【技术实现步骤摘要】
本专利技术涉及分类识别，具体涉及一种基于神经网络的材料金相照片数字化方法、设备和介质。
技术介绍
1、材料的性能由其微观组织决定。通常对微观组织照片的识别与统计由实验人员来进行。但由于人具有主观性且效率有限，难以实现对大规模图谱数据集的识别与统计。
2、卷积神经网络是近年来计算机视觉与人工智能领域最新的方法论突破，其衍生算法已经在人脸识别、自动驾驶等图像识别领域已有成熟的应用。将卷积神经网络方法应用于材料金相图谱识别领域，可实现对待识别照片的快速、智能、可定量化的识别与统计。该方法的主要应用场景之一，便是利用卷积神经网络对不同组织形态的材料金相照片进行分类。现有技术方案在对材料金相照片进行分类识别时的技术路线如图1所示。输入待识别照片后经过卷积层、池化层、relu层等进行特征提取后，由全连接层进行特征的汇总与转换，最终由softmax层处理后，输出分类结果。
3、但是现有对材料组织金相照片分类方法只能输出固定的分类。用于分类的卷积神经网络架构决定了网络最终输出只能为预先设定的若干类别。由于材料组织种类复杂，在初始构建并训练网络模型时难以预置所有分类，对于预先没有设置分类的组织照片往往需要重新训练网络模型，因此限制了其分类能力。并且现有技术方案的网络输出结果仅为组织照片的预测分类，而对于属于同一类别但组织形态不同的照片难以区分，对于同类别组织的相似程度等深层信息无法判断。
4、另外，对于单张金相照片中包含多类组织的特殊情况，现有技术方案的网络只能输出单一结果，对于包含多组织的金相照片难以正确分类
技术实现思路
1、有鉴于此，本专利技术提供了一种基于神经网络的材料金相照片数字化方法、设备和介质，能够处理原本并未设计类别的金相照片，且能够对不同金相照片中组织的相似程度进行判断。
2、为实现上述目的，本专利技术技术方案如下：
3、一种基于神经网络的材料金相照片数字化方法，包括：
4、卷积神经网络改造，具体如下：
5、添加多层全连接层，使前一层全连接层完成特征的汇总与转换，后一层全连接层进行非线性映射分类；调整神经网络模型的输出，使其在执行到首个全连接层后输出经过处理与汇总的特征参数，输出的特征向量维度与首个全连接层节点数相同；
6、使用材料金相照片对卷积神经网络模型进行训练，使网络能够对金相照片的独特纹理进行特征提取；
7、利用训练好的卷积神经网络模型对预处理后的图像进行识别和分类。
8、其中，使用材料金相照片对卷积神经网络模型进行训练的具体过程：
9、步骤2.1，数据准备：准备包含多个组织类别的金相照片若干张，每张照片均被标记为正确的组织类别，经过灰度转换、裁剪后形成小尺寸照片数据集；
10、步骤2.2，模型训练与测试：将数据集中80％的照片作为训练集，剩余20％的照片作为测试集以验证训练效果；训练过程中每轮训练结束后使用测试集进行一次测试并给出测试集识别准确率，训练结束后选择测试集识别准确率最高时的模型参数作为结果模型保存。
11、其中，所述预处理过程具体为：灰度图像转换：如果输入图像为rgb图像，则转换为灰度图像；如果输入图像为灰度图像，则跳过操作；图像裁剪：将经过灰度转换的金相照片平铺裁剪为固定长宽的小尺寸图像，其尺寸与卷积神经网络输入尺寸一致。
12、其中，训练模型选择带动量梯度下降法求解器，使用交叉熵函数作为损失函数，批次数量为16张小尺寸照片，训练轮数为50轮，初始学习率为0.001，每训练10轮学习率调整为之前的1/2。
13、本专利技术还提供了一种电子设备，所述电子设备包括处理器、用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本专利技术所述的基于神经网络的材料金相照片数字化方法。
14、本专利技术还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本专利技术所述的基于神经网络的材料金相照片数字化方法。
15、有益效果：
16、1、本专利技术基于卷积神经网络方法，提出了金相照片数字化的概念与方法，便于未来金相照片数据库与知识库的构建。具体是将金相照片转换为一组包含其纹理信息的特征向量，可作为大规模金相数据集与知识库的底层储存与匹配算法。本专利技术改变了现有的卷积神经网络架构，通过添加多个全连接层并使模型在执行至首个全连接层后输出特征参数的方法，实现了材料金相照片的数字化，使其能够输出经过汇总与处理的特征参数，使网络能够处理原本并未设计类别的金相照片。并且卷积神经网络输出的特征参数包含了金相照片的纹理特征，通过特征参数在超空间的分布可对不同金相照片中组织的相似程度进行判断。
17、2、本专利技术具体是根据特征向量在固定维度的超空间内的分布，可判断输入照片与数据库中已有照片的相似度，进而进行匹配，根据输出的特征参数可判断输入组织照片的相似性。
18、3、本专利技术优选实施方式中，针对金相照片中可能包含多类组织的情况，采用了裁剪-数字化-统计的识别流程。通过将输入金相照片裁剪为小尺寸照片的方式，将不同类别的组织分割开，分别进行数字化，解决了传统方法无法将每类组织均正确识别的问题。
19、4、本专利技术基于卷积神经网络的设备，将金相照片转换为一组包含其纹理信息的特征向量，改变了现有的卷积神经网络架构，通过添加多个全连接层并使模型在执行至首个全连接层后输出特征参数，实现了材料金相照片的数字化，使其能够输出经过汇总与处理的特征参数，使网络能够处理原本并未设计类别的金相照片。并且卷积神经网络输出的特征参数包含了金相照片的纹理特征，通过特征参数在超空间的分布可对不同金相照片中组织的相似程度进行判断。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的材料金相照片数字化方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，使用材料金相照片对卷积神经网络模型进行训练的具体过程：
3.如权利要求2所述的方法，其特征在于，所述预处理过程具体为：灰度图像转换：如果输入图像为RGB图像，则转换为灰度图像；如果输入图像为灰度图像，则跳过操作；图像裁剪：将经过灰度转换的金相照片平铺裁剪为固定长宽的小尺寸图像，其尺寸与卷积神经网络输入尺寸一致。
4.如权利要求2或3所述的方法，其特征在于，训练模型选择带动量梯度下降法求解器，使用交叉熵函数作为损失函数，批次数量为16张小尺寸照片，训练轮数为50轮，初始学习率为0.001，每训练10轮学习率调整为之前的1/2。
5.一种电子设备，其特征在于，所述电子设备包括处理器、用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-4中任一所述的基于神经网络的材料金相照片数字化方法。
6.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机
...【技术特征摘要】
1.一种基于神经网络的材料金相照片数字化方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，使用材料金相照片对卷积神经网络模型进行训练的具体过程：
3.如权利要求2所述的方法，其特征在于，所述预处理过程具体为：灰度图像转换：如果输入图像为rgb图像，则转换为灰度图像；如果输入图像为灰度图像，则跳过操作；图像裁剪：将经过灰度转换的金相照片平铺裁剪为固定长宽的小尺寸图像，其尺寸与卷积神经网络输入尺寸一致。
4.如权利要求2或3所述的方法，其特征在于，训练模型选择带动量梯度下降法求解器，使用交叉熵...
【专利技术属性】
技术研发人员：苏航，王炫东，李南，杨丽，刘和平，侯雅青，孙旭，杨佳惠，贺笃鹏，
申请(专利权)人：中国钢研科技集团有限公司，
类型：发明
国别省市：
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。