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方案

本发明专利技术公开了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，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。本申请直接利用水泥内部的微观结构图像进行硬化水泥水灰比的估测，避免了分析统计毛细孔率等数值指标等步骤，使估测过程更加简洁，更有利于操作。

【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。但是一旦水泥成型之后，很难对硬化的水泥测定其初始的水灰比。目前现有的水灰比测定方法存在一些缺点。基于物理化学方法测定水灰比的误差较大。基于荧光显微分析的方法需要设定一个标准样品进行比对。基于电子显微镜图片的方法过程繁琐，需要先分析统计图片中毛细孔率等数值信息，再用公式或神经网络对水灰比进行估测。申请号为CN201310486138.2，专利技术名称为一种测定硬化混凝土原始水灰比的方法，是将打磨过的样品用树脂填充后利用扫描电镜的背散射模式获得表面照片，再标定出毛细孔率，建立水灰比和毛细孔率的函数关系式，利用函数关系式估测水灰比。该方法虽然能够实现原始水灰比的测定，但是，申请人认为，该专利需要设定阈值定量标定出毛细孔率再建立水灰比和毛细孔率的函数关系式，过程繁杂；且该专利采用基于图片得到的函数关系式进行水灰比的测定，在建立函数关系式时不能避免由毛细孔率统计数据引入的误差，对水灰比的估测精度造成影响。
技术实现思路
为了解决现有技术的不足，本申请提供了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；第一方面，本申请提供了基于水泥微观结构图像的硬化水泥水灰比预测方法；基于水泥微观结构图像的硬化水泥水灰比预测方法，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。第二方面，本申请提供了基于水泥微观结构图像的硬化水泥水灰比预测系统；基于水泥微观结构图像的硬化水泥水灰比预测系统，包括：获取模块，其被配置为：获取待预测水泥图像；预处理模块，其被配置为：对待预测水泥图像进行预处理；预测模块，其被配置为：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。第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。与现有技术相比，本申请的有益效果是：1、本申请直接利用水泥内部的微观结构图像进行硬化水泥水灰比的估测，避免了分析统计毛细孔率等数值指标等步骤，使估测过程更加简洁，更有利于操作。2、本申请直接利用水泥内部的微观结构图像进行硬化水泥水灰比的估测，避免了使用函数关系式对水灰比进行估算，避免了使用函数关系式时可能存在的误差，使估测结果更加准确。3、本申请中采用卷积神经网络构建水灰比估测模型，可以直接利用水泥微观结构图像对水灰比进行估测，有效的提高估测精度。采用卷积神经网络可以自动从水泥微观结构图像中抽取相关特征，使操作过程更简洁方便。也有利于对水灰比的快速估测，提高水灰比估测的速度。4、本专利技术是一种实时估测方法，对于用户所提供的水泥微观结构图片能够快速返回估测结果，实时性较好。5、弥补了水泥领域专业人士的匮乏，提高业余人士对水泥的认识，能够快速准确的对硬化水泥的水灰比进行估测。本申请有效弥补了我国大力发展基础设施建设的背景下，硬化水泥水灰比测量存在困难，现有方法步骤繁琐等问题。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是本申请的步骤流程图；图2是本申请卷积神经网络的结构示意图；图3是本申请图像输入及卷积神经网络的结构示意图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。另外，为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。实施例一本实施例提供了基于水泥微观结构图像的硬化水泥水灰比预测方法；基于水泥微观结构图像的硬化水泥水灰比预测方法，包括：S101：获取待预测水泥图像；S102：对待预测水泥图像进行预处理；S103：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。作为一个或多个实施例，所述S101：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。作为一个或多个实施例，所述S102：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。作为一个或多个实施例，所述本文档来自技高网...

【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