一种基于深度学习的材料显微图像与性能双向预测方法技术

本发明专利技术涉及一种基于深度学习的材料显微图像与性能双向预测方法，提出CNN与DNN相结合的算法用以处理多种输入的并行预测。以CNN提取材料显微图像特征，在第一层全连接层加入以材料成分，工艺为代表的一维特征向量。综合图像特征，其他特征为DNN输入，实现材料综合特征与性能的回归预测或分类。在GAN大量生成图像的基础上，使用前面预测模型对生成的图像性能进行预测。为了增加实验结果的可信度，可以训练三个不同的网络进行预测，最终去三者的交集作为目标图像输出。通过结合卷积神经网络提取特征与成分、工艺等特征，模型与性能的拟合度大幅提升，避免模型欠拟合，性能分类的预测方法符合生产实际需求。

【技术实现步骤摘要】
一种基于深度学习的材料显微图像与性能双向预测方法
本专利技术属于计算机视觉材料图像识别
，涉及一种基于深度学习的材料显微图像与性能双向预测方法
技术介绍
材料是人类赖以生存和发展的物质基础，历史上每一种重要材料的发现和使用，都会给人类生活水平和社会生产力带来巨大的改变。因此，材料在人类社会发展进程中一直扮演着重要的角色，其与能源和信息并称为现代文明的三大支柱。新材料技术的研究和开发对国家的发展起着决定性的作用。传统的材料研制方法周期长、成本高,以试错法为主,即利用现有关于材料的理论与知识经验，通过调整研究材料配比和制备工艺，完成样品数量巨大的制备、表征、测试和检验等流程,最终找到满足需求的材料。材料基因工程将传统的实验筛选方法与高通量计算和大数据技术相结合，通过物理模型、数学计算和材料学原理等方法预测材料的组成、结构和性质，使新材料研发从完全经验型向理论预测型转变，被认为是材料研发方式的一次革命性改变。强外加载下材料的响应是热力学非平衡过程，非平衡过程的内在机制能够在材料内部产生诸多可能的复杂微结构。例如，金属在应力或惯性加载下积本文档来自技高网...

【技术保护点】
1.一种基于深度学习的材料显微图像与性能双向预测方法，其特征在于步骤如下：/n步骤1、构建卷积神经网络提取显微图像特征：/n构建的网络都包含了卷积层，激活函数及池化层。假设某隐含层A中卷积核尺寸为r×s，得到特征图通道数为q，输入层A′的特征图大小为m×n×p，其中p为通道数。则卷积层操作描述为：/nA＝f(W*A′+B)/n其中，W∈R

【技术特征摘要】
1.一种基于深度学习的材料显微图像与性能双向预测方法，其特征在于步骤如下：
步骤1、构建卷积神经网络提取显微图像特征：
构建的网络都包含了卷积层，激活函数及池化层。假设某隐含层A中卷积核尺寸为r×s，得到特征图通道数为q，输入层A′的特征图大小为m×n×p，其中p为通道数。则卷积层操作描述为：
A＝f(W*A′+B)
其中，W∈Rq×(s×r×p)为权重，B∈Rs×r×p为偏置，*表示卷积操作，f(·)表示激活函数。经过卷积层后输入第k个特征图在空间位置(i,j)处的值的大小由公式计算得到：



使用ReLU函数进行非线性激活，采用卷积神经网络提取显微图像特征；
步骤2、构建卷积神经网络预测模型：
将得到的特征图平铺展开为一维向量x1，该一维向量为卷积神经网络提取的图像特征；将成分、工艺以一维向量x2的形式与x1在维度上相连接得到新向量x3，x3的维度为x1，x2维度之和；x3为卷积神经网络的第一个全连接层f1，该连接层包含了图像特征及成分工艺特征；
本发明共有四个全连接层f1，f2，f3，f4；
根据训练集数据性能的差异将性能分为10类，通过Sigmiod函数激活和较差熵损失函数实现对性能的预测，交叉熵损失函数如下：



将数据集分成10份，采用交叉验证的方式提高预测准确率，以Adam优化算法进行梯度下降训练，设置earlystop当验证集准确率连续下降时停止训练，得到训练好的预测模型，实...

【专利技术属性】
技术研发人员：杨宁，古胜利，郭雷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61