[发明专利]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

权利要求书

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：

获取待预测硬化水泥在相同分辨率下拍摄的不同角度的图像；

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；

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；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；

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征进行整合，权重矩阵大小为196，偏置为1；

所述输出层，用于输出预测结果，输出矩阵大小为1，该结果代表输入样本中对应的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，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详细步骤包括：

输入的一组训练图像，包括训练图像，每张训练图像包括一个输入矩阵；

输入的一组图像与卷积核进行卷积操作，一个输入矩阵对应m个卷积核经过卷积操作即得出m个特征图，一个输入矩阵对应m个卷积核，经过卷积操作即得出m个特征图，即最终得到m个特征图；

池化层对所得特征图取平均操作，最终输出特征融合后的m个图片像素矩阵，矩阵经过全连接层的预测，输出水灰比的预测值，根据输出结果与实际结果的比较，得出输出层误差，运用梯度下降法，经过误差反向传播，逐层反馈，调节网络各层参数；

进行若干次迭代训练，对参数进行调整，当卷积神经网络的损失函数值小于设定阈值或者迭代次数达到设定次数时，停止训练，得到训练好的卷积神经网络。