硬度是反映材料力学性能的基本指标，而布氏硬度测量方法由于压痕大、测量结果较准确，是金属硬度检测中应用*泛的检测方法之一。目前，国内大多数采用光学显微镜人工读数的方式进行压痕测量，然后再查表或计算得出布氏硬度测量值。随着图像传感器技术及图像测量技术的发展，尤其是近几年机器视觉识别技术的飞速发展，采用图像测量技术进行布氏硬度压痕测量的方法快速兴起。除了对压痕进行直接测量的方法，近年来，在国内外也出现了测深法，是通过测量压头压入被测材料的深度，换算面积从而计算布氏硬度。为更好地了解各种方法的优缺点，研究人员对目前国内外使用的布氏硬度测量方法进行了分析，以期改善测量方法。 1.人工测量方法
布氏硬度是将某直径D的碳化钨合金球施加试验力F压入试样表面，保持规定时间后卸除试验力，测量试样表面压痕的直径d，布氏硬度与试验力除以压痕表面积的商成正比。其中压痕直径是在压痕的两个相互垂直方向上利用光学读数显微镜进行测量，根据测得的两压痕直径求得压痕平均直径，然后再带入公式求得其布氏硬度。
在利用光学读数显微镜测量压痕的过程中读数对光照强度比较敏感，因此，该方法对光源要求较高。同时，放在试样表面的光学显微镜极其容易偏动，试验人员需要格外细心并且反复瞄准压痕边界线，给压痕测量工作造成了很大的不便，准确性也有所降低。
针对此问题高斐等研究了一种金属布氏硬度计检测用压痕测量装置，该装置包含磁力开关部分和显微固定部分，利用磁力将试样固定，使得测量过程中试样不易移动，操作简单，适用性较强，方便测量不同尺寸的试样。
试验人员在利用光学读数显微镜测量压痕时，选取压痕的内径和外径对结果也有较大的影响。邹声文等测量了压痕的外径和内径，得出距离外径1/3处的直径更能准确、可靠地表示真实压痕的大小。
除了可以利用光学显微镜测量以外，在光学测量的基础上，也进行了一些改进。利用电荷耦合元件(CCD)摄取压痕图像，输入到计算机中。在计算机中，沿压痕图像的边界点选3个压痕圆的轮廓点生成一个拟合圆，通过人工拉线的方式测量压痕圆直径。该方法虽然较传统方式有所改进，但仍需人工参与，仍然会带来较大的人为误差且效率较低。
2.测深法
近年来，国内外也出现了测深法，通过测量压头压入被测材料的深度，换算为面积，从而计算布氏硬度，或者通过软件拟合经验数据，直接将测量深度与经验数据库对比得到布氏硬度。
李和平针对布氏硬度测量方法需要光学系统测量压痕直径效率低的缺点，以及快速布氏硬度测量方法测量结果可比性差的缺点，提出如果可以根据压痕深度计算出压痕直径及布氏硬度，则可以克服这些缺点，提高了布氏硬度自动测量系统的效率和测量结果的可比性。其指出了目前许多关于硬度测量方法的标准和文章中都没有区分“压痕深度”和“装有压头的压杆位移”这两个不同的长度量，提出了采用从压杆最大位移中扣除硬度计弹性变形得到的压痕深度来计算压痕直径和布氏硬度的方法，该方法兼具布氏硬度测量和快速布氏硬度测量的优点，可准确快速地得到布氏硬度的测量结果。李和平大胆预测将来布氏硬度标准应包括两种方法，一种是传统的测量压痕直径的方法；另一种是通过精确测量压杆位移推算出压痕深度，然后计算布氏硬度的方法。
测深虽然在小范围内验证了其可行性，但尚未经广泛验证，且随着设备的年限老化，其刚度系数会存在很大的不确定性。
3.基于图像处理技术的方法
基于图像处理技术的硬度测量方法是随着计算机技术发展而出现的新技术，也是国内外竞相积极投入研发的重点项目。利用计算机图像处理技术自动测量压痕圆直径，并自动计算被测试样的布氏硬度，按照布氏硬度测量原理进行，测量精度和测试效率都得到较大提高和改善。
黎永前等提供了一种硬度块压痕直径测量方法及装置，首先拍摄压痕图像，然后进行图像处理，包括灰度化、直方图均衡化法图像增强、图像滤波、轮廓检测、去噪、轮廓填充、轮廓提取，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。
单忠德等应用基于机器视觉的布氏硬度自动测量系统采集压痕图像，研究了压痕图像滤波、压痕图像轮廓直径提取、直径标定系数等算法，提出了基于粒子群动态轮廓模型(Snake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。
综合各种基于图像处理技术的自动检测压痕系统，其主要过程都是采用摄像机进行图像采集，然后进行图像去噪、边缘检测、最小二乘法拟合，得到压痕直径，最后根据输入系数计算布氏硬度。文献中的测量大多数是在图像轮廓很清晰的条件下进行的，对于光照条件不好导致压痕轮廓清晰度降低的图像，该算法的表现都不尽如人意，同时对于算法的精确度和鲁棒(Robust)性也有待考量。未来随着高分辨率、高精度的图像采集系统的广泛应用，可能会给自动检测压痕系统带来新的生机。
4.基于深度学习的方法
虽然基于图像处理技术的布氏硬度压痕测量系统极大地提高了测量的精度和效率，但是该方法仍具有局限性。在实际测量中，并不一定都是表面处理得特别好的标准试样，测量过程中表面条件、硬度等级甚至粗糙度等都会对测量结果有很大的影响，有时很难用图像处理方法检测压痕边缘，这种情况下基于图像处理技术的方法不一定能满足测试的需求。
随着机器视觉的发展，深度学习在图像识别方面有很大的进步。基于深度学习的图像识别方法不像传统的图像识别方法那样需要繁琐的图像处理，该方法不受表面条件等因素的限制，只要将原始图像输入网络中，利用一定的训练集进行网络训练，该网络可以自动提取目标并识别所需特征。
TANAKAY等将卷积神经网络(CNN)用于测量压痕直径，该方法实现了布氏硬度的鲁棒自动测量。该文献在AlexNet的基础上提出使用一个具有5个卷积层和2个全连接层的卷积神经网络系统来检测压痕边缘，使用数据集结合压痕边缘图像和人工测量给出的边缘位置来训练网络。结果表明人工测量方法和使用CNN方法测量的压痕直径差异在0.3%以内，证明该方法在试样硬度和表面特征的独立性方面是通用的，其测量结果与人工测量结果有较好的一致性。
该方法对数据集的要求较严格，首先要有足够的数据集图像，且人工进行标识也是一件费时费力的工作，对于未来如果各方专家测量的数据集能够组合起来并公开分享，将有利于训练网络的发展。
5.结语
总结了目前现有的4种布氏硬度测量方法，分别为人工测量方法、测深法、基于图像处理技术的测量方法以及基于深度学习的测量方法。阐述了各种方法的优缺点，人工测量方法虽然被认为是可靠的测量方法，但是该方法需要人工操作，会有人为误差且效率较低。测深法虽被证明具有可行性，但是尚未经广泛验证。基于图像处理技术的自动测量系统在测量结果的精度和测试效率方面表现出很好优势，但对于测量表面粗糙、压痕不明显的试样依然具有局限性。随着计算机技术的发展，基于深度学习的图像识别技术将对各个领域有突出的贡献，该方法或将会成为未来布氏硬度自动测量系统研究的重点。
