基于深度学习的复合固化土微观结构识别分析方法及系统技术方案

本发明专利技术涉及基于深度学习的复合固化土微观结构识别分析方法，包括S1获取多个复合固化土样本的微观结构图像，对每个图像中的孔隙和各水化产物进行标注，形成图像数据集；S2构建神经网络模型，并设定神经网络模型的初始学习率，计算神经网络模型的损失值；改变学习率以实现神经网络模型的迭代训练，直至多轮迭代后损失值收敛或不变，得到最优神经网络模型；S3利用最优神经网络模型对微观结构图像中的孔隙与各水化产物进行识别，并在图像上生成多个识别框；S4对识别框中的图像进行聚类分割，提取得到孔隙与各水化产物的像素区域，计算孔隙与各水化产物的量；S5基于孔隙与各水化产物的量，得到复合固化土的水化程度和胶结程度。得到复合固化土的水化程度和胶结程度。得到复合固化土的水化程度和胶结程度。

Recognition and analysis method and system of microstructure of composite solidified soil based on deep learning

【技术实现步骤摘要】
基于深度学习的复合固化土微观结构识别分析方法及系统


[0001]本专利技术涉及复合固化土应用
，尤其是指基于深度学习的复合固化土微观结构识别分析方法及系统。

技术介绍

[0002]随着我国基础设施建设需要的增加，建筑废土排放量保持高位增长，目前较为经济有效的办法是利用工业废渣协同水泥和石灰等材料复合固化废弃渣土，形成可在工程中利用的工业废渣复合固化土。
[0003]复合固化土在应用过程中较受关注的指标是强度、压缩系数等，但复合固化土的强度增长和在外界环境下的各类性能演化是由内部结构所决定的，其中涉及各类复杂的反应。因此需要快捷准确的微观结构定量分析方法以更精确分析复合固化土微观结构演化过程，从而将微观结构的变化与强度等宏观特性建立联系。
[0004]目前只是简单利用扫描电镜试验（SEM）等试验获得的复合固化土的微观结构图像，对图像土中的孔隙与水化硅酸钙、钙矾石等进行人工标注，效率较低，准确度存疑，且无法定量分析复合固化土的微观结构。

技术实现思路

[0005]本专利技术要解决的技术问题是提供基于深度学习的复合固化土微观结构识别分析方法及系统，其能够利用训练完成的神经网络模型对复合固化土微观结构图像中的孔隙和各类水化产物进行识别与分割，利用模型计算得到各结构的量，并进一步分析复合固化土的水化程度和胶结程度；能够定量表征和分析复合土微观结构，便于后续将微观结构的变化与强度等宏观特性建立联系。
[0006]为解决上述技术问题，本专利技术提供了基于深度学习的复合固化土微观结构识别分析方法，包括以下步骤：S1、获取多个复合固化土样本的微观结构图像，对每个所述图像中的孔隙和各水化产物进行标注，以形成图像数据集； S2、构建神经网络模型，并设定所述神经网络模型的初始学习率，基于所述图像数据集，计算所述神经网络模型的损失值；改变学习率以实现神经网络模型的迭代训练，直至多轮迭代后损失值收敛或不变，从而得到最优神经网络模型；S3、利用所述最优神经网络模型对所述微观结构图像中的孔隙与各水化产物进行识别，并在所述微观结构图像上生成多个识别框；S4、对所述识别框中的图像进行聚类分割，提取孔隙与各水化产物的像素区域，计算得到孔隙与各水化产物的量；S5、基于复合固化土微观结构中的孔隙与各水化产物的量，得到复合固化土的水化程度和胶结程度。
[0007]作为优选的，所述神经网络模型的损失值计算方法为：获取所述神经网络模型的损失函数，所述损失函数包括：坐标损失：
；边框损失： ；分类损失： ；置信度损失： ；其中，为贡献参数，用于协调误差；s为网格数量，B表示每个网络产生B个锚框； 表示第i个网格中第j个锚框是否框到物体，是则为1，否则为0； 为0；为第i个网格检测出的物体中心点坐标，、代表对应的实际物体中心点坐标；和分别代表预测框的宽和高；代表标记框的宽；代表标记框的高；分别代表预测框属于c的概率和标记框所属c类别的概率； 分别代表目标物体的概率值和真实值，和均为参数值；基于所述损失函数计算得到不同学习率下神经网络模型的损失值。
[0008]作为优选的，所述S1中，获取多个复合固化土样本的微观结构图像后，使用翻转、旋转、白化和高斯噪声策略对所述图像进行增强处理。
[0009]作为优选的，所述微观结构图像的获取方法包括扫描电镜试验。
[0010]作为优选的，使用Keras和Tensorflow深度学习框架对所述神经网络模型进行迭代训练。
[0011]作为优选的，所述神经网络模型为R
‑
CNN网络模型、U
‑
net网络模型或YOLO网络模型。
[0012]基于深度学习的复合固化土微观结构识别分析系统，其特征在于，包括：图像数据集获取模块，其用于获取多个复合固化土样本的微观结构图像，对每个所述图像中的孔隙和各水化产物进行框选标注，以形成图像数据集；最优神经网络模型形成模块，其用于预设神经网络模型，并设定所述神经网络模型的初始学习率，基于所述图像数据集，计算所述神经网络模型的损失值；改变学习率以实现神经网络模型的迭代训练，直至多轮迭代后损失值收敛或不变，从而得到最优神经网络模型；微观结构识别模块，其用于对所述微观结构图像中的孔隙与各水化产物进行识别，并在所述微观结构图像上生成多个识别框；微观结构
定量表征模块，其用于对所述识别框中的图像进行聚类分割，以提取得到孔隙与各水化产物的像素区域，从而得到孔隙与各水化产物的量；并基于复合固化土微观结构中的孔隙与各水化产物的量，得到复合固化土的水化程度和胶结程度。
[0013]作为优选的，对所述复合固化土样本进行多放大倍数图像的采集，以生成微观结构图像。
[0014]作为优选的，所述水化产物包括硅酸钙和钙矾石。
[0015]一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行所述的基于深度学习的复合固化土微观结构识别分析方法。
[0016]本专利技术的上述技术方案相比现有技术具有以下优点：本专利技术通过设置神经网络模型，以快速分割和识别微观结构图像中的孔隙和水化产物，且能够进一步对神经网络模型进行迭代训练，直至得到最优神经网络模型，通过最优神经网络模型能够准确地分割和识别图像中土的孔隙和水化产物，从而计算得到孔隙与各水化产物的量，达到定量表征复合固化土微观结构的目的。识别准确、工作效率高、泛化能力强。
附图说明
[0017]为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合附图，对本专利技术作进一步详细的说明，其中：图1为本专利技术的流程示意图；图2为本专利技术基于深度学习的复合固化土微观结构识别分析示意图；图3为本专利技术复合固化土微观结构的图像数据集示例；图4为本专利技术实施例中的神经网络模型损失值示意图；图5为本专利技术对固化土的微观结构识别示意图。
具体实施方式
[0018]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0019]本专利技术公开了一种基于深度学习的复合固化土微观结构识别分析方法，参照图1所示，包括以下步骤：步骤一、获取大量复合固化土样本的微观结构图像，对每个图像中的孔隙和各水化产物进行标注，以形成图像数据集。
[0020]在本专利技术的其中一个较佳实施例中，复合固化土微观结构的图像数据集示例可参照图3所示。
[0021]微观结构图像的获取方法包括但不限于扫描电镜试验。
[0022]其中，水化产物包括但不限于水化硅酸钙（C
‑
S
‑
H）和钙矾石（AFt）等。获取多个复合固化土样本的微观结构图像后，使用翻转、旋转、白化和高斯噪声策略对图像进行增强处理，以使得图像数据集更加强大。
[0023]进一步地，按照预设比例将图像数据集划分为训练集、验证集以及测试集。
[0024]步骤二、构建神经网络模型，本专利技术拟采取多种常用的深度卷积神经网络模型进
行复合固化土的微观结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的复合固化土微观结构识别分析方法，其特征在于，包括以下步骤：S1、获取多个复合固化土样本的微观结构图像，对每个所述图像中的孔隙和各水化产物进行标注，以形成图像数据集；S2、构建神经网络模型，并设定所述神经网络模型的初始学习率，基于所述图像数据集，计算所述神经网络模型的损失值；改变学习率以实现神经网络模型的迭代训练，直至多轮迭代后损失值收敛或不变，从而得到最优神经网络模型；S3、利用所述最优神经网络模型对所述微观结构图像中的孔隙与各水化产物进行识别，并在所述微观结构图像上生成多个识别框；S4、对所述识别框中的图像进行聚类分割，提取孔隙与各水化产物的像素区域，计算得到孔隙与各水化产物的量；S5、基于复合固化土微观结构中的孔隙与各水化产物的量，得到复合固化土的水化程度和胶结程度。2.根据权利要求1所述的基于深度学习的复合固化土微观结构识别分析方法，其特征在于，所述神经网络模型的损失值计算方法为：获取所述神经网络模型的损失函数，所述损失函数包括：坐标损失：；边框损失： ；分类损失： ；置信度损失： ；其中， 为贡献参数，用于协调误差；s为网格数量，B表示每个网络产生B个锚框； 表示第i个网格中第j个锚框是否框到物体，是则为1，否则为0；为0；为第i个网格检测出的物体中心点坐标，、代表对应的实际物体中心点坐标；和分别代表预测框的宽和高；代表标记框的宽；代表标记框的高；分别代表
预测框属于c的概率和标记框所属c类别的概率； 分别代表目标物体的概率值和真实值，和均为参数值；基于所述损失函数计算得到不同学习率下神经网络模型的损失值。3.根据权利要求1所述的基于深度学习的复合固化土微观结构识别分析方法，其特征在于，所述S1中，获取多个复合固化土样本的微观结构图像后，使用翻转、旋转、白化和高斯噪声策略对所述图像进行增强处理。4.根据权利要求1所述的基于深度学习的复合固化土微观结构识别分析方法，其特征在...

【专利技术属性】
技术研发人员：李秉宜，钱彬，陈永辉，沈峰，蒋明镜，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
类型：发明
国别省市：