[發明專利]基于深度學習的復合固化土微觀結構識別分析方法及系統

在審

• 申請號: 202210630904.7
• 申請日: 2022-06-06
• 公開（公告）號: CN114708590A
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 李秉宜;錢彬;陳永輝;沈峰;蔣明鏡
• 申請（專利權）人: 水利部交通運輸部國家能源局南京水利科學研究院
• 主分類號: G06V20/69
• 分類號: G06V20/69;G06V10/26;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 王春香

1.基于深度學習的復合固化土微觀結構識別分析方法，其特征在于，包括以下步驟：

S1、獲取多個復合固化土樣本的微觀結構圖像，對每個所述圖像中的孔隙和各水化產物進行標注，以形成圖像數據集；

S2、構建神經網絡模型，并設定所述神經網絡模型的初始學習率，基于所述圖像數據集，計算所述神經網絡模型的損失值；

改變學習率以實現神經網絡模型的迭代訓練，直至多輪迭代后損失值收斂或不變，從而得到最優神經網絡模型；

S3、利用所述最優神經網絡模型對所述微觀結構圖像中的孔隙與各水化產物進行識別，并在所述微觀結構圖像上生成多個識別框；

S4、對所述識別框中的圖像進行聚類分割，提取孔隙與各水化產物的像素區域，計算得到孔隙與各水化產物的量；

S5、基于復合固化土微觀結構中的孔隙與各水化產物的量，得到復合固化土的水化程度和膠結程度。

2.根據權利要求1所述的基于深度學習的復合固化土微觀結構識別分析方法，其特征在于，所述神經網絡模型的損失值計算方法為：

獲取所述神經網絡模型的損失函數，所述損失函數包括：

坐標損失：

；

邊框損失：

；

分類損失：

；

置信度損失：

；

其中， 為貢獻參數，用于協調誤差；s為網格數量，B表示每個網絡產生B個錨框；表示第i個網格中第j個錨框是否框到物體，是則為1，否則為0；為0；為第i個網格檢測出的物體中心點坐標，、代表對應的實際物體中心點坐標；和分別代表預測框的寬和高；代表標記框的寬；代表標記框的高；分別代表預測框屬于c的概率和標記框所屬c類別的概率； 分別代表目標物體的概率值和真實值，和均為參數值；

基于所述損失函數計算得到不同學習率下神經網絡模型的損失值。

3.根據權利要求1所述的基于深度學習的復合固化土微觀結構識別分析方法，其特征在于，所述S1中，獲取多個復合固化土樣本的微觀結構圖像后，使用翻轉、旋轉、白化和高斯噪聲策略對所述圖像進行增強處理。

4.根據權利要求1所述的基于深度學習的復合固化土微觀結構識別分析方法，其特征在于，所述微觀結構圖像的獲取方法包括掃描電鏡試驗。

5.根據權利要求1所述的基于深度學習的復合固化土微觀結構識別分析方法，其特征在于，使用Keras和Tensorflow深度學習框架對所述神經網絡模型進行迭代訓練。

6.根據權利要求1所述的基于深度學習的復合固化土微觀結構識別分析方法，其特征在于，所述神經網絡模型為R-CNN網絡模型、U-net網絡模型或YOLO網絡模型。

7.基于深度學習的復合固化土微觀結構識別分析系統，其特征在于，包括：

圖像數據集獲取模塊，其用于獲取多個復合固化土樣本的微觀結構圖像，對每個所述圖像中的孔隙和各水化產物進行框選標注，以形成圖像數據集；

最優神經網絡模型形成模塊，其用于預設神經網絡模型，并設定所述神經網絡模型的初始學習率，基于所述圖像數據集，計算所述神經網絡模型的損失值；改變學習率以實現神經網絡模型的迭代訓練，直至多輪迭代后損失值收斂或不變，從而得到最優神經網絡模型；

微觀結構識別模塊，其用于對所述微觀結構圖像中的孔隙與各水化產物進行識別，并在所述微觀結構圖像上生成多個識別框；

微觀結構定量表征模塊，其用于對所述識別框中的圖像進行聚類分割，以提取得到孔隙與各水化產物的像素區域，從而得到孔隙與各水化產物的量；并基于復合固化土微觀結構中的孔隙與各水化產物的量，得到復合固化土的水化程度和膠結程度。

8.根據權利要求7所述的基于深度學習的復合固化土微觀結構識別分析系統，其特征在于，對所述復合固化土樣本進行多放大倍數圖像的采集，以生成微觀結構圖像。

9.根據權利要求7所述的基于深度學習的復合固化土微觀結構識別分析系統，其特征在于，所述水化產物包括硅酸鈣和鈣礬石。

10.一種計算機可讀存儲介質，其中存儲有指令，所述指令被處理器執行時，執行如權利要求1-6中任一項所述的基于深度學習的復合固化土微觀結構識別分析方法。