&)!=B B &%("")&X H S A H ;'#("$)"提取图片中的特征矩阵&该特征矩阵将被作为后续X *A 层和全连接层("/)的输入%""X *A 网络!图像特征选取网络"*X *A 网络!X H ]I 9E 7*Q E <E S D VA H ;\E Q 8S "的作用是生成目标检测候选区域%该层通过S E R ;W D ^层判断锚框属于前景或背景并标记&再利用边框回归调整候选锚框的大小&让目标检测候选区域更准确&更贴近真实的正例检测区域%$"X E 9*E E V 97I 层!感兴趣区域池化层"*X E 9*E E V 97I 层将X *A 网络输出的特征和X *A 网络输出的目标检测候选区域作为输入&提取其中的综合信息得到感兴趣区域&!投稿网址 \\\!5S 56V N8`!6E W第%期周如辰&等*改进F D S ;H Q X U A A """"""""""""""""""""""""""""""""""""""""""""""""""""模型的布氏硬度检测方法#.'!#将感兴趣区域池化为固定尺寸的特征图%/"U V D S S 9R 96D ;9E 7层!分类层"*U V D S S 9R 96D ;9E 7层利用X E 9*E E V 97I 层输出的特征矩阵进行两个工作*&"判断候选区域的类别$""再次进行边框回归得到检测框的准确位置&让目标检测候选区域更准确&更贴近真实的正例检测区域%B A B !改进边框回归在图像坐标系中&一个矩形边框可以用其中心位置坐标!!&O "及矩形边框的宽R 与高4表示%故本文采用矩形边框的中心位置坐标及边框的宽与高!!&O &R &4"来定义矩形边框%基于F D S ;H Q X U A A 的布氏硬度检测方法通过F D S ;H Q X U ]A A 模型实现布氏压痕圆边缘的提取&目标检测框内为图片正例部分&即模型认为存在布氏硬度压痕的区域&目标检测框外为图片负例部分&即模型认为不存在布氏硬度压痕的区域%目标检测框为最大覆盖存在布氏硬度压痕的矩形区域&布氏硬度压痕的形状为圆形&因此布氏压痕圆会相切于目标检测框%进一步&本文通过获取F D S ;H Q X U A A 模型输出的检测边框的宽R E L ;<L ;与高4E L ;<L ;来计算压痕圆("')的直径5&该关系如式!."所示*5)!R E L ;<L ;82E L ;<L ;""!."!!在FD S ;H Q X U A A 网络中&X *A 网络会先经过$j $的卷积运算&然后网络分为两条支路%第一条路线用来判断候选框是前景还是背景&它先把输入的候选框特征矩阵映射到一维向量&然后采用SE R ;W D ^函数来判断候选框是前景还是背景&然后把它恢复为二维特征矩阵%第二条路线路用来确定候选框的位置&通过边框回归!P E L 7T 97I PE ^Q H ]IQ H S S 9E 7"实现%经过两路计算结束后&挑选出前景候选框&并利用计算得到候选框准确位置&生成特征子图%同时在最后的6V D S S 9R 96D ;9E 7层!分类层"会再次利用到边框回归!P E L 7T 97I P E ^Q H IQ H S S 9E 7"用于回归更加精确的目标检测框%在X *A 网络中&X *A 对于锚框的设置为默认的-种!默认为$种尺度2$""&%/"&&"1"3&$种宽高比2&o"&&o &&"o &3"%如图'!D"所示&已知黑色为当前的选区&即锚框!在X *A 网络中设置"&白色代表真实的选区&当前的选区可以大概率选择出目标物&但是离真实选区中的真实位置和形状仍然还有较大误差%在6V D S S 9R 96D ;9E 7层中&U V D S S 9R 96D ;9E 7层利用X E 9*E E V 97I 层输出的特征矩阵的信息&得到候选区域的位置%如图'!P "所示&黑色为候选区域的位置&白色代表真实的窗口&经过X *A 网络和X E 9*E E V 97I 层输出的候选区域已经可以覆盖大部分目标正例区域&但是离真实检测框的位置和形状仍然还有调整空间%在6V D S S 9R 96D ;9E 7层中的边框回归!P E L 7T 97I P E ^Q H IQ H S ]S 9E 7"的目标是寻找一种映射关系&该关系使得候选区域!X H I 9E 7<Q E <E S D V "!!#&O #&R #&4#"'经过映射N得到一个跟图'!图像的真实选区和当前选区真实窗口!!"&O "&R "&4""=更接近的回归窗口=Y !!Y #&O Y #&R Y #&4Y #"&关系如式!1"所示*!!Y #&O Y #&R Y #&4Y #")N !!#&O #&R #&4#"!1"!!在具体的边框回归过程中&主要进行如下变换*&"先对候选区域>的中心位置进行平移变换!(P &(2"&该关系如式!-"所示*(P )R #5P !!#&O #&R #&4#"(2)4#52!!#&O #&R #&4#"!-"!!其中*5P &52为FD S ;H Q X U A A 模型在平移变换时的映射&映射关系需要通过模型训练学习%经过平移变换后的回归窗口=Y 的中心位置与候选区域'的中心位置之间的关系如式!&#"所示*!Y #)R #5P !!#&O #&R #&4#"8!#O Y #)4#52!!#&O #&R #&4#"8O Y #!&#"!!""再对检测框进行尺度缩放!'R &'4"&该关系如式!&&"所示*'R )H ^<!5R !!#&O #&R #&4#""'4)H ^<!54!!#&O #&R #&4#""!&&"!!其中*5R &54为FD S ;H Q X U A A 模型在尺度缩放时的映射&映射关系需要通过模型训练学习%经过尺度缩放后的回归窗口=Y 的宽和高与候选区域'的中心位置之间的关系如式!&""所示*R Y #)R #H ^<!5R !!#&O #&R #&4#""4Y #)4#H ^<54!!#&O #&R #&4#!""!&""!!真实窗口=与候选区域'之间的真实平移变换值!"P &"2"和真实尺度变换值!"R &"4"如该关系如式!&$"所示*"P )!"J !#R #"2)O "J O #4#"R )V7R "R !"#"4)V 74"4!"#!&$"!!将真实平移变换值!"P &"2"和真实尺度变换值!"R &"4"定义为真实值"2)!"P &"2&"R &"4"相应的&本文将预测平移变换值!5P &52"和预测尺度变换值!5R &54"定义为预测值52)!5P &52&5R &54"&目标函数如式!&/"所示*!投稿网址 \\\!5S 56V N8`!6E W!!计算机测量与控制!第$#""""""""""""""""""""""""""""""""""""""""""""""""""""卷#.%!#52)R 29E !&/"!!其中*-d !!#&O #&R #&4#"作为输入特征向量&R 2为要学习的参数!2P &2&R &4&每个变换对应一个目标函数"%如图%所示&当候选区域'与真实窗口=之间位置相差较小&可认为是一种线性变化&故对其采用线性回归模型建模%在传统的F D S ;H Q X U A A 中采用S W E E ;JO &V E S S 作为边框回归!P E L 7T 97I P E ^Q H I Q H S S 9E 7"的损失函数&S W E E ;J O &函数公式为*1$##"4X &!P ")#?'P"&9R HP H &&H P H J #?'&2E ;J H Q \9S H !&'"!!在6V D S S 9R 96D ;9E 7层中的边框回归的目的是使得预测值52与真实值"2!2代表P &2&R &4&每个变换代表一个真实值"之间差距最小&因此损失函数X #11定义为*X #11)0;%)&!"%2J R 92E %""!&%"!!函数优化目标G 2定义为*G 2)!0"$%V R 20;%)&!"%2J R 92E %""8&R 2!""!&."!!根据式!."可知&基于F D S ;H Q X U A A 的布氏硬度检测方法测量压痕直径5是通过获取预测检测框!即回归窗口=Y "的宽与高&求出预测检测框!即回归窗口=Y "的宽与高的平均值得到的%考虑到完全相切于压痕圆的真实检测框应为正方形&具有四边边长相同的性质&应在损失函数及函数优化目标中加以相关约束&尽可能维持预测检测框图%!改进后的F D S ;H Q X U A A 模型的形状为正方形&提高模型检测压痕圆直径精度%但是改进前的边框回归!P E L 7T 97I P E ^Q H IQ H S S 9E 7"函数优化目标仅是预测值52与真实值"2之间差距最小&并未限制预测检测框!即回归窗口=Y "的宽R Y #与高4Y #相同%本文针对上述缺点&基于布氏硬度检测的特性&提出基于F D S ;H Q X U A A 模型检测布氏硬度方法的改进%本文通过在F D S ;H Q X U A A 的6V D S S 9R 96D ;9E 7层中&调整边框回归!P E L 7T 97I P E ^Q H IQ H S ]S 9E 7"的损失函数和函数优化目标&在边框回归!P E L 7T 97I P E ^Q H IQ H S S 9E 7"的损失函数和函数优化目标中加入预测检测框宽与高相等的约束来改进F D S ;H Q X U A A 模型%在传统边框回归过程中&边框回归先对候选区域>的中心位置进行平移变换&再对候选区域>进行尺度缩放&得到预测的检测框&通过最小化损失函数让预测的检测框接近真实的检测框%针对布氏硬度检测&在让预测的检测框接近真实的检测框的基础上&应该使得预测检测框具有四边相等的性质&本文通过在改进的损失函数中加入对于经过平移变换!(P &(2"和尺度缩放!'R &'4"的预测检测框的高4Y #与宽R Y #的方差&在改进的函数优化目标中维持预测值52与真实值"2之间差距最小的同时&加入预测检测框!即回归窗口B f "宽R Y #与高4Y #之间差距最小这一目标&预测检测框!即回归窗口B f "的宽R Y #与高4Y #如式!&""所示&改进后的损失函数X #11Y 如式!&1"所示*X #11Y )0;%)&!"%2J R 92E %""80;%)&!E %+,-.##&#H ^<!R 9R E %"J E %+,-.###&H ^<!R 94E %"""!&1"!!改进后的函数优化目标GY 2如式!&-"所示*G Y 2)!0S $%V (R 2!0;%)&!"%2J R 92E %""80;%)&!E %+,-.##&#H ^<!R 9R E %"J E %+,-.###&H ^<!R 94E %""""8&R "2)!&-"!!通过改进边框回归!P E L 7T 97I P E ^Q H IQ H S S 9E 7"的损失函数&能够使得改进的F D S ;H Q X U A A 模型在检测布氏硬度压痕时&预测的检测框的宽与高之间差距最小%基于改进F D S ;H X U A A 的布氏硬度检测能够在保留F D S ;H Q X U A A 的6V D S S 9R 96D ;9E 7层中的边框回归预测值52与真实值"2之间差距最小的同时&使得预测的检测框形状最贴近正方形&更符合布氏硬度压痕圆的特点&使得模型在布氏硬度的检测中&表现出更优的检测精度和更好的检测效果&改进后的F D S ;H Q X U A A 模型网络如图%所示%C !实验结果与分析C A @!实验环境本实验的硬件采用47;H V U E Q H9.]1.'#C U *K $"?"#B C `八核处理器&O 4Z G 3A U =1]1G &"1]&&M >Z >&"1B Y 固态硬盘&A =424>B H F E Q 6HB Z ,&#%#\9;J a D ^]g2H S 9I 7显卡&操作系统环境采用K P L 7;L &%?#/&采用Z H 7]S E Q R V E \]I <L 深度学习框架&*N 6J D Q W 编译环境%C A B !实验参数本实验将数据集按训练集&验证集&测试集按.o &o "的比例进行划分%在实验中&传统F D S ;H Q X U A A 模型采用的模型主干网络采用X H S A H ;'#&使用的最终模型为X H S ]!投稿网址 \\\!5S 56V N8`!6E W第%期周如辰&等*改进F D S ;H Q X U A A """"""""""""""""""""""""""""""""""""""""""""""""""""模型的布氏硬度检测方法#..!#A H ;'#cX *A 网络cX 34*E E V 97I cU V D S S 9R 96D ;9E 7层%改进的F D S ;H Q X U A A 模型采用的模型主干网络采用X H S A H ;'#&使用的最终模型为X H S A H ;'#cX *A 网络cX 34*E E V 97I c 改进的U V D S S 9R 96D ;9E 7层%超参数的设置在实验中经过不断优化调整最终设置为*训练步数"####步&X *A 网络采取反向传播和随机梯度下降进行端到端训练&优化器动量为#?-&权重衰减为#?###'&学习率V H D Q 797I Q D ;H 设置为#?###&&当训练步数超过&####步时&学习率采用固定步长衰减&权值衰减I D W W D 为#?&&步长为S ;H <S 9`H &##%C A C !实验评价指标为了验证改进的F D S ;H Q X U A A 模型的有效性以及基于F D S ;H Q X U A A 模型的布氏硬度检测方法的检测能力&本文评价模型的指标主要分为两部分*第一部分是去衡量模型正确检测压痕圆的能力&第二部分是去衡量模型推导得出压痕圆直径的检测精度%第一部分通过计算模型准确率'&&+0!&2进行评价&评价指标如下*总样本数为@&图片含有布氏压痕且模型预测为布氏压痕及图片不含有布氏压痕且模型预测不含有布氏压痕的样本总数为E &即模型预测正确的样本总数&得到准确率'&]&+0!&2公式如如式!"#"所示*'&&+0!&2)-@!"#"!!根据式!"#"可知&当模型准确率'&&+0!&2指标越大时&表明模型识别压痕圆的能力越高%第二部分通过计算模型归一化均方误差V G @>进行评价&评价指标如下*评价该指标时&在检测正确且检出布氏硬度压痕的图片中&通过将式!'"计算得出的压痕真实直径0#与式!."计算得出的通过模型输出的压痕直径5%进行比较&得到归一化均方误差V G @>公式如式!"&"所示*G @>)&$0$%)&!0#J 5%"""7'K )&$0$%)&0#J &$0$%)&5%!"!"""V G @>)&$G @>7'K!"&"!!根据式!"&"可知&当归一化均方误差V G @>指标越小时&表明模型检测压痕直径的准确度越高%C AD !实验结果对比实验中使用本文&?"节中的数据集&为了满足布氏硬度常见工况下的检测&提高数据样本的多样性&提取了分别在锈蚀表面以及非锈蚀表面情况下含有布氏硬度压痕的图片!如图.!D "&!P "所示"&锈蚀表面图片的布氏硬度压痕边缘较为模糊&而非锈蚀表面图片的布氏硬度压痕边缘较为清晰%同时添加一定负例&负例中不存在布氏硬度压痕&包含锈蚀表面以及非锈蚀表面情况下的试块表面图片!如图.!6"&.!T "所示"&进行数据增强进一步丰富样本供模型学习%数据集共/1##张图片&训练集&验证集&测试集的数量分别为$"%#张&/1#张&-%#张%图.!数据集部分展示本实验采用模型准确率>66L Q D 6N&模型归一化均方误差V G @>两个指标对数据集中划分出的测试集部分进行指标评估&对比基于改进的F D S ;H Q X U A A 与传统的F D S ;H Q X U ]A A 模型在本文自建的压痕圆数据集中的识别效果&具体结果见表&所示%表&!F D S ;H Q X U A A 模型与改进的F D S ;H Q X U A A模型检测指标对比模型名称F D S ;H Q X U A A模型改进的F D S ;H Q X U A A模型准确率!'&&+0!&2"-b -%?$'-.?#1归一化均方误差!V G @>"#?##"#'/#?##&""%从表&中可看出&改进的F D S ;H Q X U A A 模型的准确率'&&+0!&2为-.?#1b &比传统的F D S ;H Q X U A A 模型的准确率'&&+0!&2提升#?.$b %综上所述&改进的F D S ;H Q X U A A 模型对于检测图像区域内是否存在压痕圆有一定的优化效果%此外&改进的F D S ;H Q X U A A 模型的归一化均方误差V G @>为#?##&""%&相较于传统的F D S ;H Q X U A A 模型的归一化均方误差V G @>降低/#?$&b %该指标表明了F D S ;H Q ]X U A A 模型经过改进后&使得布氏硬度检测精度得到提升&鲁棒性得以增强%通过准确率'&&+0!&2&归一化均方误差V G @>两个指标计算比较&可以验证改进方案的有效性%同时&各项指标都有所提升&表明改进后的F D S ;H Q X U A A 模型对检测布氏硬度压痕具有更好的检测效果&更高的检测精度%本文展示部分布氏硬度压痕的检测效果&其中原始的布氏硬度压痕图像如图1所示&图1!D "为表面未锈蚀&表面情况差&压痕边缘模糊的图片&图1!P "为表面锈蚀&表面情况好&反光效果好&压痕边缘清晰的图片%基于F D S ;H Q X U A A 模型和改进的F D S ;H Q X U A A 模型的布氏硬度检测效果对比分别如图-!D "'!P"所示%!投稿网址 \\\!5S 56V N8`!6E W。

基于人工神经网络的里氏硬度转换研究

维普资讯
・
１・３
文章编号：０２—６８（０６００ｌ０１０８６２０）４０３３
基于人工神经网络的里氏硬度转换 Βιβλιοθήκη 究马波。将三何
（南大学机电工程学院．南长沙Ｉ０８）中湖１０３
关键词：氏硬度转换里
中图分类号：ＴＧ１３２１．５
人工神经网络
单片机
一
文献识别码：Ａ
ＬｅｂＨａｒｅｄｈｅｓ＂‘ａｆｍａｔｏｎＲｅｅｒｈａｓｄＯｒｉｉｉｌＮｅａｌＮｅｗｏｋｓＩｒｎｓｏｒｔｉｓａｃｂｅｎＡｔｆｃａｕｒｔｒ
１引言
里氏硬度测量是近年发展起来的一种新的硬度测量方法。里氏硬度仪具有精度高，构简单．量范围广。以多结测可方向测量等优点．合测量那些形状复杂．要多点测量的零适需件。还有它的便携性相当好，用方便，于实现全自动的测使易量．一种很有发展潜力的硬度测量方法。是
其显示硬度值实际上是换算值，当然示值误差会比较大。
２有的硬度试验方法，）如里氏硬度测量法，为尚未建立因
最高计量标准．只能用其他硬度基准值通过换算作为其最高标准。目前我国里氏硬度最高标准是维氏或肖氏硬度一等标准块的换算值。

基于机器视觉方法的便携式布氏硬度测量★

840 引言目前布氏硬度测量都是依赖计算机实现软件测量,已经不能满足户外测量。

随着移动APP技术不断发展采用无线传输摄像头将图像传输到服务器再由手机端进行处理,完成布氏硬度测量。

该方法将是未来发展趋势。

材料的机械性能直接决定了材料应用范围。

材料的机械性能表征方式通常可采用抗弯强度、拉伸韧性、抗压强度、塑性变形、断面收缩率、硬度等参数进行表征。

这些表征参数是由材料微观组织结构影响,而这些参数直接反应材料宏观机械性能。

材料实际应用中由于所处环境比较复杂,单纯的理论计算已经不能满足材料机械性能计算,因此需要各种测量设备对材料机械性能指标测量。

常见材料机械性能指标测量设备有万能拉伸试验机、布氏硬度计。

其中布氏硬度可测量钢铁材料硬度,具有投入资金少能快速检测到材料硬度,被广泛应用到材料检测中。

材料硬度与材料的强度和塑性变形抗力有直接关系。

传统的读数方法采用读数显微镜,将压痕与显微镜上的刻度进行比较,在一个方向和垂直方向分别读取两次直径取平均值作为测量直径,再根据标准布氏硬度对照表查表得出最终测试结果。

这种读数显微镜法人工测量压痕直径的方法,不仅测量误差比较大,受人为因素的影响也很大。

这种读数方法在上个世纪的技术条件下是最好的测试方法,而这在一个世纪后的今天仍在使用,这很大程度上已经满足不了工业生产对测试复杂度和自动化的需求。

本文提出的基于机器视觉方法的便携式布氏硬度测量装置,目的是采用电子图像传感器读取压痕图像后直接进行识别并测量,实现全自动的布氏压痕半径测量,把测试人员从单调、程序化的工作中解脱出来,使测量结果更少地受到的人为因素影响,同时提高测试效率。

这在全球制造业正在逐步迈向自动化和智能化的今天,更加具有竞争力,紧跟时代趋势。

国外基于图像布氏硬度测量研究主要有:2003年Mendes开发了基于布氏硬度测量系统[1]。

该系统采用识别压痕和背景灰度差异从而识别出压痕,该算法优点是识别出边缘效果差异性大的图像具有较高准确率,对于边缘效果差异性不大图形准确率降低。

基于人工神经网络对锆基合金HANA和HANA回火后硬度的预测（精品）

下半月出版Ｍａｔｅｒｉａｌ＆ＨｅａｔＴｒｅａｔｍｅｎｔ》材料热处理技术基于人工神经网络对锆基合金ＨＡＮＡ一４和ＨＡＮＡ一６回火后硬度的预测李颜，，于军辉２’王妍１，于娅君３（１．中国核电工程有限公司深期Ｉ设计院，广东深圳５１８０００；２．西安建筑科技大学冶金学院，陕西西安７１００５５；３．西安外国语大学商学院。

陕西西安７１０１２８）摘要：采用人工神经网络方法建立了锆基合金ＨＡＮＡ—４亿ｎ１．５Ｎｂ－０．４Ｓｎ－０２Ｆｅ－０．１Ｃｒ）和ＨＡＮＡ．６（Ｚｒ－Ｉ．１Ｎｂ－０．０５Ｃｕ）回火参数与硬度的预测模型；利用所建立的网络模型预测不同回火态下材料的硬度。

测试结果表明：最大相对误差绝对值是６．８８６９％，拟合率是０．９９９１。

关键词：锫基合金；神经网络；回火参数；硬度中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：１００１．３８１４（２０１０）１４－０１５１－０４ＰｒｅｄｉｃｔｉｏｎｏｆＨａｒｄｎｅｓｓｏｆＨＡＮＡ．４ａｎｄＨＡＮＡ．．６Ｚｒ．ｂａｓｅｄＡｌｌｏｙＡｆｔｅｒＡｎｎｅａｌｉｎｇｂｙＡＮＮＬＩＹａｎｌ，ＹＵＪｔｌｒｄｌｕｉ２，ＷＡＮＧＹａｈｌ，ＹＵＹａｉｌｌｌｌ３（１．ＳｈｅｎｚｈｅｎｏｅｓｉｇｎＩｎｓｔｉｔｕｔｅ，ＣＮＮＣＣｈｉｎａＮｕｃｌｅａｒＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＣｏ．，Ｌｔｄ．，Ｓｈｅｎｚｈｅｎｇ５１８０００，Ｃｈｉｎｑ＂２．ＳｃｈｏｏｌｏｆＭｅｔａｌｌｕｒｇｙａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ＇ａｎＵｎｉｖｅｒｓ毋ｏｆＡｒｃｈｉｔｅｃｔｕｒｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｉ＇ａｎ７１００５５，Ｃｈｉｒｕｇ．３．ＩｎｔｅｒｎａｔｉｏｎａｌＴｒａｄｅ，Ｘｉ＇ａｎＩｎｔｅｒｎａｔｉｏｎａｌＳｔｕｄｉｅｓＵｎｉｖｅｒｓ毋，Ｘｉ＇ａｎ７１０１２８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｅｐｒｅｄｉｃｔｉｏｎｍｏｄｕｌｅｓａｂｏｕｔｈａｒｄｎｅｓｓａｎｄｔｅｍｐｅｒｉｎｇｐａｒａｍｅｔｅｒｓｏｆＨＡＮＡ－４（Ｚｒ－Ｉ．５Ｎｂ－０．４Ｓｎ－０．２Ｆｅ．０．ＩＣｒ）ａｎｄＨＡＮＡ－６（Ｚｒ－１．ＩＮｂ－０．０５Ｃｕ）ａｌｌｏｙａｔ！ｔｅｒａｎｎｅａｌｉｎｇｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｕｓｉｎｇａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＡＭ叼．Ｈａｒｄｎｅｓｓｏｆｔｈｅａｌｌｏｙａｔｄｉｆｆｅｒｅｎｔｓｔａｔｅｗａｓｐｒｅｄｉｃｔｅｄｕｓｉｎｇｔｈｅｎｅｔｗｏｒｋｍｏｄｕｌｅ．ＴｈｅｒｅｓｕｌｔｓｏｆＡＮＮｍｏｄｕｌｅｓｈｏｗｔｈａｔｔｈｅｃｏｉｎｃｉｄｅｎｃｅｒａｔｅａｎｄｂｉｇｇｅｓｔａｂｓｏｌｕｔｅｒｅｌａｔｉｖｅｅｒｒｏｒｉｓ０．９９１ａｎｄ６．８８６％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ：ｚｉｒｃｏｎｉｕｍｂａｓｅｄａｌｌｏｙ；ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ（ＡＮＮ）；ｔｅｍｐｅｒｉｎｇｐａｒａｍｅｔｅｒｓ；ｈａｒｄｎｅｓｓ锆及其合金的热中子吸收截面小、导热率高、力学性能好．又具有良好的加工性能以及同Ｕ０２相容性好，尤其对高温水、高温水蒸气也具有良好的耐蚀性能和足够的热强性，在核电站水冷动力堆的包壳材料和堆芯结构材料中存在着广泛而迫切的应用需求前景【ｌ＿习。

基于BP神经网络预测硬质合金硬度

基于BP神经网络预测硬质合金硬度
刘杰
【期刊名称】《稀有金属与硬质合金》
【年(卷),期】2007(35)3
【摘要】通过BP神经网络,对WC-Co硬质合金硬度进行模拟和预测。

结果表明,该方法能够比较精确地预测WC-Co硬质合金硬度与其成分变化的关系。

【总页数】3页(P17-19)
【关键词】BP神经网络;硬质合金;ANN模型;硬度预测
【作者】刘杰
【作者单位】深圳职业技术学院
【正文语种】中文
【中图分类】TP183
【相关文献】
1.基于BP神经网络预测TiC基金属陶瓷硬度 [J], 刘杰;胡耀波
2.基于BP神经网络的纳米复合沉积层显微硬度预测研究 [J], 张文峰;朱荻;曾永彬
3.基于BP神经网络的表面硬度预测模型 [J], 刘宝;吴钢;宋光明
4.BP神经网络模型预测Ni-Co/SiO2复合镀层显微硬度的研究 [J], 任俊军
5.基于GA-BP神经网络的喷丸样品表层硬度预测模型 [J], 石明;汪舟;甘进;杨莹;王晓丽;任旭东;申建国;邱斌
因版权原因，仅展示原文概要，查看原文内容请购买。

里氏硬度值与其他硬度值的换算系列讲座

里氏硬度值与其他硬度值的换算系列讲座
杨小赫
【期刊名称】《机械工人：热加工》
【年(卷),期】1997(000)003
【摘要】本刊去年从第3～12期刊出的“里氏硬度试验应用技术系列讲座”讨论了如何打准里氏硬度的问题。

其目的是正确掌握里氏硬度试验条件,正确操作里氏硬度计和处理数据,用里氏硬度计测得试件正确的里氏硬度值。

但是,由于目前国内里氏硬度值的合法性或认同性还十分有限,只有少数商品在国际贸易交货时使用里氏硬度值作为标准。

绝大多数场合,里氏硬度值换算成其他常用硬度值才能应用。

因此。

【总页数】2页(P33-34)
【作者】杨小赫
【作者单位】北京杰瑞仪器设备有限公司
【正文语种】中文
【中图分类】TH871.5
【相关文献】
1.里氏硬度值与其他硬度值的换算系列讲座：第六讲里氏与肖氏硬度换算 [J], 杨小赫
2.里氏硬度值与其他硬度值的换算系列讲座 [J], 杨小赫
3.里氏硬度值与其他硬度值的换算系列讲座：第二讲换算意义及偏差 [J], 杨小赫
4.里氏硬度值与其他硬度值的换算系列讲座——第五讲自制换算表 [J], 杨小赫
5.里氏硬度值与其他硬度值的换算系列讲座——第三讲目前应用中的换算表 [J], 杨小赫
因版权原因，仅展示原文概要，查看原文内容请购买。

里氏硬度计其他标尺示值准确度分析

Analysis of Accuracy of Indications on Other Scales of Leeb Hardness TesterLIU Wei(Liaoning Institute of Metrology,Shenyang 110004,China)Abstract :The Leeb hardness tester is one of the commonly used hardness testing tools,usually used to measure the Leeb hardness value of the workpiece.However,if it is necessary to measure other hardness values,it will also be used to measure the Brinell hardness value or Rockwell hardness value.This article uses three commonly used Leeb hardness testers to measure commonly used Leeb hardness blocks,Brinell hardness blocks,and Rockwell hardness blocks.While ensuring that the experimental data of Leeb hardness blocks are qualified,by analyzing the experimental data of other hardness blocks,the corresponding laws of Leeb hardness tester measuring Brinell hardness and Rockwell hardness are given.Finally,some suggestions are given for Leeb hardness tester testing Brinell hardness and Rockwell hardness experiments.Key words :leeb hardness tester;ruler;measure里氏硬度计其他标尺示值准确度分析刘伟（辽宁省计量科学研究院，辽宁沈阳110004）【摘要】里氏硬度计是比较常用的硬度测试工具之一，里氏硬度计通常用于测量工件的里氏硬度值，但如果需要用其来测量其他硬度值时，也会用其测量布氏硬度值或洛氏硬度值。

一种基于BP人工神经网络的材料动态力学性能预测方法[发明专利]

专利名称：一种基于BP人工神经网络的材料动态力学性能预测方法
专利类型：发明专利
发明人：周佳,万鑫铭,张钧萍,赵岩,李阳
申请号：CN201510447905.8
申请日：20150727
公开号：CN105095962A
公开日：
20151125
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于BP人工神经网络的材料动态力学性能预测方法，旨在通过BP人工神经网络预测解决材料动态力学性能测试问题，属于材料动态力学性能测试领域。

其原理是利用高速拉伸试验方法采集应力应变数据，经归一化预处理后得到训练样本集；通过设计输入层、隐含层和输出层构建BP人工神经网络模型，并选择适当的传递函数、训练函数和学习函数；使用训练样本集对BP人工神经网络进行迭代训练得到最佳的预测网络。

使用该预测模型对材料的动态力学性能进行预测，可短时间内快速预测材料在不同应变速率条件下的流变曲线，能够为汽车安全仿真提供足够的样本材料数据。

申请人：中国汽车工程研究院股份有限公司
地址：401122 重庆市渝北区金渝大道9号
国籍：CN
代理机构：重庆市前沿专利事务所(普通合伙)
代理人：路宁
更多信息请下载全文后查看。

里氏硬度计原理及特点【详解】

里氏硬度计原理及特点内容来源网络，由“深圳机械展（11万㎡，1100多家展商，超10万观众）”收集整理！更多cnc加工中心、车铣磨钻床、线切割、数控刀具工具、工业机器人、非标自动化、数字化无人工厂、精密测量、3D打印、激光切割、钣金冲压折弯、精密零件加工等展示，就在深圳机械展.里氏硬度计：是一种测试器材，其原理是随着单片技术的发展，1978年，瑞士人Leeb博士首次提出了一种全新的测硬方法，它的基本原理是具有一定质量的冲击体在一定的试验力作用下冲击试样表面，测量冲击体距试样表面1mm处的冲击速度与回跳速度，利用电磁原理，感应与速度成正比的电压。

原理：随着单片技术的发展，1978年，瑞士人Leeb博士首次提出了一种全新的测硬方法，它的基本原理是具有一定质量的冲击体在一定的试验力作用下冲击试样表面，测量冲击体距试样表面1mm处的冲击速度与回跳速度，利用电磁原理，感应与速度成正比的电压测试主要应用于机床导轨。

里氏硬度计特点：1、大屏幕LCD点阵液晶，LED背光显示，小巧便携设计，机身仅312.5px；2 、七种冲击装置无需校正自动识别具有良好兼容性，具有示值软校准功能；3、可预先设置硬度上、下限，超出范围自动报警；4 、大容量存储，可达600组数据；5 、带有USB接口，配备微机软件，与PC机连接后功能更加强大，方便客户对测量数据的管理；6 、支持测量多种硬度计制氏，即刻显示与转换：布氏（HB）、洛氏C（HRC）、洛氏A（HRA）、洛氏B(HRB)、维氏（HV）、肖氏（HS）7、电源供电为两节AA（5号）电池，可连续工作150小时以上（不开背光），带有自动休眠、自动关机等节电功能；8、采用国际流行的全封闭铝合金外壳，符合人体工程学设计。

表面喷砂处理，配以不锈钢拉丝堵板，耐腐蚀的同时增加了美观性，坚固耐用。

并具有优异的抗电磁，抗震动等干扰的能力。

内容来源网络，由“深圳机械展（11万㎡，1100多家展商，超10万观众）”收集整理！更多cnc加工中心、车铣磨钻床、线切割、数控刀具工具、工业机器人、非标自动化、数字化无人工厂、精密测量、3D打印、激光切割、钣金冲压折弯、精密零件加工等展示，就在深圳机械展.。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

结构简单、测量范围广及可多方向测量等优点。许多机械零部件标准中的硬度通常是在试验室中用试
ＢｂｃＰ（ａｋ—ｐｏａａｉｎ神经网络是目前应用ｒｐｇｔ）ｏ最为广泛的神经网络模型，统计有８％～９％的据００
ＬｅｂＨａｒｎｓｅｄｅｓＢａｓｄｏｔｉｉｕａＩＮｅｗｏｒｅｎＡｒｉｃａＩｆＮｅｒｔｋ
阎光宗，阳杰欧
（河北省电力研究院，石家庄
摘要：绍了一种基于人工神经网络的里氏硬度值与布氏硬介度值的转换方法，方法可以针对某一种材料，立在已知该建里氏硬度值情况下布氏硬度值的预测，测结果与实际布氏预
内误差较小，而在较大硬度值范围时则硬度转换误差较大。为了充分利用里氏硬度仪的特点和优势，有必要进一步研究一种里氏硬度与其他硬度之间的
ＫｅｒｓＬｅｂＨａｄｅｓａｔｉｉｌｎｕａｅｗｏｋＢｒｎｌｙｗｏｄ：ｅｒｎｓ；ｒｉｃａｅｒｌｎｔｒ；ｉｅｌｆ
ｐｅｉｔｄａｄｔｅｒｐｒｅａｕｆｉｅｌＨａｄｅｓｉｍａｅｒｄｃｅｎｈｅｏｔｄｖｌｅｏｎｌＢｒｒｎｓｓｄｔｅｉｈｅｓｂｌｙａｄｔｅａｃｒｃｆｈｒｓｎｔｏｖｒｙｔｅｆａｉｉｔｎｈｃｕａｙｏｅｐｅｅｔｍｅｈ— ｆｉｔ
Ｈａｄｎｓｒｅｓ
中圈分类号：Ｇ１５５；Ｐ８Ｔ１．１Ｔ１３文献标志码：Ａ
文章编号：０１—９９（Ｏ８Ｏ１０８８２Ｏ）３—０２００—０３
０引言
里氏硬度能对大型及形状复杂的试件进行快
验设备将产品切割制备成规则形状后，经试验确定。
ｏｄ．
值，是每个给定的里氏硬度值都能查到对应的硬不
度值。公式法也是一种里氏硬度值的换算方法，因材料的２种硬度值之间一般没有对应的数学关系，是一种非线形映射，因此公式法在较小硬度值范围
硬度值吻合性较好，实了该方法的可行性及准确性。证
００２）５０１
试验，到的数据进行一定处理，得然后按照里氏硬度每隔２个和５值给出２硬度的对应值。目前常个个用的硬度换算表是ＧＢ１７ — １９￣色金属硬度１２９９黑及强度换算表》但它只解决了静态硬度之间的转，换。而里氏硬度与其他硬度的换算主要应用的是瑞士ＰＯＣＱ公司在其产品ＥＲＥＱＵＵＩＰ里氏硬度仪
关键词：氏硬度；工神经网络；氏硬度里人布
ＡｂｔａｔＡｅｒｌｅｗｏｋｍｅｈｄｉｐｏｏｅｏａｈｅｅｔｅｓｒｃ＝ｎｕａｔｒｔｏｒｐｓｄｔｃｉｖｈｎｓ
ｔａｓｏｍａｉｎｆｏＬｅｂＨａｄｅｓｔｉｅｌｒｎｓ．ｅｒｎｆｒｔｒｍｅｒｎｓｏＢｒｎｌＨａｄｅｓＴｈｏｍｅｈｄｃｎｐｅｉｔｔｅＢｒｎｌＨａｄｅｓｖｌｅｂｓｄｏｌｔｏａｒｄｃｈｉｅｌｒｎｓａｕａｅｎａａ—
ｌｙｅｒｎｓａｕ，ａｄｔｅｃｍｐｒｓｎｂｔｅｈｏ＇ＬｅｂＨａｄｅｓｖｌｅｎｈｏａｉｅｗｅｎｔｅｓｏ
中提供的换算表。准确、靠的换算表应该是针对可某一种特定（材料和热处理工艺）样，过对比试试通验所得，而查表法只能给出一些离散点对应的硬度
速、便、确的在线硬度判断，电厂金属部件检方准在
换算方法。以下研究了一种基于人工神经网络的里
氏硬度与布氏硬度转换的预测方法。
１人工神经网络建模
１１Ｂ．Ｐ神经网络模型的建立
验中得到迅速的推广使用。里氏硬度仪有精度高、
维普资讯
Ｖｏ．７Ｎｏ３Ｉ２．
河北电力技术
ＨＥＢＥＩＥＬＥＣＴＲｌＣＰＯＷＥＲ
第２７卷第３期
２００８年６月
Ｊｎ２０ｕ．０８
基于人工神经网络的里氏硬度与布氏硬度转换的研究
ＲｅｓａｃｎＴｒｎｆｒｔｏｒｍｉｅｌＨａｄｅｓｏｅｒｈｏａｓｏｍａｉｎｆＯＢｒｎＩｒｎｓｔ