【技术实现步骤摘要】
基于水泥微观结构图像的硬化水泥水灰比预测方法及系统
本申请涉及水泥水灰比预测
，特别是涉及基于水泥微观结构图像的硬化水泥水灰比预测方法及系统。
技术介绍
本部分的陈述仅仅是提到了与本申请相关的
技术介绍
，并不必然构成现有技术。随着我国经济社会的不断发展，每年新增大量的桥梁、道路、房屋等基础设施建设工程，钢筋混凝土建筑相关产业获得了快速的发展。作为一种基础建筑材料，混凝土对社会的经济进步和人们的幸福安居有着重要的影响。对混凝土的研究推动了相关产业的技术进步，也进一步促进了我国社会的整体发展水平提高。作为一种水泥基材料，混凝土的性能例如强度、耐久性等很大程度上受水泥的影响。水泥是一种被广泛的应用于各种建筑的构造中的胶凝材料。水泥的性能主要受水灰比、养护条件、龄期等多方面的因素影响。其中，水灰比的大小会影响水泥成型过程中孔隙率等指标，而成型水泥的抗压强度、耐久度等性能表现与孔隙率有着密切的联系。因此，水灰比会对硬化水泥的性能表现产生重要影响。水灰比大小的正确使用对建筑的使用寿命、强度指标等有着重要的意义...
【技术保护点】
1.基于水泥微观结构图像的硬化水泥水灰比预测方法，其特征是，包括：/n获取待预测水泥图像；/n对待预测水泥图像进行预处理；/n将预处理后的待预测水泥图像，输入到预先训练好的卷积神经网络中；输出待预测水泥图像的水灰比预测值。/n
【技术特征摘要】
1.基于水泥微观结构图像的硬化水泥水灰比预测方法，其特征是，包括：
获取待预测水泥图像；
对待预测水泥图像进行预处理；
将预处理后的待预测水泥图像，输入到预先训练好的卷积神经网络中；输出待预测水泥图像的水灰比预测值。
2.如权利要求1所述的方法，其特征是，获取待预测水泥图像；是指，获取待预测硬化水泥在相同分辨率下拍摄的不同角度的图像。
3.如权利要求1所述的方法，其特征是，对待预测水泥图像进行预处理；具体步骤包括：
对图像进行标准化处理和图像切割处理。
4.如权利要求1所述的方法，其特征是，将预处理后的待预测水泥图像，输入到预先训练好的卷积神经网络中；输出待预测水泥图像的水灰比；其中预先训练好的卷积神经网络的训练步骤包括：
构建卷积神经网络；
使用不同水灰比的相同分辨率的水泥CT图像作为训练图像，每个训练图像均设有对应的水灰比真实值；
对不同水灰比的训练图像均进行预处理，将预处理后的每种水灰比的训练图像作为一组输入值，输入到卷积神经网络中；将水灰比真实值作为卷积神经网络的输出值，对卷积神经网络进行训练，得到训练好的卷积神经网络。
5.如权利要求1或4所述的方法，其特征是，所述卷积神经网络，包括：
依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、全连接层和输出层；
所述输入层，包括一个通道，这一个通道用于接收水泥CT图像；每张图像包括一个像素矩阵；所述输入层的输入为一个像素矩阵，这一个像素矩阵中，像素矩阵来源于水泥CT图像；矩阵大小为128*128*1；
所述第一卷积层，用于与输入层的像素矩阵进行卷积操作，提取图像特征，卷积核选用3*3*1*16，偏置大小为16*1，得出特征图大小为126*126*16；
所述第一池化层，用于对所述第一卷积层提取的图像特征像素矩阵进行降维操作，提取显著特征信息，选用卷积核大小为2*2，降维之后的特征图大小为64*64*16；
所述第二卷积层，用于对所述第一池化层得出的特征图进一步的进行卷积操作，提取图像特征，卷积核选用3*3*16*32，偏置大小为32*1，得出特征图大小为62*62*32；
所述第二池化层，用于对所述第二卷积层得出的特征图进一步降维，提取显著特征信息，选用卷积核大小为2*2，降维之后的特征图大小为32*32*32；
所述第三卷积层，用于对所述第二池化层得出的特征图进一步卷积操作，提取图像特征，卷积核选用3*3*32*64，偏置大小为64*1，得出特征图大小为30*30*64；
所述第三池化层，用于对第三卷积层得出的特征图进一步降维操作，提取显著特征信息，选用卷积核大小为2*2，降维之后特征图大小为16*16*64；
所述第四卷积层，用于对所述第三池化层得出的特征图进一步卷积操作，提取图像特征，卷积核选用3*3*64*1，偏置大小为1*1，得出特征图大小为14*14*1；
所述全连接层，用于对所述第四卷积层得出的图像特...
【专利技术属性】
技术研发人员：吴旭，赵欣，王琳，杨波，
申请(专利权)人：济南大学，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。