1.一种基于深度神经网络的稀土元素组分含量预测方法,其特征在于,包括以下步骤:
获取同等外界条件下具备颜色特征的稀土元素混合溶液图像数据集;
根据所述稀土元素混合溶液图像数据集以及对应的稀土元素组分含量真实值,构建CNN模型,根据所述CNN模型卷积层、池化层和全连接层节点的不同,构建轻量化VGG模型;
根据所述轻量化VGG模型提取图像抽象表征,输出稀土元素组分含量预测值;
根据所述稀土元素组分含量预测值与所述稀土元素组分含量真实值通过L1Loss损失函数构建深度神经网络回归模型,获取网络权值并进行迭代训练获取最优网络权值,输出稀土元素混合溶液的稀土元素组分含量。
2.如权利要求1所述的基于深度神经网络的稀土元素组分含量预测方法,其特征在于,获取同等外界条件下具备颜色特征的稀土元素混合溶液图像数据集包括:采集待预测稀土元素的不同组分含量混合溶液,在同等条件下拍摄不同组分含量混合溶液图像,并通过离线实验室化验获得每种样本溶液的组分含量真实值;将所述获取的稀土元素不同组分含量混合溶液图像按照从左至右、从上至下的顺序依次裁剪为若干张颜色均匀的图像,依照不同组分含量进行归类,并分别将每个图像类别标记上对应的稀土元素组分含量真实值,用于建立预测模型。
3.如权利要求1所述的基于深度神经网络的稀土元素组分含量预测方法,其特征在于,根据所述轻量化VGG模型提取图像抽象表征包括:所述轻量化VGG模型由输入层、卷积层、池化层、全连接层和输出层组成,并采用ReLU+dropout技术,用于提取图像抽象表征,所述轻量化VGG模型中输入层为图像样本;卷积层和池化层共有5组,给定'M'为池化操作,其余数字为卷积操作卷积核的个数,则5组卷积池化具体表示为[64,'M',64,'M',64,
64,'M',64,64,'M',512,512,'M'];全连接层共三层,第一、二层全连接隐含节点数为1024,第三次全连接层的隐含节点数为待测稀土元素组分含量的类别数;输出层输出待测样本的稀土元素组分含量预测值。
4.如权利要求2所述的基于深度神经网络的稀土元素组分含量预测方法,其特征在于,根据所述稀土元素组分含量预测值与所述稀土元素组分含量真实值通过L1Loss损失函数构建深度神经网络回归模型包括:对已标记稀土元素组分含量真实值的图像进行划分,其中80%为训练集、10%为验证集和10%为预测集;
将所述训练集、验证集和预测集数据统一随机裁剪为224×224×3的张量图像,再将张量图像随机水平翻转用于图像增加,并用均值和标准差对张量图像进行归一化处理;
对所述归一化处理后的训练集在基于PyTorch框架搭建的深度神经网络模型中进行迭代训练,提取图像抽象表征用于验证集稀土元素组分含量预测,并将预测值与所述验证集稀土元素组分含量真实值通过L1Loss损失函数建立深度神经网络回归模型。
5.如权利要求1所述的基于深度神经网络的稀土元素组分含量预测方法,其特征在于,输出稀土元素混合溶液的稀土元素组分含量包括:给定所述基于深度神经网络的稀土元素组分含量回归模型待预测组分含量类别数为n,在最优网络权值下softmax()函数的输出列向量an(n×1)为第n个预测样本在各组分含量真实值的概率值,待预测组分含量类别对应的真实值列向量为yn(1×n),则第n个样本的预测值 从而确定输入的稀土混合溶液图像单个样本中待测稀土元素组分含量值。
6.根据权利要求5所述的一种基于深度神经网络的稀土元素组分含量预测方法的预测系统,其特征在于,包括:图像样本建立模块、图像表征提取模块、网络权值优化模块、待测稀土元素组分含量预测模块,所述图像样本建立模块、所述图像表征提取模块、所述网络权值优化模块与所述待测稀土元素组分含量预测模块连接;
所述图像样本建立模块,通过机器视觉技术在同等外界条件下采集具有颜色特征的稀土元素混合溶液图像数据集;
所述图像表征提取模块,以所述稀土元素混合溶液图像数据集作为输入,以已知对应的稀土元素组分含量真实值作为输出建立CNN模型,提取图像抽象表征;
所述网络权值优化模块,对所述CNN模型中的网络权值通过损失函数进行优化,得到基于深度神经网络的稀土元素组分含量回归模型;
所述待测稀土元素组分含量预测模块,根据所述基于深度神经网络的稀土元素组分含量回归模型,以所述稀土元素混合溶液图像单个样本为输入,确定稀土混合溶液中待测稀土元素组分含量值。
7.如权利要求6所述的一种基于深度神经网络的稀土元素组分含量预测方法的预测系统,其特征在于,所述图像样本建立模块包括:原始图像采集及化验子模块,用于采集待预测稀土元素的不同组分含量混合溶液,在同等条件下拍摄不同组分含量混合溶液图像,并通过离线实验室化验获得每种样本溶液的组分含量真实值;原始图像裁剪及标记子模块,将所述获取的稀土元素不同组分含量混合溶液图像按照从左至右、从上至下的顺序依次裁剪为若干张颜色均匀的图像,依照不同组分含量进行归类,并分别将每个图像类别标记上对应的稀土元素组分含量真实值,用于建立预测模型。
8.如权利要求6所述的一种基于深度神经网络的稀土元素组分含量预测方法的预测系统,其特征在于,所述图像表征提取模块包括:所述轻量化VGG模型中输入层为图像样本;卷积层和池化层共有5组,给定'M'为池化操作,其余数字为卷积操作卷积核的个数,则5组卷积池化具体表示为[64,'M',64,'M',64,64,'M',64,64,'M',512,512,'M'];全连接层共三层,第一、二层全连接隐含节点数为1024,第三次全连接层的隐含节点数为待测稀土元素组分含量的类别数,通过卷积、池化和全连接操作提取图像抽象表征;输出层输出待测样本的稀土元素组分含量预测值。
9.如权利要求7所述的一种基于深度神经网络的稀土元素组分含量预测方法的预测系统,其特征在于,所述网络权值优化模块包括:图像划分子模块、图像增强及图像归一化子模块、损失函数建立子模块、深度神经网络权值优化子模块、深度神经网络回归模型建立子模块;
所述图像划分子模块,对已标记稀土元素组分含量真实值的图像进行划分,其中80%为训练集、10%为验证集和10%为预测集;
所述图像增强及图像归一化子模块,将所述训练集、验证集和预测集数据统一随机裁剪为224×224×3的张量图像,再将张量图像随机水平翻转用于图像增加,并用均值和标准差对张量图像进行归一化处理;
所述损失函数建立子模块,对所述归一化处理后的训练集在基于PyTorch框架搭建的深度神经网络模型中进行迭代训练,提取图像抽象表征用于验证集稀土元素组分含量预测,并将预测值与所述验证集稀土元素组分含量真实值通过L1Loss损失函数建立深度神经网络回归模型,所述L1Loss损失函数对包含N个样本中第n个样本的损失值ln具体表示如下:给定xn为深度神经网络回归模型第n个样本的输出outputs,yn为传入网络中训练集第n个样本的稀土元素组分含量真实值,xn与yn同维度,则ln=|xn‑yn|;
所述深度神经网络权值优化子模块,使用梯度下降法优化所述深度神经网络回归模型的网络权值,当梯度不再下降时,利用优化器让初始值为1e‑4的学习率自适应地改变;对所述回归模型进行大规模迭代训练,在损失函数收敛时停止训练,获得最优网络权值;
所述深度神经网络回归模型建立子模块,通过所述最优网络权值确定基于深度神经网络的稀土元素组分含量回归模型,获取单一稀土元素组分含量预测值。
10.如权利要求6所述的一种基于深度神经网络的稀土元素组分含量预测方法的预测系统,其特征在于,所述待测稀土元素组分含量预测模块包括:给定所述基于深度神经网络的稀土元素组分含量回归模型待预测组分含量类别数为n,在最优网络权值下softmax()函数的输出列向量an(n×1)为第n个预测样本在各组分含量真实值的概率值,待预测组分含量类别对应的真实值列向量为yn(1×n),则第n个样本的预测值 从而确定输入的稀土混合溶液图像样本中待测稀土元素组分含量值。