CN110781729A - 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 - Google Patents
碳纤维增强水泥基材料纤维分散性评价模型与评价方法 Download PDFInfo
- Publication number
- CN110781729A CN110781729A CN201910870821.3A CN201910870821A CN110781729A CN 110781729 A CN110781729 A CN 110781729A CN 201910870821 A CN201910870821 A CN 201910870821A CN 110781729 A CN110781729 A CN 110781729A
- Authority
- CN
- China
- Prior art keywords
- carbon fiber
- image
- based material
- sample set
- reinforced cement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种碳纤维增强水泥基材料纤维分散性评价模型与评价方法。所述碳纤维增强水泥基材料纤维分散性评价模型构建是利用全卷积神经网络提取碳纤维的深度特征学习;利用所提取的特征信息进行上采样操作,预测出扫描电子显微镜图像中碳纤维的形态特征信息;之后采用深度卷积神经网络和碳纤维形态特征信息回归计算单张图像所反映的碳纤维分散性。所述的评价方法是采用本发明的评价模型对待评价构建的碳纤维分散特性进行评价。本发明能够快速、实时、准确分割电子显微镜图像中的碳纤维并评价其分散性,从而提高碳纤维增强水泥基材料的纤维分散性评价效率和准确程度,能够保证或提升碳纤维增强水泥基材料的性能。
Description
技术领域
本发明属于土木工程材料领域,涉及纤维增强水泥基材料中纤维分散性,尤其涉及碳纤维增强水泥基材料中纤维分散性评价方法。
背景技术
碳纤维增强水泥基材料由于强度高、韧性好等优点被广泛运用于土木工程,使得碳纤维增强水泥基材料的纤维分散性评价越来越受到重视,但工作量却日益增大。主要原因在于碳纤维分散性一直是影响碳纤维增强水泥基材料物理、力学性能和耐久性能的重要因素。然而,传统纤维分散性检测方法无法准确地反应纤维在水泥基材料内部真实形态分布特征,导致分散性评价工作存在较大误差。因此,准确的碳纤维分散性评价方法是保证碳纤维增强水泥基复合材料物理和力学性能的保障。
近年来,扫描电子显微镜图像已经成为评价碳纤维分散性的重要手段。扫描电子显微镜图像可以真实地反映碳纤维在水泥基材料内部的真实形态分布特征,具有评价碳纤维分散性的潜力。扫描电子显微镜应用于碳纤维分散性评价一般是通过采集碳纤维增强水泥基材料样本后进行微观图像采集和人工定性评价。但是,由于扫描电子显微镜图像的显像范围小,评价过程需要借助大量的图像,导致纤维分散评价的工作量巨大。另外,人工定性评价效率低下而且极其不准确。
发明内容
针对现有技术的缺陷或不足,本发明的目的是提供一种碳纤维增强水泥基材料纤维分散性评价模型的构建方法及评价方法。
本发明所提供的碳纤维增强水泥基材料纤维分散性评价模型的构建方法包括:
(1)构建样本集,样本集包括由碳纤维增强水泥基材料微观图像构成的图像样本集、二值化图像样本集和碳纤维分散性评价指标数据样本集;
所述二值化图像样本集中的多幅二值化图像为图像样本集中的各图像的二值化图像,所述二值化图像中水泥基体材料的像素点灰度值为255、碳纤维丝的像素点灰度值为0或者水泥基体材料的像素点灰度值为0、碳纤维丝的像素点灰度值为255;
所述碳纤维分散性评价指标数据集中的多个数据为图像样本集中的各图像中碳纤维分散性指标,所述图像中碳纤维分散性指标采用式Ⅰ计算:
式中:ANo CF为相应图像中水泥基体材料的像素点数量,ASingle CF为相应图像中碳纤维丝所对应的像素点数量;
(2)以图像样本集作为输入,二值化图像样本集作为输出对神经网络进行训练,得到碳纤维像素级分割模型;以二值化图像样本集作为输入,碳纤维分散性评价指标数据样本集作为输出对神经网络进行训练,得到碳纤维分散性评价模型;所述碳纤维像素级分割模型和碳纤维分散性评价模型构成碳纤维增强水泥基材料纤维分散性评价模型。
优选的,本发明所述神经网络包括:卷积层、最大池化层和上采样层所述卷积层、最大池化层、上采样层均以Caffe为框架,使用Cuda 8.0、Python 3.5、Opencv 3.1实现。
一些实施方式中,本发明的图像样本集由多个单幅图像文件构成,所述单幅图像文件包括一幅碳纤维增强水泥基材料微观图像、该图像的名称和该图像的保存路径;
所述二值化图像样本集由多个单幅二值化图像文件构成,所述单幅二值化图像文件包括一幅二值化图像、该二值化图像所对应图像的名称和保存路径;
所述碳纤维分散性评价指标数据样本集由多个碳纤维分散性评价文件构成,所述碳纤维分散性评价文件包括单幅图像的碳纤维分散性指标、该图像的名称和保存路径。
本发明提供的碳纤维增强水泥基材料纤维分散性评价方法包括,将待评价的碳纤维增强水泥基材料微观图像输入上述方法构建的碳纤维像素级分割模型,得到碳纤维像素级分割结果;将碳纤维像素级分割结果输入上述方法构建的碳纤维分散性评价模型中,得到碳纤维分散性评价指标。
可选的,本发明的碳纤维增强水泥基材料纤维分散性评价方法包括,将待评价试件的多幅碳纤维增强水泥基材料微观图像依次输入权利要求1、2或3构建的碳纤维像素级分割模型,得到相应微观图像的碳纤维像素级分割结果;将多幅碳纤维像素级分割结果依次输入权利要求1、2或3构建的碳纤维分散性评价模型中,得到相应微观图像的碳纤维分散性评价指标;求取多幅微观图像的碳纤维分散性评价指标的平均值。
与现有技术相比,本发明的优点在于:
1)本发明通过采用碳纤维分割和分散性评价,对分散程度不同的区域进行量化表征,代替传统的人工定性分散性评价,测试结果准确,效率更高。使用扫描电子显微镜图像中的纤维真实分布和形态特征对不同的区域纤维分散程度进行量化表征,代替以纤维掺量为基础的间接量化表征,计算结果更加真实。
本发明的分割结果首先可用于准确地评价碳纤维增强水泥基复合材料中的纤维分散性,从而可以从技术层面定量地改善碳纤维增强水泥基复合材料的性能;其次在于用于碳纤维增强水泥基复合材料电子显微镜图像的辅助观测,便于研究人员分析碳纤维增强水泥基复合材料的微观结构。
本发明的碳纤维分散评价指标用于定量评价碳纤维在水泥基体中的分散程度,均匀分散的碳纤维有利于提高碳纤维增强水泥基材料的工作性能、力学性能和耐久性能等。
2)通过全卷积神经网络和扫描电子显微镜图像获取碳纤维增强水泥基材料中纤维真实分布和形态情况,有助于提升微观结构观测效率和便捷性。
3)本发明基于电子显微镜和深度学习技术进行碳纤维增强水泥基材料的纤维分散性评价,有助于高效地检测碳纤维增强水泥基材料的施工工艺,改进碳纤维水泥基复合材料制备工艺,提升其使用性能。
附图说明
图1是本发明实施例中碳纤维增强水泥基复合材料扫描电子显微镜图像数据库样例示意图和对应的像素级图像分割标签文件以及分散性评价标签文件示意图;
图2是本发明中全卷积神经网络的结构示意图;
图3是本发明实施例中扫描电子显微镜碳纤维分散性评价结果图例。
具体实施方式
本发明所述的微观图像是指采用扫描电子显微镜或光学显微镜等设备采集的碳纤维增强水泥基材料表面图像或其断面的图像,图像中能够明显显示碳纤维及其分布情况。
为实现自动化数据采集,本发明构建的数据中选用图像名和图像保存路径,其作用是用于指明碳纤维增强水泥基复合材料电子显微镜图片所在位置。电子显微镜图片需要与像素级图像分割标签文件及分散性评价标签文件保存在同一位置。
实施例1:
本实施例为一种具体的碳纤维增强水泥基材料纤维分散性评价模型的获取方法:
步骤1:使用扫描电子显微镜获得不同分散性的碳纤维增强水泥基材料微观图像,构成图像样本集,例如图1(a)(原始图像)所示,图像成分主要包括水泥基体材料和碳纤维,碳纤维图像库中共扫描电子显微镜图像8356张;进一步,原始图像采用数字编号命名,具体可采用阿拉伯数字命名;
然后,对原图像进行二值化处理获得像素级图像分割标签文件,其中水泥基体材料的灰度值为255或,碳纤维丝的灰度值为0或255,具体操作时,图像中的长条状组份视为碳纤维丝,其余形状组份视为水泥水化产物,为确保结果的可靠性,可采用人工标注的方式,如图1(b)所示。优选的,像素级图像分割标签文件内容包括图像保存路径(如:C:\caffe\caffe-master\data\mytest1\test\0.jpg)和名称、图像每个像素点对应的成分类别。具体的图像保存路径和名称采用“图像保存路径/图像数字编号”,可保存格式为txt,图像保存路径和名称一一对应。二值化图采用数字编号命名,编号与原始图像编号一一对应。
之后,计算各图像对应的分散性评价指标,对应的数据为分散性评价标签文件,其包括图像保存路径和名称、图像所反映的碳纤维分散性指标;分散性评价标签文件中的图像保存路径和名称部分与像素级图像分割标签文件的图像保存路径和名称共享;
图像中碳纤维分散性指标采用式Ⅰ计算:
式中:ANo CF为相应图像中水泥基体材料的像素点数量,ASingle CF为相应图像中碳纤维丝所对应的像素点数量;
步骤2:采用数据集对全卷积神经网络模型进行训练,获得碳纤维像素级分割模型;具体以图像样本集作为输入,二值化图像样本集作为输出对神经网络进行训练,得到碳纤维像素级分割模型;以二值化图像样本集作为输入,碳纤维分散性评价指标数据样本集作为输出对神经网络进行训练,得到碳纤维分散性评价模型;所述碳纤维像素级分割模型和碳纤维分散性评价模型构成碳纤维增强水泥基材料纤维分散性评价模型。
优选的,将碳纤维图像库中的所有图像样本及对应的标签文件划分为训练集和测试集;进一步优选的,训练集和测试集均包括扫描电子显微镜原始图像、像素级图像分割标签文件、分散性评价标签文件,该实施例中训练集和测试集分别占碳纤维图像库样本数量的75%和25%。
该实施例的全卷积神经网络模型,以Caffe为框架,使用Cuda 8.0、Python 3.5、Opencv 3.1搭建全卷积神经网络模型,用于碳纤维增强水泥基材料扫描电子显微镜图像的像素级分割,全卷积神经网络模型如图2所示;该实施例的全卷积神经网络模型包括三种结构层:卷积层、最大池化层、上采样层;其中卷积层、最大池化层、上采样层均以Caffe为框架,使用Cuda 8.0、Python 3.5、Opencv 3.1实现;优选的数据传输顺序为:1#卷积层→1#最大池化层→2#卷积层→2#最大池化层→3#卷积层→3#最大池化层→4#卷积层→1#上采样层→2#上采样层→3#上采样层→4#上采样层。
在本发明优选的全卷积神经网络模型中,通过卷积层的卷积操作提取输入图像或者上一结构层输入数据的特征,如公式(2a、b、c)所示;最大池化层通过2×2的最大池化操作减少输入数据的尺寸,如公式(3a、b)所示。最大池化层用于防止模型在训练中发生过拟合;上采样层通过上采样操作将卷积层和池化层获得的特征转化成分割结果,如公式(4)所示,模型可以适用于不同尺寸的图片作为输入;
式中:xl μ,ν和xl-1 μ,ν分别为第l个卷积层的输入和输出数据的第μ行、第ν列的元素,d为输入数据最大边的尺寸,例如输入数据的尺寸为512×384×3,d=512,kl i,j.为第l个卷积层某个卷积核的第i行、第j列元素,kl rot i,j是kl i,j.的转置结果,bl为第l个卷积层的偏值,
式中:yi u+1和zi u分别为第u个上采样层的输入和输出数据,k和c分别为第u个上采样层的上采样卷积核和特征图的数量,fu k,c是上采样卷积核的权值矩阵,为卷积操作,过程与公式(2a、b、c)相同。
该实施例的训练中模型参数更新方式为SGD,初始学习速率为0.005,batch_size为2,训练步数为10万步;训练过程中输入是训练样本,即待分割的SEM图像,输出结果为分割结果;通过分割结果和标签数据的对比计算模型的误差并用于SGD的模型参数更新。误差计算公式和用于SGD参数更新的误差偏导计算公式分别如公式(5a、b)和公式(6)所示;
式中:y’i和zi分别为标签数据和输出结果;k为标签数据中的分类个数,该实施例为2,分别为水泥基体材料(背景)和碳纤维,m为输出结果中每个元素对应的最大输出值,n为输出结果的总元素个数。
训练中模型参数更新方式为SGD,初始学习速率为0.01,batch_size为100,训练步数为1万步;采用测试集测试全卷积神经网络模型性能并固化模型,获得碳纤维像素级分割最终模型。
实施例2:
采用扫描电子显微镜观测待检测碳纤维增强水泥基材料样本获取微观图像,将微观图像输入实施例1得到的碳纤维像素级分割模型,所得结果输入实施例1得到的碳纤维分散性评价模型,获得碳纤维分散性评价结果,如图3所示,计算所有碳纤维分散性评价结果的平均值为该实施例待评价图像的评价依据,该实施例的最终评价指标值为0.0912。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其他各种形式的基于深度学习的碳纤维增强水泥基材料中碳纤维分散性评价方法,凡依本发明申请专利范围所做的均等变化与替换,皆应属本专利的涵盖范围。
Claims (5)
1.一种碳纤维增强水泥基材料纤维分散性评价模型的构建方法,其特征在于,方法包括:
(1)构建样本集,样本集包括由碳纤维增强水泥基材料微观图像构成的图像样本集、二值化图像样本集和碳纤维分散性评价指标数据样本集;
所述二值化图像样本集中的多幅二值化图像为图像样本集中的各图像的二值化图像,所述二值化图像中水泥基体材料的像素点灰度值为255、碳纤维丝的像素点灰度值为0或者水泥基体材料的像素点灰度值为0、碳纤维丝的像素点灰度值为255;
所述碳纤维分散性评价指标数据集中的多个数据为图像样本集中的各图像中碳纤维分散性指标,所述图像中碳纤维分散性指标采用式Ⅰ计算:
式中:ANo CF为相应图像中水泥基体材料的像素点数量,ASingle CF为相应图像中碳纤维丝所对应的像素点数量;
(2)以图像样本集作为输入,二值化图像样本集作为输出对神经网络进行训练,得到碳纤维像素级分割模型;以二值化图像样本集作为输入,碳纤维分散性评价指标数据样本集作为输出对神经网络进行训练,得到碳纤维分散性评价模型;所述碳纤维像素级分割模型和碳纤维分散性评价模型构成碳纤维增强水泥基材料纤维分散性评价模型。
2.如权利要求1所述的碳纤维增强水泥基材料纤维分散性评价模型的构建方法,其特征在于,所述神经网络包括:卷积层、最大池化层和上采样层所述卷积层、最大池化层、上采样层均以Caffe为框架,使用Cuda 8.0、Python 3.5、Opencv 3.1实现。
3.如权利要求1所述的碳纤维增强水泥基材料纤维分散性评价模型的构建方法,其特征在于,所述图像样本集由多个单幅图像文件构成,所述单幅图像文件包括一幅碳纤维增强水泥基材料微观图像、该图像的名称和该图像的保存路径;
所述二值化图像样本集由多个单幅二值化图像文件构成,所述单幅二值化图像文件包括一幅二值化图像、该二值化图像所对应图像的名称和保存路径;
所述碳纤维分散性评价指标数据样本集由多个碳纤维分散性评价文件构成,所述碳纤维分散性评价文件包括单幅图像的碳纤维分散性指标、该图像的名称和保存路径。
4.一种碳纤维增强水泥基材料纤维分散性评价方法,其特征在于,将待评价的碳纤维增强水泥基材料微观图像输入权利要求1、2或3构建的碳纤维像素级分割模型,得到碳纤维像素级分割结果;
将碳纤维像素级分割结果输入权利要求1、2或3构建的碳纤维分散性评价模型中,得到碳纤维分散性评价指标。
5.如权利要求1所述的碳纤维增强水泥基材料纤维分散性评价方法,其特征在于,将待评价试件的多幅碳纤维增强水泥基材料微观图像依次输入权利要求1、2或3构建的碳纤维像素级分割模型,得到相应微观图像的碳纤维像素级分割结果;
将多幅碳纤维像素级分割结果依次输入权利要求1、2或3构建的碳纤维分散性评价模型中,得到相应微观图像的碳纤维分散性评价指标;
求取多幅微观图像的碳纤维分散性评价指标的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870821.3A CN110781729B (zh) | 2019-09-16 | 2019-09-16 | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910870821.3A CN110781729B (zh) | 2019-09-16 | 2019-09-16 | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110781729A true CN110781729A (zh) | 2020-02-11 |
CN110781729B CN110781729B (zh) | 2023-04-07 |
Family
ID=69383483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910870821.3A Active CN110781729B (zh) | 2019-09-16 | 2019-09-16 | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110781729B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445965A (zh) * | 2020-03-25 | 2020-07-24 | 长安大学 | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 |
CN113030086A (zh) * | 2021-02-26 | 2021-06-25 | 甘肃省公路交通建设集团有限公司 | 一种评价沥青混凝土中纤维分散性的方法 |
CN116503615A (zh) * | 2023-06-25 | 2023-07-28 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
CN116958739A (zh) * | 2023-06-25 | 2023-10-27 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472077A (zh) * | 2013-09-18 | 2013-12-25 | 长安大学 | 一种短切碳纤维在硬化水泥浆体中的分散性检测方法 |
CN109242864A (zh) * | 2018-09-18 | 2019-01-18 | 电子科技大学 | 基于多分支网络的图像分割结果质量评价方法 |
AU2019100354A4 (en) * | 2019-04-04 | 2019-05-16 | Chen, Mingjie Mr | An animal image search system based on convolutional neural network |
-
2019
- 2019-09-16 CN CN201910870821.3A patent/CN110781729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472077A (zh) * | 2013-09-18 | 2013-12-25 | 长安大学 | 一种短切碳纤维在硬化水泥浆体中的分散性检测方法 |
CN109242864A (zh) * | 2018-09-18 | 2019-01-18 | 电子科技大学 | 基于多分支网络的图像分割结果质量评价方法 |
AU2019100354A4 (en) * | 2019-04-04 | 2019-05-16 | Chen, Mingjie Mr | An animal image search system based on convolutional neural network |
Non-Patent Citations (1)
Title |
---|
詹曙;梁植程;谢栋栋;: "前列腺磁共振图像分割的反卷积神经网络方法" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445965A (zh) * | 2020-03-25 | 2020-07-24 | 长安大学 | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 |
CN111445965B (zh) * | 2020-03-25 | 2023-03-24 | 长安大学 | 一种基于深度学习的碳纤维增强水泥基材料的设计方法 |
CN113030086A (zh) * | 2021-02-26 | 2021-06-25 | 甘肃省公路交通建设集团有限公司 | 一种评价沥青混凝土中纤维分散性的方法 |
CN113030086B (zh) * | 2021-02-26 | 2023-09-22 | 甘肃省公路交通建设集团有限公司 | 一种评价沥青混凝土中纤维分散性的方法 |
CN116503615A (zh) * | 2023-06-25 | 2023-07-28 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
CN116503615B (zh) * | 2023-06-25 | 2023-08-25 | 南京矩视科技有限公司 | 一种基于卷积神经网络的碳纤维丝道识别与编号方法 |
CN116958739A (zh) * | 2023-06-25 | 2023-10-27 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110781729B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781729B (zh) | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 | |
CN111739075B (zh) | 一种结合多尺度注意力的深层网络肺部纹理识别方法 | |
CN110222681A (zh) | 一种基于卷积神经网络的铸件缺陷识别方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN109859207B (zh) | 一种高密度柔性基板的缺陷检测方法 | |
US20150004630A1 (en) | Cell-based tissue analysis | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
CN110059734A (zh) | 一种目标识别分类模型的训练方法、物体识别方法、装置、机器人和介质 | |
CN110232406A (zh) | 一种基于统计学习的液晶面板cf图片识别方法 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN112884001B (zh) | 碳钢石墨化自动评级方法和系统 | |
CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN114694144B (zh) | 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法 | |
CN110873722A (zh) | 一种岩心矿物组分鉴别方法 | |
CN110598564A (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN115909006B (zh) | 基于卷积Transformer的乳腺组织图像分类方法及系统 | |
Zeder et al. | A novel algorithm for the determination of bacterial cell volumes that is unbiased by cell morphology | |
CN111222545B (zh) | 基于线性规划增量学习的图像分类方法 | |
CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
CN116524313A (zh) | 基于深度学习和多模态图像的缺陷检测方法及相关装置 | |
CN111680575A (zh) | 一种人类上皮细胞染色分类装置、设备及存储介质 | |
Gonthina et al. | Deep CNN-based concrete cracks identification and quantification using image processing techniques | |
CN113327243B (zh) | 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |