CN115409826A - 一种水泥及其基材料元素含量非直接测度方法和系统 - Google Patents

一种水泥及其基材料元素含量非直接测度方法和系统 Download PDF

Info

Publication number
CN115409826A
CN115409826A CN202211134493.9A CN202211134493A CN115409826A CN 115409826 A CN115409826 A CN 115409826A CN 202211134493 A CN202211134493 A CN 202211134493A CN 115409826 A CN115409826 A CN 115409826A
Authority
CN
China
Prior art keywords
cement
microstructure
neural network
data
dimensional
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.)
Pending
Application number
CN202211134493.9A
Other languages
English (en)
Inventor
王琳
袁健峰
韩瑞琪
吴旭
杨波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202211134493.9A priority Critical patent/CN115409826A/zh
Publication of CN115409826A publication Critical patent/CN115409826A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种水泥及其基材料元素含量非直接测度方法及系统；其中所述方法，包括：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点或体素点级别的元素含量进行预测的网络模型；采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果；对初步预测结果进行采样，得到待测对象对应的元素面扫描或元素三维体的预测结果。

Description

一种水泥及其基材料元素含量非直接测度方法和系统
技术领域
本发明涉及预测目的的数据处理技术领域，特别是涉及一种水泥及其基材料元素含量非直接测度方法和系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
水泥，现代建筑行业不可或缺的重要材料，重要性不言而喻，随着科技发展以及生产中对于在特殊环境中特种水泥的需求，水泥已不再局限于担任粘接料的角色了，更多特种水泥被开发出来，如硅酸盐块硬水泥，铝酸盐块硬水泥，硫铝酸盐块硬水泥和氟铝酸盐块硬水泥；用于防硫酸盐腐蚀，冻融和干湿作用的海港水利工程的抗硫酸盐水泥，具有膨胀特性的膨胀水泥，专门用于油气井固井用的油井水泥，耐火水泥，防辐射水泥等等。和其他材料一样，水泥的特性基本上是由其内部的化合物和组成元素决定。而目前国际上对于高性能水泥和特种水泥的研究，主要从两方面着手，一个是水泥水化的演化机理，另一个便是水泥配方优化。不管是哪一方面的研究，都需要对水泥的微观世界进行分析，因为微观决定宏观。而在对微观进行研究的过程中，研究人员只能通过扫描电子显微镜或者断层扫描CT等大型仪器来获取材料内在微观结构表征，而为了获取其内部的元素情况，只能采用EDS能谱分析仪，但是很多科研机构没有EDS能谱分析仪，无法获取水泥的内在元素情况；另外在采集过程中的时间成本和金钱成本也非常高昂，因此，国际上有一些学术工作在试图去预测不同材料内，元素的含量情况，但是他们的方法有着非常明显的短板和缺陷：一是，现有的方法都是粗粒度的含量预测，即从待预测材料的整体出发，将元素含量预测看做是普通的回归问题，预测得到在当前样品中，元素的整体含量，该系列方法的预测结果粒度粗，精细度不够；二是，现有的方法都是确定性预测，即从待预测材料的整体出发，得到一个单值预测结果，而材料内的元素含量等情况往往比较复杂，而信息的缺失和在预测过程中误差引入的不确定性，使得该类预测方法的有效性会打很大折扣；三是，现有的方法都是从宏观角度出发，去进行元素含量预测，而研究人员在进行研究的时候，几乎都会用到水泥微观结构图像去进行分析，因此，现有方法无法很好的辅助研究人员对水泥水化机理等微观情况进行研究；四是，通过EDS能谱分析仪只能获取到二维图像范围内元素的分布情况，这对于高性能水泥的研究也是极大的限制。
发明内容
为了解决现有技术的不足，本发明提供了一种水泥及其基材料元素含量非直接测度方法和系统；该方法面向的对象是水泥微观结构图像或者水泥微观结构三维体，来预测元素含量；该方法的粒度是像素点级别的，能够预测微观结构图像每个像素或者微观结构三维体每个体素处的元素含量，粒度非常精细；该方法得到的不是单一元素含量值，而是元素含量的所有可能性及其概率；该方法不仅可以针对二维水泥微观结构图像进行预测，同时可以扩展到对三维的水泥微观结构体进行预测，解决了EDS能谱分析仪只能获取二维图像的问题。
第一方面，本发明提供了一种水泥及其基材料元素含量非直接测度方法；
一种水泥及其基材料元素含量非直接测度方法，包括：
S1：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
S2：构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点或体素点级别的元素含量进行预测的网络模型；
S3：采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果；
S4：对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果。
进一步地，S1：采集检测对象的微观结构图像和元素面扫描图像，包括：
获取水泥微观结构图像，同时使用扫描电子显微镜结合EDS能谱分析仪获取相同位置的水泥元素面扫描图像；
其中，获取水泥微观结构图像，使用扫描电子显微镜、断层扫描CT或者任何能获取到水泥微观结构图像的仪器来获取。
进一步地，在获取水泥微观结构图像的时候，灰度值不设上下限；在获取水泥元素面扫描图像时，设置采样帧数为指定帧数；指定帧数越高越好；
进一步地，所述使用采集到的数据，制作数据集，包括：
S11：按照马尔可夫随机场和水泥微观结构各向同性的特性，设计一个指定大小的滑动窗口，以采集到的微观结构数据左上角第一个点为滑动窗口的初始中心点，按照从左到右且从上到下的顺序依次滑动，截取滑动窗口内的二维图像或三维体，作为第一个点对应的输入数据，第一个点对应的标签是微观结构数据对应的元素面扫描数据中，与第一个点相对应的位置的灰度值；
S12：然后按照S11的方式，遍历水泥微观结构数据所有的点，得到所有点的输入数据和标签，得到数据集。
其中，所述使用采集到的数据，制作数据集，对于不同的问题场景，所述采集到的数据有着不同的指代含义。对于二维元素含量预测来说，所述采集到的数据是指采集到的原始微观结构图像和原始元素面扫描图像；对于三维元素含量预测来说，所述采集到的数据是指三维微观结构体和三维元素扫描体。
进一步地，所述三维微观结构体是指，将采集到的二维水泥微观结构图像按照层序，在通道上依次叠加，得到一个包含水泥内部微观结构的三维微观结构体；按照二维水泥微观结构图像相同的叠加层序，将对应的元素面扫描图叠加，得到水泥元素三维扫描体。
进一步地，S2：构建神经网络，并用数据集对网络进行训练，包括：
S21：构建神经网络，所述神经网络，包括依次连接的特征提取模块和概率建模模块；
S22：神经网络构建完成后，采用数据集，选择对数似然损失函数，利用反向传播来对神经网络进行训练。
进一步地，所述特征提取模块，是指对所输入的水泥数据进行特征提取的神经网络，所述特征提取模块，是全连接网络，二维卷积神经网络或三维卷积神经网络任选其一，对于二维卷积神经网络或三维卷积神经网络来说，最后将得到的特征图展开，变成一维向量；
进一步地，所述概率建模模块，是指一个包含多个并列全连接分支的输出层，每个全连接分支仅有一个全连接层。
进一步地，所述多个并列全连接分支的输出层，具体构建步骤包括：
S211：选定核函数；所述核函数，包括但不限于高斯函数、拉普拉斯函数等，不同核函数包括不同数量的参数，每个核函数的参数数量记为N，全连接分支的个数设为N+1；其中，核函数的选择原则是基于在所求解问题中，目标问题所遵循的概率分布的形式；
S212：设置核函数的个数为M个，每个全连接分支的神经元个数也为M个。第一个全连接分支的输出结果是所有M个核函数的权重(α1，α2，···，αM)，第二个全连接分支的输出结果是所有M个核函数的参数(parameter11，parameter21，···，parameterM1)，依次类推，第N+1个全连接分支的输出结果是所有M个核函数的参数(parameter1N，parameter2N，···，parameterMN)。
进一步地，S3：采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果，包括：
S31：采集待测对象的微观结构数据，设计一个指定大小的滑动窗口，以水泥微观结构数据左上角第一个点为滑动窗口的初始中心点，按照从左到右且从上到下的顺序依次滑动，截取滑动窗口内的二维图像或三维体，作为第一个点对应的输入数据，同理，获取到待测对象的微观结构数据每个点对应的输入数据；
S32：将待测对象的微观结构数据每个点对应的输入数据，送入到训练后的神经网络，得到预测结果；所述预测结果是每个点处所有核函数的全部参数；
S33：对每个点的所有M个核函数进行加权求和：
Figure BDA0003851158380000051
其中，第i个核函数F(i)是由对应的参数parameteri1，parameteri2，···，parameteriN组成的核函数；parameteri1表示第i个核函数的第1个参数；parameteri2表示第i个核函数的第2个参数；parameteriN表示第i个核函数的第N个参数；αi为第一个全连接分支所求取的第i个核函数的权重。
经过加权求和之后，得到输入数据每个点处的混合函数F，所述混合函数F表示当前点处元素含量的概率密度函数。
进一步地，S4：对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果，包括：
S41：对每个点处的概率密度函数进行采样，得到在当前点处，元素含量的最大概率值；
S42：将每个点的元素含量的最大概率值按照相应的位置拼成矩阵，得到待测对象对应的元素面扫描或者三维扫描体的预测结果。
第二方面，本发明提供了一种水泥及其基材料元素含量非直接测度系统；
一种水泥及其基材料元素含量非直接测度系统，包括：
数据集制作模块，其被配置为：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
神经网络构建模块，其被配置为：构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点或体素点级别的元素含量进行预测的网络模型；
预测模块，其被配置为：采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果；
采样模块，其被配置为：对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果。
第三方面，本发明提供了一种水泥及其基材料元素含量非直接测度方法；
一种水泥及其基材料元素含量非直接测度方法，包括：
采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
构建微观结构三维体体素点元素含量预测神经网络，所述神经网络用于预测微观结构三维体每个体素点元素含量的概率密度函数；用数据集对网络进行训练；
将待测水泥或水泥基材料的微观结构三维体进行预处理，将预处理后的微观结构三维体输入到训练后的神经网络中，输出每个体素点处化学元素含量的概率密度函数。
与现有技术相比，本发明的有益效果是：
本发明的使用对象不仅是水泥二维微观结构图像，还可以是水泥微观结构三维体，打破了EDS能谱分析仪只能获取二维元素面扫描图的局限和壁垒，极大的助力研究人员对高性能水泥的研究，同时打破了EDS能谱分析仪获取元素面扫描图的垄断地位，使得研究人员无需使用EDS能谱分析仪，便可获得水泥内的元素像素点级别的含量和分布。
本发明从统计学的角度出发，首次将概率理论引入到元素预测中来，打破了现存所有方法只能预测当前样本中元素整体含量的做法，首次预测得到水泥微观结构图像每个像素处或者水泥微观结构三维体每个体素处的元素含量的概率密度函数。
本发明中的方法采用了神经网络构建元素预测模型，该神经网络经过特殊设计，具备较强的专用性，充分适应于水泥微观结构图像和水泥微观结构三维体的纹理特征和各向同性的特性，充分利用神经网络强大的特征提取能力，有效地提高预测准确性。本公开中的方法，是一种实时预测方法，对于用户所提供的水泥微观结构图像能够快速返回预测结果，实时性好。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本申请实施例一的整个方法的流程图；
图2是本申请实施例一的神经网络的结构示意图；
图3是本申请实施例三的神经网络的结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
在材料科学领域，元素含量和空间分布是基础研究至关重要的一个环节，对结构推断，优化模拟设计起着非常重要的辅助作用，在水泥混凝土设计与优化中亦是如此。不管是在水泥种类，水化速度，强度，寿命等方面，元素的含量和空间分布，起着决定性作用。本发明公开了一种水泥元素含量非直接测度方法和系统，旨在优化解决元素含量分析极其依赖设备，高投入低效率问题、现存方法粒度粗，不够精细的问题、现存方法预测元素含量单值不准确的问题、以及现有方法只能进行二维预测的问题。该方法将概率理论引入到元素含量的预测中，有效实现根据微观结构图像预测其每个像素点处的元素含量的概率密度函数的功能，同时将误差控制在可接受范围内，节省大量时间及其财力成本。
实施例一
本实施例提供了一种水泥及其基材料元素含量非直接测度方法；
如图1所示，一种水泥及其基材料元素含量非直接测度方法，包括：
S101：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
S102：构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点级别的元素含量进行预测的网络模型；
S103：采集待测对象的微观结构图像，将待测对象的微观结构图像输入到训练后的神经网络中，得到初步预测结果；
S104：对初步预测结果进行采样，得到待测对象对应的元素面扫描的预测结果。
进一步地，所述检测对象指不同配比的水泥样品或水泥基材料样品；其中，样品的制备过程包括：
制作不同配比的水泥样品或水泥基材料样品，使样品的水化时间不同；
按照不同配比以及不同水化时间，将样品划分为不同的分组。
示例性地，为了保证模型后期准确率及鲁棒性，按照理论要求，水泥数据集制作要全面，均衡。如水泥及水泥基材料，制作尽可能多种类水泥材料数据集。至少涵盖当今常用水泥种类，如硅酸盐水泥，普通硅酸盐水泥，矿渣硅酸盐水泥，火山灰质硅酸盐水泥，煤粉硅酸盐水泥，复合硅酸盐水泥及部分铝酸盐水泥等。因此，制作不同配方水泥样本，每个配方制作多个样本。同配方内的样本水化时间不同。
完成上述各种对照实验组水泥及其基材料制作后，为保证后续图像采样过程不受外部因素干扰，对其进行相同的静置，养护，封装操作，一经制作完成，直至仪器获取图像数据集前，不再拆封处理。
进一步地，S101：采集检测对象的微观结构图像和元素面扫描图像，具体包括：
使用扫描电子显微镜采集样品的微观结构图像；
采用扫描电子显微镜和能谱分析仪对微观结构图像进行分析，得到各种化学元素面扫描图。
示例性地，所述各种化学元素面扫描图，包括但不限于：钙元素面扫描图、硅元素面扫描图、镁元素面扫描图、铝元素面扫描图、铁元素面扫描图、硫元素面扫描图等，一幅面扫描图只显示一种化学元素。
示例性地，所述微观结构图像，包括但不限于背散射图像，CT图像等一切能显示出水泥微观结构特性的图像。
示例性地，待水泥材料制作完成，统一进行扫描电子显微镜扫描处理，本次处理以型号为JSM-7610F电镜为例。JSM-7610F，高分辨率肖特基场发射电子扫描电子显微镜，采用高功率光学照射系统，可以进行高温，高精度元素分析，也适用与高空间分辨率元素分析，通过温和光束模式几百电子伏特的极低加速电压观察样品。能谱仪作为电镜微区成分分析的重要工具，一直是扫描及透射电镜最常用的附件。结合大面积能谱的高速及高灵敏优势，同时整合高性能强易用的Aztec EDS分析平台，易于颗粒物体的分析与检测。水泥样品依次进行打磨、抛光，放入电镜载具内，对焦校准，采集背散射电子图像，同时结合EDS能谱分析仪获取对应的元素面扫描图像。
进一步地，S101：使用采集到的数据，制作数据集；具体包括：
将微观结构图像的像素点i作为中心点，设计一个边长为2N+1的滑动窗口，按照从左到右且从上到下的顺序依次滑动，截取滑动窗口内的二维图像并展开成向量，将其作为当前像素点i对应的输入向量，其对应的标签是元素面扫描图像中像素点i的灰度值，灰度值代表元素的含量；
同理，得到微观结构图像所有像素点对应的输入向量和标签；将微观结构图像所有像素点对应的输入向量作为数据集的数据；i为正整数，N为正整数；
根据数据集的数据和数据集的标签，得到数据集；
将数据集按照设定比例划分为训练集、验证集和测试集。
上述数据集的制作方式的原理基于水泥具有马尔可夫随机场和各向同性，因此，神经网络的关注重点就是水泥微观结构图像的局部信息，而并不关心其全局信息，因此为了使网络更加的聚焦于局部信息，对原始数据进行了上述的处理。
示例性地，从其背散射图像中随机选取一点记为点a，以点a作为中心点，截取一个边长为(2N+1)的正方形，这里取N＝12，截取区域内共有625像素被涵盖。从截取区域左上到右下依次记录其像素值，并在该条数据尾部追加，在元素面扫描图中，和a点位置对应的像素点的值，作为一条数据(每条数据共有(2N+1)*(2N+1)+1个值，这里取N＝12，共626)。
按照0.7：0.05：0.25比例，制作训练集，验证集和测试集，数据集根据需要采集指定次数(本次共采集一百万次，数据集中训练集测试集验证集按照0.7：0.05：0.25划分，数目分别为700000，50000，250000)，分别用于训练，验证，和最终测试。
进一步地，如图2所示，S102：构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点级别的元素含量进行预测的网络模型，其中神经网络，其网络结构具体包括：
依次连接的特征提取模块和概率建模模块；
特征提取模块，包含：依次连接的第一全连接层、第二全连接层、第三全连接层、第四全连接层、第五全连接层、第六全连接层、第七全连接层；
概率建模模块，包含并列的三个全连接分支，分别是权重输出分支、均值输出分支和方差输出分支；每个分支均只有一个全连接层，包括M个神经元；其中M为正整数，此处选定高斯函数作为核函数。
权重输出分支就是并列的三个全连接分支中的第一个全连接层，用来输出所有高斯函数的权重；均值输出分支是并列的三个全连接分支中的第二个全连接层，用来输出每一个高斯函数的均值，方差输出分支是并列的三个全连接分支中的第三个全连接层，用来输出每一个高斯函数的方差。
示例性地，本申请实施例的元素含量预测神经网络和普通的预测目的的神经网络不同，首先，它的输出不是一个单一的类别或者回归任务的数值，而是在给定一些输入特征的情况下，输出待预测变量的概率密度函数的参数(此处为子分布均值、子分布标准差以及子分布权重值)，通过将参数进行组合，便可以得到元素含量的概率密度函数，而水泥元素含量预测的不确定性和规则约束性使得该模型体现出很好的适应性；其次，网络的输入不是全局图像信息，而是经过截取后的局部图像信息，因此，网络的输出并不是传统的全局预测信息，而是局部预测信息，进一步说，是根据局部图像信息，输出该局部图像中心像素点所对应的元素含量的概率密度函数。
网络输入层神经元的个数为(2N+1)*(2N+1)，读入每一条数据的前(2N+1)*(2N+1)项，即背散射图像采集区域内全部像素点的灰度值，对应标签为每条数据中最后一项(第(2N+1)*(2N+1)+1项)。
特征提取模块包含7层全连接层，每个全连接层分别包含[1024，2048，2048，4096，2048,1024,512]个神经元；
概率建模模块包含三个并列的全连接分支，三个分支分别用来生成所有子分布的权重、均值和方差。
三个输出分支的神经元个数都是M个，即为M个分布叠加，每个分布有三个参数：权重，均值和标准差。
此处设定M为30，即每一个像素点处的元素含量的概率密度函数，是由30个子分布按照不同的权重叠加而成。第一个分支用来生成30个分布的权重，第二个分支用来生成30个分布的均值，第三个分支用来生成30个分布的方差。
激活函数统一使用Relu函数，混合分布中使用的分布类型选择高斯分布，数据集中不添加簇特征，网络优化算法为Adam，学习率固定为0.001，为了避免过拟合，设置了EarlyStopping策略，EarlyStopping暂定250。
之所以按照上述结构设计概率建模模块，原因是对水泥微观结构图像特征和其对应的元素面扫描图特征进行了可视化，发现其并不是传统的回归问题，因为回归问题的自变量特征和因变量特征会呈现一定的规律分布，很容易采用一次函数或多次函数进行拟合，而水泥的微观结构图像特征和元素面扫描图特征并不符合上述特征规律，而是呈现一种局部聚集的簇状态，当水泥微观结构图像特征取某个值的时候，元素含量会在某个区间范围内呈聚集分布，而在区间范围外呈零星分布。因此，元素含量预测不是单值问题，传统的回归问题并不能解决元素含量预测问题。而水泥元素含量的上述特性，使得预测区间成为了更好的选择，因此，在网络结构中设计了输出层，首次将水泥元素含量的传统的单值预测转化为对概率密度函数的预测，即可非常清晰的看出每个像素点处元素含量的聚集区间和元素含量的最大可能取值。这种做法更加符合水泥元素预测现状，也更加符合工业界和学术界需求。尤其是对工业界来说，不管是元素含量预测还是水泥强度预测等等，单值预测缺乏一个合适的置信度，非黑即白非对即错的判断模式较为武断，容易错误的指导生产。而给出元素含量的概率密度函数，可以获得在元素含量在某个区间范围内的概率，这种可以更好的指导工人判断元素含量是否达标等，有着更好的容错率。
进一步地，S2：构建神经网络，并用数据集对网络进行训练，其训练过程包括：
将微观结构图像每个像素点对应的输入向量作为元素含量预测神经网络的输入值；将化学元素面扫描图中与微观结构图像(即截取的2N+1*2N+1的正方形)中心像素点对应点的像素值作为神经网络的标签；元素含量预测神经网络的权重输出分支的输出值为M个子概率密度函数的权重；元素含量预测神经网络的均值输出分支的输出值为M个子概率密度函数的均值；元素含量预测神经网络的方差输出分支的输出值为M个子概率密度函数的方差；
将第j个均值与第j个方差组合，生成第j个高斯函数；同理，得到M个高斯函数；
根据M个权重，对M个高斯函数进行加权求和，得到每个像素点元素含量的概率密度函数；
利用训练集对元素含量预测神经网络进行若干次训练，在训练过程中不断的通过验证集来验证模型的精度；当网络模型优化结束后，利用测试集对最终的元素含量预测神经网络进行测试，将通过测试的神经网络模型进行保存。
进一步地，所述S103：采集待测对象的微观结构图像，将待测对象的微观结构图像输入到训练后的神经网络中，得到初步预测结果，具体包括：
将待测水泥或水泥基材料的微观结构图像进行预处理，得到微观结构图像的每一个像素点对应的输入向量；
将预处理后的微观结构图像的像素点i对应的输入向量输入到训练后的元素预测神经网络中；
训练后的元素预测神经网络输出M个概率密度函数的权重(α1，α2，···，αM)；
训练后的元素预测神经网络输出M个概率密度函数的均值(b1，b2，···，bM)；
训练后的元素预测神经网络输出M个概率密度函数的方差(x1，c2，···，cM)；
基于M个概率密度函数的均值(b1，b2，···，bM)和M个概率密度函数的方差(c1，c2，···，cM)得到M个概率密度函数；所述概率密度函数，采用高斯函数；
然后，基于M个概率密度函数的权重(α1，α2，···，αM)对M个概率密度函数进行加权求和，得到像素点i的化学元素含量的加权高斯概率密度函数：
Figure BDA0003851158380000161
其中，G(i)代表第i个高斯函数；F(i)代表像素点i的化学元素含量概率密度函数，M代表组成混合分布F(i)的子高斯分布的个数。
进一步地，概率密度函数，还允许选择拉普拉斯分布的概率密度函数、F分布的概率密度函数、T分布的概率密度函数、Log-Normal分布的概率密度函数或Chi-Square分布等概率密度函数；其中，i取[1，w*h]内的所有值，w是待测图片的宽，h是待测图片的高。
进一步地，所述S104：对初步预测结果进行采样，得到待测对象对应的元素面扫描的预测结果，还包括：
对像素点i的化学元素含量的概率密度函数进行采样，得到像素点i的化学元素含量；进而得到所有像素点的化学元素含量值，将所有像素点的化学元素含量值按照像素点的位置组成一幅图像，得到预测的元素面扫描图。
进一步地，所述采样，选择轮盘赌的方式进行采样或选择随机采样的方式进行采样。
综上，将没有对应元素面扫描图像的水泥背散射图送入模型，从左上至右下依次对背散射图进行截取，送入模型预测，依次得到从左上至右下，每一个像素点处，30个子分布的权重、均值和方差。将每个像素点处的30个子分布进行融合，得到混合分布。采取轮盘赌的方式在每一个混合分布上进行采样，得到每个像素点处元素含量值。全部像素点处的元素含量值组成一张图片，即为输入背散射图对应的元素面扫描图的预测结果。
实施例二
本实施例提供了一种水泥及其基材料元素含量非直接测度系统；
一种水泥及其基材料元素含量非直接测度系统，包括：
数据集制作模块，其被配置为：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
神经网络构建模块，其被配置为：构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点或体素点级别的元素含量进行预测的网络模型；
预测模块，其被配置为：采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果；
采样模块，其被配置为：对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果。
此处需要说明的是，上述数据集制作模块、神经网络构建模块、预测模块和采样模块对应于实施例一中的步骤S101至S104上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。
实施例三
本实施例提供了一种水泥及其基材料元素含量非直接测度方法；
如图3所示，一种水泥及其基材料元素含量非直接测度方法，包括：
S301：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
S302：构建微观结构三维体体素点元素含量预测神经网络，所述神经网络用于预测微观结构三维体每个体素点元素含量的概率密度函数；用数据集对网络进行训练；
S303：将待测水泥或水泥基材料的微观结构三维体进行预处理，将预处理后的微观结构三维体输入到训练后的神经网络中，输出每个体素点处化学元素含量的概率密度函数。
进一步地，所述方法，还包括：
S304：对得到的每个体素点处元素含量的概率密度函数做采样，得到在当前体素点处概率最大的元素含量。
进一步地，所述样品是指不同配比的水泥样品或水泥基材料样品；其中，样品的制备过程包括：
制作不同配比的水泥样品或水泥基材料样品，使样品的水化时间不同；
按照不同配比以及不同水化时间，将样品划分为不同的分组。
示例性地，为了保证模型后期准确率及鲁棒性，按照理论要求，水泥数据集制作要全面，均衡。如水泥及水泥基材料，制作尽可能多种类水泥材料数据集。至少涵盖当今常用水泥种类，如硅酸盐水泥，普通硅酸盐水泥，矿渣硅酸盐水泥，火山灰质硅酸盐水泥，煤粉硅酸盐水泥，复合硅酸盐水泥及部分铝酸盐水泥等。因此，制作不同配方水泥样本，每个配方制作多个样本。同配方内的样本水化时间不同。
完成上述各种对照实验组水泥及其基材料制作后，为保证后续图像采样过程不受外部因素干扰，对其进行相同的静置，养护，封装操作，一经制作完成，直至仪器获取图像数据集前，不再拆封处理。
进一步地，所述S301：采集检测对象的微观结构图像和元素面扫描图像，具体包括：
使用扫描电子显微镜采集样品的微观结构图像；
采用扫描电子显微镜和能谱分析仪对微观结构图像进行分析，得到各种化学元素面扫描图。
示例性地，所述各种化学元素面扫描图，包括但不限于：钙元素面扫描图、硅元素面扫描图、镁元素面扫描图、铝元素面扫描图、铁元素面扫描图、硫元素面扫描图等，一幅面扫描图只显示一种化学元素。
示例性地，所述微观结构图像，包括但不限于背散射图像，CT图像等一切能显示出水泥微观结构特性的图像。
示例性地，待水泥材料制作完成，统一进行扫描电子显微镜扫描处理，本次处理以型号为JSM-7610F电镜为例。JSM-7610F，高分辨率肖特基场发射电子扫描电子显微镜，采用高功率光学照射系统，可以进行高温，高精度元素分析，也适用与高空间分辨率元素分析，通过温和光束模式几百电子伏特的极低加速电压观察样品。能谱仪作为电镜微区成分分析的重要工具，一直是扫描及透射电镜最常用的附件。结合大面积能谱的高速及高灵敏优势，同时整合高性能强易用的Aztec EDS分析平台，易于颗粒物体的分析与检测。水泥样品依次进行打磨、抛光，放入电镜载具内，对焦校准，采集背散射电子图像，同时结合EDS能谱分析仪获取对应的元素面扫描图像。
进一步地，S301：使用采集到的数据，制作数据集，具体包括：
将微观结构图像按照层序进行叠加，即将多张二维图像叠加成一个微观结构三维体，同理，将对应的元素面扫描图按照同样的层序进行叠加，即构成元素面扫描三维体；
将微观结构三维体的体素点i作为中心点，截取一个边长为2N+1的正方体，将正方体作为模型的输入，其对应的标签是元素面扫描三维体中体素点i的灰度值，灰度值代表元素的含量；
同理，得到每个体素点对应的三维体及其对应的标签，组成数据集；
将数据集按照设定比例划分为训练集、验证集和测试集。
上述数据集的制作方式的原理基于水泥具有马尔可夫随机场和各向同性，因此，神经网络的关注重点就是水泥微观结构三维体的局部信息，而并不关心其全局信息，因此为了使网络更加的聚焦于局部信息，我们对数据集进行了上述的处理。
示例性地，从其微观结构三维体中随机选取一点记为点a，以点a作为中心点，截取一个边长为(2N+1)的正方体，这里取N＝12，作为一个训练数据；
按照0.7：0.05：0.25比例，制作训练集，验证集和测试集，数据集根据需要采集指定次数(本次共采集一百万次，数据集中训练集测试集验证集按照0.7：0.05：0.25划分，数目分别为700000，50000，250000)，分别用于训练，验证，和最终测试。
进一步地，如图3所示，S302：构建微观结构三维体体素点元素含量预测神经网络，所述神经网络用于预测微观结构三维体每个体素点元素含量的概率密度函数；其中神经网络，其网络结构具体包括：
依次连接的特征提取模块和概率建模模块；
特征提取模块，包含：依次连接的第一三维卷积层，第二三维卷积层，第三三维卷积层，第四三维卷积层，第一全连接层；
概率建模模块，包含并列的三个全连接分支，分别是权重输出分支、均值输出分支和方差输出分支；每个分支均只有一个全连接层，包括M个神经元；其中M为正整数，此处选定高斯函数作为核函数。
权重输出分支就是并列全连接层中的第一个全连接层，用来输出所有高斯函数的权重，均值输出分支是并列全连接层中的第二个全连接层，用来输出每一个高斯函数的均值，方差输出分支是并列全连接层中的第三个全连接层，用来输出每一个高斯函数的方差。
示例性地，本申请实施例的元素含量预测神经网络和普通的预测目的的神经网络不同，首先，它的输出不是一个单一的类别或者回归任务的数值，而是在给定一些输入特征的情况下，输出预测结果的概率密度函数的参数(此处为子分布均值、子分布标准差以及子分布权重值)，通过将参数进行组合，便可以得到元素含量的概率密度函数，而水泥元素含量预测的不确定性和规则约束性使得该模型体现出很好的适应性；其次，网络的输入不是三维体全局信息，而是经过截取后的局部三维体信息，因此，网络的输出并不是传统的全局预测信息，而是局部预测信息，进一步说，是根据局部三维体信息，输出该局部三维体中心像素点所对应的元素含量的概率密度函数。
每个卷积层的都是由一个三维卷积核组成，每个卷积核的大小为3*3*3，卷积的步长为2；第一全连接层的神经元个数为64。
特征提取模块包含三个并列的全连接分支，三个分支分别用来生成所有子分布的权重、均值和方差。
三个并列的全连接分支的神经元个数都是M个，即为M个分布叠加，每个分布有三个参数：权重，均值和标准差。
此处设定M为30，即每一个体素点处的元素含量的概率密度函数，是由30个子分布按照不同的权重叠加而成。
第一个分支用来生成30个分布的权重，第二个分支用来生成30个分布的均值，第三个分支用来生成30个分布的方差。
激活函数统一使用Relu函数，混合分布中使用的分布类型选择高斯分布，数据集中不添加簇特征，网络优化算法为Adam，学习率固定为0.001，为了避免过拟合，设置了EarlyStopping策略，EarlyStopping暂定250。
采用上述网络结构的原因同实施例一。
进一步地，S302：用数据集对网络进行训练，其训练过程包括：
将截取的每个微观结构三维体作为元素含量预测神经网络的输入值；将和其中心体素相对应的元素面扫描三维体中体素的灰度值作为神经网络的标签；元素含量预测神经网络的权重输出分支的输出值为M个子概率密度函数的权重；元素含量预测神经网络的均值输出分支的输出值为M个子概率密度函数的均值；元素含量预测神经网络的方差输出分支的输出值为M个子概率密度函数的方差；
利用训练集对元素含量预测神经网络进行若干次训练，在训练过程中不断的通过验证集来验证模型的精度；当网络模型优化结束后，利用测试集对最终的元素含量预测神经网络进行测试，将通过测试的神经网络模型进行保存。
进一步地，所述S303：将待测水泥或水泥基材料的微观结构三维体进行预处理，将预处理后的微观结构三维体输入到训练后的神经网络中，输出每个体素点处化学元素含量的概率密度函数；具体包括：
将待测水泥或水泥基材料的微观结构三维体进行预处理，得到微观结构三维体的每一个体素点对应的局部三维体；
将预处理后的微观结构三维体的体素点i对应的微观结构三维体输入到训练后的元素预测神经网络中；
训练后的元素预测神经网络输出M个概率密度函数的权重(α1，α2，···，αM)；
训练后的元素预测神经网络输出M个概率密度函数的均值(b1，b2，···，bM)；
训练后的元素预测神经网络输出M个概率密度函数的方差(c1，c2，···，cM)；
基于M个概率密度函数的均值(b1，b2，···，bM)和M个概率密度函数的方差(c1，c2，···，cM)得到M个概率密度函数；所述概率密度函数，采用高斯分布的概率密度函数；
然后，基于M个概率密度函数的权重(α1，α2，···，αM)对M个概率密度函数进行加权求和，得到体素点i的化学元素含量的加权高斯概率密度函数：
Figure BDA0003851158380000231
其中，G(i)代表第i个高斯函数，F(i)的含义是第i个体素点处元素含量的概率密度函数，M代表组成混合分布的子分布的个数。
进一步地，概率密度函数，还允许选择拉普拉斯分布的概率密度函数、F分布的概率密度函数、T分布的概率密度函数、Log-Normal分布的概率密度函数或Chi-Square分布等概率密度函数。
进一步地，所述S304：对得到的每个体素点处元素含量的概率密度函数做采样，得到在当前体素点处概率最大的元素含量，包括：
对体素点i的化学元素含量的概率密度函数进行采样，得到体素点i的化学元素含量；进而得到所有体素点的化学元素含量值，将所有体素点的化学元素含量值按照体素点的位置组成一幅图像，得到预测的元素空间分布图。
进一步地，所述采样，选择轮盘赌的方式进行采样或选择随机采样的方式进行采样。
综上，将没有对应元素面扫描三维体的水泥微观结构三维体送入模型，按照顺序依次对三维体进行截取，送入模型预测，依次得到，每一个体素点处，30个子分布的权重、均值和方差。将每个体素点处的30个子分布进行融合，得到混合分布。采取轮盘赌的方式在每一个混合分布上进行采样，得到每个体素点处元素含量值。全部体素点处的元素含量值组成一个三维体，即为输入水泥微观结构三维体对应的元素面扫描三维体的预测结果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种水泥及其基材料元素含量非直接测度方法，其特征是，包括：
采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点或体素点级别的元素含量进行预测的网络模型；
采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果；
对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果。
2.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，采集检测对象的微观结构图像和元素面扫描图像，包括：
获取水泥微观结构图像，同时使用扫描电子显微镜结合EDS能谱分析仪获取相同位置的水泥元素面扫描图像；
其中，获取水泥微观结构图像，使用扫描电子显微镜、断层扫描CT或者任何能获取到水泥微观结构图像的仪器来获取。
3.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，所述使用采集到的数据，制作数据集，包括：
按照马尔可夫随机场的原则和水泥微观结构各向同性的特性，设计一个指定大小的滑动窗口，以水泥微观结构数据左上角第一个点为滑动窗口的初始中心点，按照从左到右且从上到下的顺序依次滑动，截取滑动窗口内的二维图像或三维体，作为第一个点对应的输入数据，第一个点对应的标签是在元素面扫描图像或三维体中，与第一个像素点对应位置的灰度值；
按照同样的方式，遍历水泥微观结构数据所有的点，得到所有点的输入数据和标签，得到数据集。
4.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，所述使用采集到的数据，制作数据集，对于不同的问题场景，所述采集到的数据有着不同的指代含义；对于二维元素含量预测来说，所述采集到的数据是指采集到的原始微观结构图像和原始元素面扫描图像；对于三维元素含量预测来说，所述采集到的数据是指三维微观结构体和三维扫描体；
所述三维微观结构体是指，将采集到的二维水泥微观结构图像按照层序，在通道上依次叠加，得到一个包含水泥内部微观结构的三维微观结构体；按照二维水泥微观结构图像相同的叠加层序，将对应的元素面扫描图叠加，得到水泥三维扫描体。
5.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，构建神经网络，并用数据集对网络进行训练，包括：
构建神经网络，所述神经网络，包括依次连接的特征提取模块和概率建模模块；
神经网络构建完成后，采用数据集，选择对数似然损失函数，利用反向传播来对神经网络进行训练；
所述特征提取模块，是指对所输入的水泥数据进行特征提取的神经网络，所述特征提取模块，是全连接网络，二维卷积神经网络或三维卷积神经网络任选其一，对于二维卷积神经网络或三维卷积神经网络来说，最后将得到的特征图展开，变成一维向量；
所述概率建模模块，是指一个包含多个并列全连接分支的输出层，每个全连接分支仅有一个全连接层。
6.如权利要求5所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，所述多个并列全连接分支的输出层，具体构建步骤包括：
选定核函数；所述核函数，包括但不限于高斯函数、拉普拉斯函数等，不同核函数包括不同数量的参数，每个核函数的参数数量记为N，全连接分支的个数设为N+1；其中，核函数的选择原则是基于在所求解问题中，目标问题所遵循的概率分布的形式；
设置核函数的个数为M个，每个全连接分支的神经元个数也为M个；第一个全连接分支的输出结果是M个核函数的权重(α1，α2，…，αM)，第二个全连接分支的输出结果是所有M个核函数的参数(parameter11，parameter21，…，parameterM1)，依次类推，第N+1个全连接分支的输出结果是所有M个核函数的参数(parameter1N，parameter2N，…，parameterMN)。
7.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果，包括：
采集待测对象的微观结构数据，设计一个指定大小的滑动窗口，以水泥微观结构数据左上角第一个点为滑动窗口的初始中心点，按照从左到右且从上到下的顺序依次滑动，截取滑动窗口内的二维图像或三维体，作为第一个点对应的输入数据，同理，获取到待测对象的微观结构图像每个点对应的输入数据；
将待测对象的微观结构数据每个点对应的输入数据，送入到训练后的神经网络，得到预测结果；所述预测结果是每个点处所有核函数的全部参数；
对每个点的所有M个核函数进行加权求和：
Figure FDA0003851158370000041
其中，第i个核函数F(i)是由对应的参数parameteri1，parameteri2，…，parameteriN组成的核函数；parameteri1表示第i个核函数的第1个参数；parameteri2表示第i个核函数的第2个参数；parameteriN表示第i个核函数的第N个参数；αi为第一个全连接分支所求取的第i个核函数的权重；
经过加权求和之后，得到输入数据每个点处的混合函数F，所述混合函数F表示当前点处元素含量的概率密度函数。
8.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法，其特征是，对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果，包括：
对每个点处的概率密度函数进行采样，得到在当前点处，元素含量的最大概率值；
将每个点的元素含量的最大概率值按照相应的位置拼成矩阵，得到待测对象对应的元素面扫描或者三维扫描体的预测结果。
9.一种水泥及其基材料元素含量非直接测度系统，其特征是，包括：
数据集制作模块，其被配置为：采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
神经网络构建模块，其被配置为：构建神经网络，并用数据集对网络进行训练；所述神经网络，是一种针对水泥的像素点或体素点级别的元素含量进行预测的网络模型；
预测模块，其被配置为：采集待测对象的微观结构数据，将待测对象的微观结构数据输入到训练后的神经网络中，得到初步预测结果；
采样模块，其被配置为：对初步预测结果进行采样，得到待测对象对应的元素面扫描或体扫描的预测结果。
10.一种水泥及其基材料元素含量非直接测度方法，其特征是，包括：
采集检测对象的微观结构图像和元素面扫描图像；所述检测对象为水泥或水泥基材料；使用采集到的数据，制作数据集；
构建微观结构三维体体素点元素含量预测神经网络，所述神经网络用于预测微观结构三维体每个体素点元素含量的概率密度函数；用数据集对网络进行训练；
将待测水泥或水泥基材料的微观结构三维体进行预处理，将预处理后的微观结构三维体输入到训练后的神经网络中，输出每个体素点处化学元素含量的概率密度函数。
CN202211134493.9A 2022-09-19 2022-09-19 一种水泥及其基材料元素含量非直接测度方法和系统 Pending CN115409826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211134493.9A CN115409826A (zh) 2022-09-19 2022-09-19 一种水泥及其基材料元素含量非直接测度方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211134493.9A CN115409826A (zh) 2022-09-19 2022-09-19 一种水泥及其基材料元素含量非直接测度方法和系统

Publications (1)

Publication Number Publication Date
CN115409826A true CN115409826A (zh) 2022-11-29

Family

ID=84164914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211134493.9A Pending CN115409826A (zh) 2022-09-19 2022-09-19 一种水泥及其基材料元素含量非直接测度方法和系统

Country Status (1)

Country Link
CN (1) CN115409826A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362974A (zh) * 2023-06-02 2023-06-30 清华大学 一种超分辨率水泥水化图像生成方法和装置
CN117174219A (zh) * 2023-11-02 2023-12-05 济南大学 基于隐变量模型的水泥强度条件概率分布估计方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116362974A (zh) * 2023-06-02 2023-06-30 清华大学 一种超分辨率水泥水化图像生成方法和装置
CN116362974B (zh) * 2023-06-02 2023-08-15 清华大学 一种超分辨率水泥水化图像生成方法和装置
CN117174219A (zh) * 2023-11-02 2023-12-05 济南大学 基于隐变量模型的水泥强度条件概率分布估计方法及系统
CN117174219B (zh) * 2023-11-02 2024-02-02 济南大学 基于隐变量模型的水泥强度条件概率分布估计方法及系统

Similar Documents

Publication Publication Date Title
CN115409826A (zh) 一种水泥及其基材料元素含量非直接测度方法和系统
du Plessis et al. A review of X-ray computed tomography of concrete and asphalt construction materials
Gaspar et al. Testing the sensitivity of a multivariate mixing model using geochemical fingerprints with artificial mixtures
Cairney et al. Mining information from atom probe data
CN108431587A (zh) 混合检验器
KR100864148B1 (ko) 실험장치와 연동시키는 가상실험 인터페이스
Xu et al. Microstructure and water absorption of ancient concrete from Pompeii: An integrated synchrotron microtomography and neutron radiography characterization
Shin et al. Digital vision based concrete compressive strength evaluating model using deep convolutional neural network
Reedy et al. High-resolution micro-CT with 3D image analysis for porosity characterization of historic bricks
Schuetzke et al. Enhancing deep-learning training for phase identification in powder X-ray diffractograms
CN105241904A (zh) 基于能量色散x射线谱的粉煤灰物相分析方法
Maragh et al. Large-scale micron-order 3D surface correlative chemical imaging of ancient Roman concrete
CN103345560B (zh) 基于微观图象特征的水泥水化仿真及宏观属性预测的方法
Veerle et al. Multi-disciplinary characterisation of a sandstone surface crust
Dobrowolska et al. Towards an application of muon scattering tomography as a technique for detecting rebars in concrete
Qiu et al. 3D microstructure simulation of reactive aggregate in concrete from 2D images as the basis for ASR simulation
CN105527461A (zh) 一种基于透射电镜haadf图像的材料结构定量化分析方法
Yang et al. A data-constrained computational model for morphology structures
CN112666191B (zh) 晶相含量定量分析系统和方法
Aboustait et al. Innovative prediction of fly ash performance in concrete.
Kothari et al. Quantitative phase analysis of anhydrous Portland cement via combined X-ray diffraction and Raman imaging: Synergy and impact of analysis parameters
Kokoulin et al. The Optical Subsystem for the Dust Concentration Measuring Portable System
Lee et al. Introducing a model for evaluating concrete structure performance using deep convolutional neural network
Cheniour et al. Reconstruction of 3D Concrete Microstructures Combining High-Resolution Characterization and Convolutional Neural Network for Image Segmentation
O'Connor et al. Methodology for the determination of< 63 µm free mica fines in sand and within the cement matrix of hardened concrete blocks using scanning electron microscopy and energy dispersive spectroscopy

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