欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022113250885
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法,其特征在于,包括以下步骤:获取含有页岩草莓状黄铁矿的页岩样品的发射扫描场图像;对所述发射扫描场图像进行标记,得到图像分割网络所需的标注数据集;所述发射扫描场图像即为扫描电镜照片;对所述发射扫描场图像进行标记,包括第一标签、第二标签和第三标签;所述第一标签为草莓状黄铁矿,对扫描电镜照片的草莓状黄铁矿进行边界标注;所述第二标签为发射扫描场图像的比例尺,将比例尺线段及刻度标注为比例尺标签;所述第三标签为扫描电镜下测量的草莓状黄铁矿粒径大小;

搭建实例分割组合网络;所述实例分割组合网络的第一部分为mask  R  CNN实例分割网络;第二部分为卷积神经网络;所述mask  R  CNN实例分割网络由ResNet残差网络和fasterR‑CNN内的RPN特征提取网络共同组成骨干网络;在骨干网络内添加Mask网络作为头部网络;所述头部网络为预测分支,并进行边界框识别;设定mask  R  CNN实例分割网络和卷积神经网络的总损失函数;

采用标注数据集进行训练,输出图像尺寸及分割图像;

对分割图像进行处理,得到发射扫描场图像对应的边框范围信息和比例尺的蒙版图像,包括:将mask  R  CNN实例分割网络模型输出的分割图像利用卷积处理或尺寸变化恢复至该图像的原有尺寸,并获得对应的边框范围信息;

分离第一标签和第二标签所分割的位置数据,并生成含有草莓状黄铁矿与比例尺的单独的蒙版图像;

对边框范围信息和比例尺的蒙版图像进行文字识别和粒径测量,包括:

利用MINIST训练集和第三标签组成卷积神经网络的第二训练集;对第二训练集内的图像进行灰度转换和二值化预处理,得到黑底白字的图像;

将预处理后的第二训练集输入至卷积神经网络,识别获得文字;

求得文字的比例尺刻度值;利用比例尺刻度值和识别的比例尺像素值与识别的草莓状黄铁矿像素值进行值比与换算,其表达式为:其中,M表示草莓状黄铁矿的预测粒径;C表示比例尺刻度;PC表示比例尺长度像素值;PM表示草莓状黄铁矿的中线像素值;

所述草莓状黄铁矿的中线像素值的计算步骤包括:对分割图像进行边缘检测,获取图像中对应轮廓线,并得到数个轮廓边框;

对任一轮廓线所划分的区域进行像素值计算;识别并获得草莓状黄铁矿的轮廓边框的两对角线的中点位置,求得草莓状黄铁矿的轮廓边框的像素值长度;所述草莓状黄铁矿的轮廓边框的像素值长度即为草莓状黄铁矿的中线像素值。

2.根据权利要求1所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法,其特征在于,所述ResNet残差网络为ResNet50残差网络或ResNet101残差网络或ResNet152残差网络。

3.根据权利要求1所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法,其特征在于,还包括:对图像分割网络所需的标注数据集中的发射扫描场图像进行旋转、裁剪、变换亮度、加噪中的一种或几种处理。

4.根据权利要求1所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法,其特征在于,所述总损失函数的表达式为:L=L1+L2其中,L1表示mask  R  CNN实例分割网络模型的损失函数;所述L2表示卷积神经网络的损失函数;

所述mask  R  CNN实例分割网络模型的损失函数的表达式为:

L1=LRPN+Lfast_rcnn+Lmask其中,L1表示mask  R  CNN实例分割网络模型的损失函数;LRPN表示faster  R‑CNN内的RPN特征提取网络的损失值;Lfast_rcnn表示fasterR‑CNN网络的损失值;Lmask表示mask网络的损失值;

所述卷积神经网络的损失函数的表达式为:L2=Lcnn+LM其中,Lcnn为卷积神经网络文字识别网络的损失值,LM为预测的粒径大小与预测的误差大小的损失值。

5.根据权利要求4所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法,其特征在于,所述mask  R  CNN实例分割网络模型和卷积神经网络的任一项损失值采用二分类交叉熵损失函数求得,其表达式为:LBCE=‑w×(Plabel×ln(Ppred)+(1‑Plabel)×ln(1‑Ppred))其中,LBCE表示二分类交叉熵损失函数;w表示权重;Plabel表示标签的预测值,PPred表示网络预测值。