[發明專利]一種卷積神經網絡識別AFM圖象預測材料性能的方法

在審

• 申請號: 202110564588.3
• 申請日: 2021-05-24
• 公開（公告）號: CN113408188A
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 高翔;徐涵;羅英武;趙俊杰
• 申請（專利權）人: 浙江大學衢州研究院;浙江大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F113/26;G06F119/14
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種卷積神經網絡識別AFM圖象預測材料性能的方法，使用AFM得到聚合物的相圖，取得聚合物晶區與非晶區的分布信息，對圖像進行預處理后使用卷積神經網絡進行AFM相圖的特征提取，得到對應的特征神經網絡，使用該網絡可以實現使用AFM相圖預測聚合物材料的斷裂伸長率。本發明解決了現有原子力顯微鏡對于復雜材料表面結構識別后，無法獲取更多信息的問題，為實際場景中應用AFM預測更多材料力學特性提供了可能，且有助于進一步分析材料的相區分布對其力學性能的影響，本發明可以通過AFM相圖快速預測材料的拉伸性能，可在材料工程領域廣泛推廣。

技術領域

本發明屬于高分子材料技術與機器視覺深度學習交叉領域，尤其涉及一種卷積神經網絡識別AFM圖象預測材料性能的方法。

背景技術

聚合物材料的力學性能是在材料應用中極為重要的性能，如拉伸性能、斷裂韌性、疲勞性能、沖擊韌性等，也是生產制造過程中必須要考慮的因素，尤其是結構復雜的共聚物中，這些力學性能的指標更加多變。在實驗室中，新的聚合物產品被合成出后，一般要通過原子力顯微鏡(AFM)人工觀測其表面結構，再通過動態熱機械分析DMA進行拉伸性能測試，驗證其力學性能。

在通過人工觀測AFM圖象時會存在很大的局限性，一方面使用AFM很難定量給出具體的拉伸性能數值大小，而使用DMA測試的結果也很難解釋其深層次的微觀機理；另一方面觀測AFM人員需要提前培訓，一般要經驗豐富的研究人員才可以從圖像上讀取更多的信息，而不同的研究人員在讀取時也會產生不同的人為誤差，準確度受主觀影響較大，效率較為低下。

發明內容

本發明的目的在于針對傳統AFM相圖讀取效率低、準確度差、局限性大且經驗難以普及的問題，結合深度學習領域發展迅速的機器視覺技術進行人工智能識別，提供一種卷積神經網絡識別AFM圖象預測材料性能的方法。本發明可通過深度神經網絡快速讀取AFM圖象的信息，準確預測材料相關力學性能。

本發明的目的是通過以下技術方案來實現的：一種卷積神經網絡識別AFM圖象預測材料性能的方法，利用機器學習的方法搭建并訓練一個深度卷積神經網絡，該網絡通過AFM相圖預測聚合物材料的力學性能。

進一步地，將合成的已知聚合物作為數據集的來源，通過DMA進行拉伸性能測試的結果作為數據集的標簽，使用AFM采集的相圖作為數據集的特征，使用數據集對深度卷積神經網絡進行訓練。

進一步地，將像素值歸一化到[0，1]范圍內來對數據集中的圖像進行預處理。

進一步地，所述卷積神經網絡使用Res-Net網絡模型，通過殘差學習建立跳過連接，加快訓練速度。

進一步地，基于Res-Net網絡模型，首先使用卷積層與最大池化層進行輸入，并使用局部響應歸一化確保先前的層識別各種模式，隨后添加多個不同的殘差單元，每個殘差單元由兩個卷積層組成且沒有池化層；具有批量歸一化和ReLU激活，使用n×n內核并保留空間維度。

本發明的有益效果是：

(1)本發明通過使用深度卷積神經網絡對AFM圖像進行識別，將圖象的特征與對應材料的力學性能行進關聯，屬于材料科學與深度學習計算機視覺的交叉領域，借助深度學習的優勢，可以有助于識別AFM圖像中人眼難以觀察出的規律，而材料的力學性能很有可能會取決于這些規律的特征，這進一步拓寬了AFM圖象的應用場合，且有助于材料科學領域進一步研究材料相區分布與材料力學性能之間的關系；

(2)使用Res-Net殘差卷積神經網絡，卷積層和池化層可以較好的識別圖像關鍵特征，在深層卷積過程中添加跳過鏈接，饋入層的信號也將添加到位于堆棧上方的層的輸出中，該網絡可以較好的解決模型越來越深而參數越來越少的問題，進而分析圖象中的特征，找出規律并識別。除此之外在網絡中加入dropout正則化技術減少數據特征，降低了模型自由度，進而減弱訓練過程對于數據集的依賴，回避了大數據驅動技術與材料領域實驗耗時數據較少之間的矛盾，該網絡可以較好的分析AFM圖象與對應材料的力學性能之間的聯系。