[發明專利]一種基于特征元素定量分析的金屬材料快速分類檢測方法

在審

• 申請號: 202110063802.7
• 申請日: 2021-01-18
• 公開（公告）號: CN112801152A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 曹穎;韓克甲;李洪偉;張立婷;張文濤
• 申請（專利權）人: 曹穎
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 北京久維律師事務所 11582
• 代理人: 邢江峰

本發明公開了一種基于特征元素定量分析的金屬材料快速分類檢測方法，其特征在于：包括以下步驟；步驟一、根據金屬材料的元素含量信息建立金屬材料狀態多源信息數據庫；步驟二、從上述金屬材料狀態多源信息數據庫中確定影響金屬材料運行狀態的主要因素，將其作為BP神經網絡模型的輸入層神經元并構建學習樣本；步驟三、建立以BP算法為基礎的三層神經網絡，步驟四、設置學習率、訓練次數和訓練目標誤差，并對神經網絡進行訓練和驗證；步驟五、根據訓練后的神經網絡建立簡潔高效的模型。本發明將神經網絡相結合建立金屬元素含量分類用卷積神經網絡模型，利用該模型應用于金屬的分類，達到了準確的定量分析，大大減少了分類檢測的成本和時間。

技術領域

本發明涉及金屬材料分類檢測技術領域，具體為一種基于特征元素定量分析的金屬材料快速分類檢測方法。

背景技術

目前金屬分類檢測主要包括：磁分離技術，渦流分離技術以及大型光譜分析方法等。磁分離技術只能實現導磁性金屬和非導磁性材料的分類；渦流分離技術根據不同的導電性，可以將鋁和其他有色金屬如銅、鎂、鋅分離開，但也無法確定其中的元素含量，進行更精確的分類；

近年來，人工智能突飛猛進，神經網絡以優異的深度學習性能備受關注。神經網絡是一種由若干平行作用的若干簡單要素組成的模型，經訓練后可以解決復雜的技術問題，通過BP神經網絡可以得到輸入輸出間的映射關系，而無需事前描述這種映射關系。BP神經網絡具有優秀的收斂性能和誤差最小性能。BP神經網絡被廣泛用于智能控制、信息處理等領域，鑒于此提出一種基于特征元素定量分析的金屬材料快速分類檢測方法。

發明內容

本發明的目的在于提供一種基于特征元素定量分析的金屬材料快速分類檢測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：一種基于特征元素定量分析的金屬材料快速分類檢測方法，包括以下步驟；

步驟一、根據金屬材料的元素含量信息建立金屬材料狀態多源信息數據庫，并將金屬材料的元素含量分為0-1五種狀態；

步驟二、從上述金屬材料狀態多源信息數據庫中確定影響金屬材料運行狀態的主要因素，將其作為BP神經網絡模型的輸入層神經元并構建學習樣本；

步驟三、建立以BP算法為基礎的三層神經網絡，包括輸入層、隱含層和輸出層；其中輸出層含有一個輸出節點，輸入層與隱含層之間存在連接權值ωi，n，隱含層與輸出層之間存在連接權值ωm，k，輸入層的數據經由各個連接權值得到輸出層的輸出數據，隱含層神經元節點數為算法如下：

式中p為隱含層神經元節點數，m為輸出層神經元數，n為輸入層神經元數，a為1-10之間的常數；

步驟四、設置學習率、訓練次數和訓練目標誤差，并對神經網絡進行訓練和驗證，訓練時將所述學習樣本輸入BP神經網絡后計算神經網絡輸出值與評價目標值之間的誤差，當誤差在可接受的范圍時，神經網絡學習結束，否則以如下方式修改連接權值：

式中，η為學習速率，k為訓練次數，a為動量因子，為誤差函數的梯度；

當第k步誤差大于第k-1步的誤差時，a為0；當第k步誤差小于第k-1步的誤差時，a為0.9，

學習速率η以下方式修改：

式中，為η(k)學習速率，E(k)為第k步的誤差；

重復訓練直到誤差達一定的范圍，神經網絡訓練結束；

步驟五、根據訓練后的神經網絡建立簡潔高效的模型；

步驟六、帶入模型參數，綜合評估集合輸出結果，確定樣品分類信息。