申请/专利权人：江苏大学

申请日：2019-11-13

公开（公告）日：2024-03-19

公开（公告）号：CN111008650B

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G06N3/0464;G01N21/84

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2020.05.08#实质审查的生效;2020.04.14#公开

摘要：本发明提出了一种基于深度卷积对抗神经网络的金相组织自动评级方法，包括构建数据集通过实现金相图像数据增强建立网络，利用网络单独学习每一个金相图，根据网络学到的特征生成新的金相图,在数据量一定的情况下，扩充训练集样本，通过网络调节参数,使得生成失败图像最少，最大限度的扩充数据集，实现数据增强；其中将金相图分成四大类，并作为特征向量作为支持向量机分类器的输入，最后利用支持向量机对金相图进行数据分类。

主权项：1.一种基于深度卷积对抗神经网络的金相组织自动评级方法，其特征在于，包括下列步骤：步骤1，构建数据集；利用金相显微镜、图像采集卡、CCD摄像头、计算机采集金相图像构建数据集,并对筛选好的金相图像进行相应的预处理操作；步骤2，建立深度卷积对抗神经网络DCGAN,利用网络单独学习每一个金相图像，首先进行图像预处理,输入图像与标签一一对应,因此输入数据可视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,根据网络学到的特征生成新的金相图,在数据量一定的情况下,扩充训练集样本,通过网络调节参数,使得生成失败图像最少,最大限度的扩充数据集,实现数据增强；步骤3，提取金相图像并将1～10级细分类成四类，大类一为1级～4级，大类二为5级和6级，大类三为7级和8级，大类四为9级和10级；并将四大类作为特征向量,将四个特征向量作为支持向量机分类器的输入,利用支持向量机SVM对金相图像数据分类；步骤4，将生成的金相图像作为增强数据加入训练集中,通过支持向量机训练得到分类模型；对金相图像数据分类包括以下步骤：给定一组训练样本,每个标记为两类,通过支持向量机训练算法建立了一个模型,分配新的样本为一类或其他类,使其成为非概率二元线性分类；支持向量机会将图像中的特征向量映射到二维平面上的点,通过算法找到一个最鲁棒,泛化能力最强的分界线将两类数据分割开来，当二维平面不能满足线性分类的要求时,支持向量机可以借助核函数将数据向高维空间进行映射,在高维空间中找到一个合适的超平面来实现对数据的线性分类，而为了使二元分类器的支持向量机来实现多分类问题,采用了多分类的SVM，其中SVM中多项式核函数的表达式为Kx,y＝x·y+1d，其中x·y代表两个变量向量的内积，d为向量维度，为64*64*3，而分类器的输入为经过DCGAN网络数据增强后1～10级地金相图，根据其图像特征，输出为四大类的金相图；所述步骤2具体包括以下步骤：步骤K1、将输入图像与标签一一对应,把输入数据视为均匀分布,服从均匀分布的输入样本与输入的标签级联,作为一个整体输入网络,数据维度是100；步骤K2、利用第一个卷积层先进行线性变换将维度变为1024的数据,归一化后利用线性整流函数sigmoid,其中函数表达式为进行非线性变换后获得第一个非线性层的输出,再与输入的标签级联作为下一层的输入；步骤K3、利用第二个卷积层通过线性变换将输入数据变为512维的数据,对其归一化之后进行非线性relu变换,其中函数表达式为然后需要改变reshape得到第二个非线性层的输出；步骤K4、将第二个非线性层的输出数据与标签级联作为下一层的输入，经过四个卷积层最终得到一个64*64*3的图像；步骤K5、经过一个反卷积层,该层网络的作用是对数据进行卷积的逆向操作,也就是将经过卷积的输出信号,通过反卷积可以还原卷积的输入信号，反卷积层不做块归一化操作,直接进行非线性sigmoid变换,生成图像；步骤K6、得到的图像在判别器中与真实图像作对比,判别器根据损失函数返回损失值,不断校正生成图像,使得生成图像越来越接近真实图像；这里，生成网络的损失函数为：鉴别网络的损失函数为其中，m为图片的数量，xi为第i张真实图片，Dxi为真实图片的概率；zi为第i张假图片，Gzi为G生成的假图像；DGzi为G生成假图像的概率。

全文数据：

权利要求：

百度查询： 江苏大学 一种基于深度卷积对抗神经网络的金相组织自动评级方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD