CN117371336B - 一种基于深度学习的膏体屈服应力预测方法及系统 - Google Patents

一种基于深度学习的膏体屈服应力预测方法及系统 Download PDF

Info

Publication number
CN117371336B
CN117371336B CN202311650007.3A CN202311650007A CN117371336B CN 117371336 B CN117371336 B CN 117371336B CN 202311650007 A CN202311650007 A CN 202311650007A CN 117371336 B CN117371336 B CN 117371336B
Authority
CN
China
Prior art keywords
paste
yield stress
model
convolution
image
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.)
Active
Application number
CN202311650007.3A
Other languages
English (en)
Other versions
CN117371336A (zh
Inventor
程海勇
刘伟铧
庹儒军
吴光华
刘登
张京
熊艳碧
刘泽民
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202311650007.3A priority Critical patent/CN117371336B/zh
Publication of CN117371336A publication Critical patent/CN117371336A/zh
Application granted granted Critical
Publication of CN117371336B publication Critical patent/CN117371336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本申请涉及矿业工程技术领域，提供了一种基于深度学习的膏体屈服应力预测方法及系统，包括：设置膏体的图像采集环境；获得膏体样品；获得膏体搅动图像信息；获得膏体屈服应力；基于膏体配比方案、膏体搅动图像信息和膏体屈服应力构建样本数据集；基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过样本数据集进行监督训练，获得膏体屈服应力预测模型；根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测。能够解决传统机器学习预测膏体屈服应力的方法由于未能考虑到各个变量之间的关系，导致预测准确率低的问题，可以提高膏体屈服应力预测的准确率。

Description

一种基于深度学习的膏体屈服应力预测方法及系统
技术领域
本申请涉及矿业工程技术领域，具体涉及一种基于深度学习的膏体屈服应力预测方法及系统。
背景技术
目前对于膏体屈服应力的主要预测方法有：通过坍落度与屈服应力之间的关系建立预测模型和基于机器学习算法的预测方法。通过坍落度与屈服应力之间的关系对膏体屈服应力进行预测，存在难以推广并且前期需要投入大量的时间和成本进行实验的问题。基于机器学习的预测方式由于未能考虑到各个变量之间的关系，导致预测准确性降低。因此提供一种高效、便利且准确性高的膏体屈服应力预测方法是必要的。
综上所述，现有技术中存在传统机器学习预测膏体屈服应力的方法由于未能考虑到各个变量之间的关系，导致预测准确率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种基于深度学习的膏体屈服应力预测方法及系统。
一种基于深度学习的膏体屈服应力预测方法，所述方法包括：根据图像采集要求设置膏体的图像采集环境；预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果。
一种基于深度学习的膏体屈服应力预测系统，包括：
图像采集环境设置模块，所述图像采集环境设置模块用于根据图像采集要求设置膏体的图像采集环境；
膏体样品获得模块，所述膏体样品获得模块用于预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；
膏体搅动图像信息获得模块，所述膏体搅动图像信息获得模块用于将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；
膏体屈服应力获得模块，所述膏体屈服应力获得模块用于通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；
样本数据集构建模块，所述样本数据集构建模块用于基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；
膏体屈服应力预测模型获得模块，所述膏体屈服应力模型获得模块用于基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；
屈服应力预测结果获得模块，所述屈服应力预测结果获得模块用于根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果。
上述一种基于深度学习的膏体屈服应力预测方法及系统，能够解决传统机器学习预测膏体屈服应力的方法由于未能考虑到各个变量之间的关系，导致预测准确率低的问题，通过根据图像采集要求设置膏体的图像采集环境；预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果。可以提高膏体屈服应力预测的准确率。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种基于深度学习的膏体屈服应力预测方法的流程示意图；
图2为本申请提供了一种基于深度学习的膏体屈服应力预测方法中构建样本数据集的流程示意图；
图3为本申请提供了一种基于深度学习的膏体屈服应力预测方法中构建膏体屈服应力预测模型的流程示意图；
图4为本申请提供了一种基于深度学习的膏体屈服应力预测方法中模型训练过程中模型输出准确率的变化趋势图；
图5为本申请提供了一种基于深度学习的膏体屈服应力预测方法中模型训练过程中模型损失率的变化趋势图；
图6为本申请提供了一种基于深度学习的膏体屈服应力预测系统的结构示意图；
附图标记说明：1-图像采集环境设置模块、2-膏体样品获得模块、3-膏体搅动图像信息获得模块、4-膏体屈服应力获得模块、5-样本数据集构建模块、6-膏体屈服应力预测模型获得模块、7-屈服应力预测结果获得模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种基于深度学习的膏体屈服应力预测方法，所述方法包括：
步骤S100：根据图像采集要求设置膏体的图像采集环境；
在一个实施例中，本申请步骤S100具体包括：
步骤S110：基于所述图像采集要求获得膏体图像采集的环境参数；
步骤S120：根据所述环境参数进行图像采集环境设置，获得图像采集环境。
具体而言，获得膏体图像采集要求，所述图像采集要求包括排除外部光线干扰、提高图像采集精度等，根据所述图像采集要求获得膏体图像采集的环境参数，所述环境参数包括亮度、光线强度等参数，并根据所述环境采集参数进行图像采集环境设置，例如：为了达到排除外部光线干扰的效果，可以通过不透光材料将膏体图像采集装置进行包裹等。通过设置图像采集环境对膏体进行图像采集，可以提高图像采集的质量，间接提高了模型拟合的效果。
步骤S200：预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；
步骤S300：将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；
具体而言，制定膏体配比方案，根据灰砂比和固体质量浓度，制定出膏体配比表；配比表包含编号、尾砂质量/g、水泥质量/g、水的质量/g、灰砂比、固体质量浓度/%，获得N个膏体配比方案，其中N为大于等于1的整数，并根据所述N个膏体配比方案进行膏体制作，获得N个膏体样品；例如：选取灰砂比为：1:4、1:5、1:6、1:7、1:8、1:10、1:12和1:14；选取固体质量浓度为58%-80%，按照2%的梯度进行配比（共取固体质量浓度12组），最终配置出96种膏体样本。
将所述N个膏体样品依次置于所述图像采集环境中，使用搅拌机对膏体进行搅拌，并按照预设采集节点对所述膏体进行图像信息采集，获得N个膏体搅动视频即所述N个膏体搅动图像信息，通过获得所述N个膏体搅动图像信息，为下一步构建样本数据集提供了数据支持。
步骤S400：通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；
具体而言，使用浆体流变仪对所述N个膏体样品的屈服应力进行测量，获得N个膏体屈服应力，且所述膏体屈服应力和膏体样品具有一一对应的关系，通过获得所述N个膏体屈服应力，为下一步构建样本数据集提供了支持。
步骤S500：基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；
如图2所示，在一个实施例中，本申请步骤S500还包括：
步骤S510：对所述N个膏体搅动图像信息进行图像帧截取，获得N个膏体截取图像集合；
步骤S520：对所述N个膏体图像集合中的图像进行裁剪，每张图像裁剪出4个子图像，共获得4N个膏体子图像集合；
步骤S530：根据所述N个膏体屈服应力对所述4N个膏体子图像集合进行标注，每一张图像标记一个标签，标签值为图像对应的屈服应力值，获得4N个标注膏体子图像集合；
步骤S540：通过所述4N个标注膏体子图像集合构建样本数据集。
具体而言，通过Python对所述N个膏体搅动图像信息进行图像帧截取，获得N个膏体截取图像集合；然后对所述N个膏体图像集合中的各图像进行裁剪，在原图像中选取4个不同的位置进行剪裁，每个剪裁区域内的膏体分布均匀，剪裁出4个大小为256×256像素大小的子图像，获得4N个膏体子图像集合；然后根据所述N个膏体屈服应力对所述4N个膏体子图像集合进行标注，即每一张图像标记一个标签，其标签值为图像对应的屈服应力值，获得4N个标注膏体子图像集合；最后将4N个标注膏体子图像集合内每个膏体样本对应的图像数据作为模型训练的输入数据，将其对应的屈服应力作为标签值，构建出样本数据集。通过构建所述样本数据集，为下一步进行模型训练提供了支持。
步骤S600：基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；
如图3所示，在一个实施例中，本申请步骤S600还包括：
步骤S610：所述膏体屈服应力预测模型包括卷积特征子模型和时序特征子模型；
步骤S620：基于CNN神经网络构建膏体屈服应力预测模型的卷积特征子模型，所述卷积特征子模型为全连接层融合模型，其中包括4个卷积特征模块，所述4个卷积特征模块具有参数共享的功能；
步骤S630：所述卷积特征模块内嵌有Relu激活函数，其中包括输入层、卷积层和全连接层，所述卷积层后连接一层归一化层和一层池化层；
步骤S640：基于LSTM神经网络构建时序特征子模型，所述时序特征子模型包括M层LSTM层，所述LSTM层的神经元个数为个，其中内嵌有Sigmoid激活函数。
具体而言，首先将Facebook开源的深度学习框架PyTorch作为代码编写和资源管理工具，构建所述膏体屈服应力预测模型。其中所述膏体屈服应力预测模型包括卷积特征子模型和时序特征子模型。首先基于CNN神经网络构建所述卷积特征子模型，其中所述卷积特征子模型为全连接层融合模型，包括4个卷积特征模块，且所述4个卷积特征模块之间可以实现参数共享。所述全连接层融合方式是指将剪裁得到的4个局部图像分别输入到4个参数共享的CNN特征提取分支中，这四个CNN模型在进行计算过程中每一层的参数是保持一致的，最后输出层输出该局部图像属于每个分类的概率数组。然后对这4个局部图像得到的4个数组求平均，得到一个平均数组。平均数组中的最大值对应的分类即为原图像对应的分类。
然后进一步设置所述卷积特征模块的模型参数，将所述卷积特征模块的神经网络结构设定为1层输入层，4层卷积层，1层全连接层。其中，每层卷积层后连接一层归一化层和一层池化层。4个卷积层的卷积核尺寸为3×3，4个池化层的池化核尺寸为2×2，步长选为2。然后选择Relu函数作为激活函数，其中所述Relu函数的具体形式为：，当Relu函数在x<0时，输出始终为0；当x>0时，Relu函数保持输出为x，所以Relu函数能够在x>0时保持梯度不断衰减，从而缓解梯度消失的问题，还能加快收敛速度；
所述卷积特征模块的作用是为了提取不同配比下膏体图像中颜色和纹理等特征信息，通过特征信息对图像进行分类。具体是通过所述卷积特征模块中的卷积层和池化层提取膏体图像特征图，将特征图拉伸为一维特征向量；通过所述卷积特征模块中的全连接层将一维特征向量映射到标签值，得到输入膏体图像属于每个标签值的概率值，最后选取概率值最大的标签值作为此次预测的屈服应力值。
然后基于LSTM神经网络构建时序特征子模型，设置LSTM网络模型的神经网络结构为M层LSTM层，设置LSTM的神经元个数为个，激活函数仍为Sigmoid函数，具体形式为：。所述时序特征子模型用于提取膏体搅动图像中的时间序列信息。具体而言，膏体搅动图像信息本质上是视频流，而视频数据是一系列图像帧组成的时间序列。通过LSTM对这些帧序列进行处理，从而提取膏体搅拌图像中的时间序列信息，提取时间序列信息有助于理解膏体搅拌图像信息，从而提高系统预测的准确率。
所述卷积特征子模型提取了膏体搅拌图像的空间特征信息，所述时序特征子模型提取膏体搅拌图像的时间特征信息，两者的结合能够更全面地理解膏体图像搅拌信息，从而提高了系统对膏体图像搅拌信息的分析能力。
在一个实施例中，本申请步骤S600还包括：
步骤S650：分别在所述卷积特征子模型和所述时序特征子模型的输出层的激活函数前添加BN层，并在输出层之后添加一层输出分类层，其中所述输出层的神经元数量为1，神经元的激活函数为Sigmoid函数；
步骤S660：并将添加所述BN层和所述输出分类层完成后的所述卷积特征子模型与所述时序特征子模型进行连接，获得卷积时序特征混合模型。
具体而言，首先引入了能够对参数进行变换重构的BN层，在输出层的激活函数前加上了一层BN层对所述卷积特征子模型和所述时序特征子模型的输出数据进行归一化理，并在输出层之后添加一层输出分类层，其中所述输出层的神经元数量为1，神经元的激活函数为Sigmoid函数，其中所述Sigmoid函数的具体形式为：，通过Sigmoid函数可以将输入的整个实数范围内的任意值映射到[0,1]范围内，当输入值较大时，会返回一个接近于1的值，当输入值较小时，则返回一个接近于0的值。
然后将添加所述BN层和所述输出分类层完成后的所述卷积特征子模型与所述时序特征子模型进行连接，获得卷积时序特征混合模型。通过将所述卷积特征子模型和所述时序特征子模型进行融合，可以为图像的分类提供更多有效信息，从而提高分类的准确率。
在一个实施例中，本申请步骤S600还包括：
步骤S670：获得损失函数和评价标准；
步骤S680：所述损失函数计算公式为：
；其中，NF为训练集图像的总个数，/>为训练集中输入数据的序号，/>，/>为训练集中第/>个数据对应的膏体屈服应力，/>为模型预测的第/>个数据的膏体屈服应力；
步骤S690：所述评价标准为：
；其中，/>表示准确率，/>为测试集中被模型预测正确的数据个数，/>为测试集中数据个数的总数。
具体而言，选择交叉熵函数作为所述卷积时序特征混合模型的损失函数，所述损失函数计算公式为：，其中，损失函数值为loss_value，NF为训练集图像的总个数，/>为训练集中输入数据的序号，/>，/>为训练集中第/>个数据对应的膏体屈服应力，/>为模型预测的第/>个数据的膏体屈服应力；选择准确率作为所述卷积时序特征混合模型好坏的评价标准，所述评价标准的具体形式为：/>，其中，/>表示准确率，/>为测试集中被模型预测正确的数据个数，/>为测试集中数据个数的总数。
在一个实施例中，本申请步骤S600还包括：
步骤S6100：设置循环次数序号、训练轮次、批大小、初始学习率；
步骤S6110：将所述样本数据集输入所述卷积时序特征混合模型进行模型训练；
步骤S6120：利用Adam算法对每轮次的学习率进行更新，并通过梯度的矩来计算不同参数的自适应学习速率；
步骤S6130：利用compile函数对所述卷积时序特征混合模型进行编译，使用fit函数对所述卷积时序特征混合模型进行拟合，并根据所述损失函数获得损失函数值；
步骤S6140：利用evaluate函数对所述卷积时序特征混合模型进行评价，根据所述评价标准获得准确率。
具体而言，首先初始化循环次数序号n=1；设置训练轮次为20轮；设置批大小25；初始学习率为0.001，然后将所述样本数据集输入所述卷积时序特征混合模型进行模型训练，使用Adam算法根据每轮次参数对学习率进行更新。使用compile函数对所述卷积时序特征混合模型进行编译。使用fit函数模型进行拟合，并得到损失函数值。使用evaluate函数对模型进行评价，根据所述评价标准得到准确率。
在一个实施例中，本申请步骤S600还包括：
步骤S6150：记录每次循环轮次、批大小、学习率、损失函数值和准确率，并利用save函数对本次循环得到的模型进行保存；
步骤S6160：对记录结果进行遍历查找，获得最小损失函数值和最大准确率对应的循环次数；
步骤S6170：将所述循环次数对应的学习率作为最优学习率，将所述循环次数得到的模型作为所述膏体屈服应力预测模型。
具体而言，将1-20次循环记录的每次循环轮次、批大小、学习率、损失函数值和准确率进行整理得到完整记录结果，使用save函数对本次循环得到的模型进行保存。对所述完整记录结果进行遍历查找，查找出最小的损失函数值和最大的准确率所对应的循环次数；并将第/>次循环对应的学习率作为最优学习率，将第/>次循环得到的模型作为膏体屈服应力预测模型；如图4、图5所示，图4和图5分别展示了所述卷积时序特征混合模型在网络训练过程中的准确率和损失率，其中，在20轮网络训练过程中，所述卷积时序特征混合模型的输出准确率最高到达97.33%，模型训练损失率在前5个训练轮次快速收敛，在第13个训练轮次后模型损失率稳定在0.1附近；相较于传统机器学习方法构建的预测模型，可以明显提高膏体屈服应力预测的准确性。
同时针对训练完成的卷积时序特征混合模型，本申请可以将其封装开发为充填料浆屈服应力预测识别系统，且所述系统能够根据用户提供的不同的矿山尾砂图像进行模型自训练，得到对应的矿山尾砂屈服应力预测模型。
通过获得所述膏体屈服应力预测模型，为下一步进行膏体屈服应力预测提供了支持。
步骤S700：根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果；
具体而言，获得待检验膏体，并将所述待检验膏体置于所述图像采集环境，使用搅拌器对膏体进行搅拌，并进行图像采集。然后将所述图像采集结果输入所述膏体屈服应力预测模型中，输出待检验膏体的屈服应力预测结果。通过上述方法解决了传统机器学习预测膏体屈服应力的方法由于未能考虑到各个变量之间的关系，导致预测准确率低的问题，可以提高膏体屈服应力预测的准确率。
在一个实施例中，如图6所示提供了一种基于深度学习的膏体屈服应力预测系统的结构示意图，包括：图像采集环境设置模块1、膏体样品获得模块2、膏体搅动图像信息获得模块3、膏体屈服应力获得模块4、样本数据集构建模块5、膏体屈服应力预测模型获得模块6、屈服应力预测结果获得模块7、其中：
图像采集环境设置模块1，所述图像采集环境设置模块1用于根据图像采集要求设置膏体的图像采集环境；
膏体样品获得模块2，所述膏体样品获得模块2用于预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；
膏体搅动图像信息获得模块3，所述膏体搅动图像信息获得模块3用于将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；
膏体屈服应力获得模块4，所述膏体屈服应力获得模块4用于通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；
样本数据集构建模块5，所述样本数据集构建模块5用于基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；
膏体屈服应力预测模型获得模块6，所述膏体屈服应力预测模型获得模块6用于基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；
屈服应力预测结果获得模块7，所述屈服应力预测结果获得模块7用于根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果。
在一个实施例中，所述系统还包括：
环境参数获得模块，所述环境参数获得模块用于基于所述图像采集要求获得膏体图像采集的环境参数；
图像采集环境获得模块，所述图像采集环境获得模块用于根据所述环境参数进行图像采集环境设置，获得图像采集环境。
在一个实施例中，所述系统还包括：
图像帧截取模块，所述图像帧截取模块用于对所述N个膏体搅动图像信息进行图像帧截取，获得N个膏体截取图像集合；
图像裁剪模块，所述图像裁剪模块用于对所述N个膏体图像集合进行图像裁剪，获得4N个膏体子图像集合；
子图像集合获得模块，所述子图像集合获得模块用于根据所述N个膏体屈服应力对所述4N个膏体子图像集合进行标注，获得4N个标注膏体子图像集合；
样本数据集构建模块，所述样本数据集构建模块用于通过所述4N个标注膏体子图像集合构建样本数据集。
在一个实施例中，所述系统还包括：
膏体屈服应力预测模型模块，所述膏体屈服应力预测模型模块是指所述膏体屈服应力预测模型包括卷积特征子模型和时序特征子模型；
卷积特征子模型模块，所述卷积特征子模型模块用于基于CNN神经网络构建膏体屈服应力预测模型的卷积特征子模型，所述卷积特征子模型为全连接层融合模型，其中包括4个卷积特征模块，所述4个卷积特征模块具有参数共享的功能；
卷积特征模块，所述卷积特征模块是指所述卷积特征模块内嵌有Relu激活函数，其中包括输入层、卷积层和全连接层，所述卷积层后连接一层归一化层和一层池化层；
时序特征子模型模块，所述时序特征子模型模块用于基于LSTM神经网络构建时序特征子模型，所述时序特征子模型包括M层LSTM层，所述LSTM层的神经元个数为个，其中内嵌有Sigmoid激活函数。
在一个实施例中，所述系统还包括：
子模型添加模块，所述子模型添加模块用于分别在所述卷积特征子模型和所述时序特征子模型的输出层的激活函数前添加BN层，并在输出层之后添加一层输出分类层，其中所述输出层的神经元数量为1，神经元的激活函数为Sigmoid函数；
卷积时序特征混合模型获得模块，所述卷积时序特征混合模型获得模块用于并将添加所述BN层和所述输出分类层完成后的所述卷积特征子模型与所述时序特征子模型进行连接，获得卷积时序特征混合模型。
在一个实施例中，所述系统还包括：
信息获得模块，所述信息获得模块用于获得损失函数和评价标准；
损失函数计算公式模块，所述损失函数计算公式模块是指所述损失函数计算公式为：
；其中，NF为训练集图像的总个数，/>为训练集中输入数据的序号，/>，/>为训练集中第/>个数据对应的膏体屈服应力，/>为模型预测的第/>个数据的膏体屈服应力；
评价标准模块，所述评价标准模块是指所述评价标准为：
；其中，/>表示准确率，/>为测试集中被模型预测正确的数据个数，/>为测试集中数据个数的总数。
在一个实施例中，所述系统还包括：
训练规则设置模块，所述训练规则设置模块用于设置循环次数序号、训练轮次、批大小、初始学习率；
模型训练模块，所述模型训练模块用于将所述样本数据集输入所述卷积时序特征混合模型进行模型训练；
学习率更新模块，所述学习率更新模块用于利用Adam算法对每轮次的学习率进行更新，并通过梯度的矩来计算不同参数的自适应学习速率；
损失函数值获得模块，所述损失函数值获得模块用于利用compile函数对所述卷积时序特征混合模型进行编译，使用fit函数对所述卷积时序特征混合模型进行拟合，并根据所述损失函数获得损失函数值；
准确率获得模块，所述准确率获得模块用于利用evaluate函数对所述卷积时序特征混合模型进行评价，根据所述评价标准获得准确率。
在一个实施例中，所述系统还包括：
训练结果记录模块，所述训练结果记录模块用于记录每次循环轮次、批大小、学习率、损失函数值和准确率，并利用save函数对本次循环得到的模型进行保存；
信息获得模块，所述信息获得模块用于对记录结果进行遍历查找，获得最小损失函数值和最大准确率对应的循环次数；
膏体屈服应力预测模型获得模块，所述膏体屈服应力预测模型获得模块用于将所述循环次数对应的学习率作为最优学习率，将所述循环次数得到的模型作为所述膏体屈服应力预测模型。
综上所述，本申请提供了一种基于深度学习的膏体屈服应力预测方法及系统具有以下技术效果：
1.解决了传统机器学习预测膏体屈服应力的方法由于未能考虑到各个变量之间的关系，导致预测准确率低的问题，可以提高膏体屈服应力预测的准确率；
2.通过设置图像采集环境对膏体进行图像采集，可以减少外部光线的干扰，提高图像采集的质量，间接提高了模型拟合的效果；
3.通过将所述卷积特征子模型和所述时序特征子模型进行融合，可以为图像的分类提供更多有效信息，从而提高分类的准确率。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于深度学习的膏体屈服应力预测方法，其特征在于，所述方法包括：
根据图像采集要求设置膏体的图像采集环境；
预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；
将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；
通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；
基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；
基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；
根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果。
2.如权利要求1所述的方法，其特征在于，所述根据图像采集要求设置膏体的图像采集环境，具体包括：
基于所述图像采集要求获得膏体图像采集的环境参数；
根据所述环境参数进行图像采集环境设置，获得图像采集环境。
3.如权利要求1所述的方法，其特征在于，所述基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集，具体包括：
对所述N个膏体搅动图像信息进行图像帧截取，获得N个膏体截取图像集合；
对所述N个膏体图像集合进行图像裁剪，获得4N个膏体子图像集合；
根据所述N个膏体屈服应力对所述4N个膏体子图像集合进行标注，每一张图像标记一个标签，标签值为图像对应的屈服应力值，获得4N个标注膏体子图像集合；
通过所述4N个标注膏体子图像集合构建样本数据集。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
所述膏体屈服应力预测模型包括卷积特征子模型和时序特征子模型；
基于CNN神经网络构建膏体屈服应力预测模型的卷积特征子模型，所述卷积特征子模型为全连接层融合模型，其中包括4个卷积特征模块，所述4个卷积特征模块具有参数共享的功能；
所述卷积特征模块内嵌有Relu激活函数，其中包括输入层、卷积层和全连接层，所述卷积层后连接一层归一化层和一层池化层；
基于LSTM神经网络构建时序特征子模型，所述时序特征子模型包括M层LSTM层，所述LSTM层的神经元个数为个，其中内嵌有Sigmoid激活函数。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
分别在所述卷积特征子模型和所述时序特征子模型的输出层的激活函数前添加BN层，并在输出层之后添加一层输出分类层，其中所述输出层的神经元数量为1，神经元的激活函数为Sigmoid函数；
并将添加所述BN层和所述输出分类层完成后的所述卷积特征子模型与所述时序特征子模型进行连接，获得卷积时序特征混合模型。
6.如权利要求5所述的方法，其特征在于，所述方法包括：
获得损失函数和评价标准；
所述损失函数计算公式为：
；其中，NF为训练集图像的总个数，/>为训练集中输入数据的序号，/>，/>为训练集中第/>个数据对应的膏体屈服应力，/>为模型预测的第/>个数据的膏体屈服应力；
所述评价标准为：
；其中，/>表示准确率，/>为测试集中被模型预测正确的数据个数，/>为测试集中数据个数的总数。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
设置循环次数序号、训练轮次、批大小、初始学习率；
将所述样本数据集输入所述卷积时序特征混合模型进行模型训练；
利用Adam算法对每轮次的学习率进行更新，并通过梯度的矩来计算不同参数的自适应学习速率；
利用compile函数对所述卷积时序特征混合模型进行编译，使用fit函数对所述卷积时序特征混合模型进行拟合，并根据所述损失函数获得损失函数值；
利用evaluate函数对所述卷积时序特征混合模型进行评价，根据所述评价标准获得准确率。
8.如权利要求7所述的方法，其特征在于，所述方法还包括：
记录每次循环轮次、批大小、学习率、损失函数值和准确率，并利用save函数对本次循环得到的模型进行保存；
对记录结果进行遍历查找，获得最小损失函数值和最大准确率对应的循环次数；
将所述循环次数对应的学习率作为最优学习率，将所述循环次数得到的模型作为所述膏体屈服应力预测模型。
9.一种基于深度学习的膏体屈服应力预测系统，其特征在于，所述系统包括：
图像采集环境设置模块，所述图像采集环境设置模块用于根据图像采集要求设置膏体的图像采集环境；
膏体样品获得模块，所述膏体样品获得模块用于预设N个膏体配比方案，基于所述N个膏体配比方案进行膏体制作，获得N个膏体样品；
膏体搅动图像信息获得模块，所述膏体搅动图像信息获得模块用于将所述N个膏体样品依次置于所述图像采集环境进行搅动，并对搅动状态下的所述膏体样品按照预设采集节点进行图像采集，获得N个膏体搅动图像信息；
膏体屈服应力获得模块，所述膏体屈服应力获得模块用于通过测量仪对所述N个膏体样品进行屈服应力测量，获得N个膏体屈服应力，所述膏体屈服应力和膏体样品具有对应关系；
样本数据集构建模块，所述样本数据集构建模块用于基于所述N个膏体配比方案、N个膏体搅动图像信息和N个膏体屈服应力构建样本数据集；
膏体屈服应力预测模型获得模块，所述膏体屈服应力模型获得模块用于基于CNN神经网络和LSTM神经网络构建膏体屈服应力预测模型的网络结构，并通过所述样本数据集进行监督训练，获得膏体屈服应力预测模型；
屈服应力预测结果获得模块，所述屈服应力预测结果获得模块用于根据所述膏体屈服应力预测模型对待检验膏体进行屈服应力预测，获得待检验膏体的屈服应力预测结果。
CN202311650007.3A 2023-12-05 2023-12-05 一种基于深度学习的膏体屈服应力预测方法及系统 Active CN117371336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311650007.3A CN117371336B (zh) 2023-12-05 2023-12-05 一种基于深度学习的膏体屈服应力预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311650007.3A CN117371336B (zh) 2023-12-05 2023-12-05 一种基于深度学习的膏体屈服应力预测方法及系统

Publications (2)

Publication Number Publication Date
CN117371336A CN117371336A (zh) 2024-01-09
CN117371336B true CN117371336B (zh) 2024-02-02

Family

ID=89404454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311650007.3A Active CN117371336B (zh) 2023-12-05 2023-12-05 一种基于深度学习的膏体屈服应力预测方法及系统

Country Status (1)

Country Link
CN (1) CN117371336B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117637080B (zh) * 2024-01-26 2024-04-09 昆明理工大学 一种基于充填料浆差异性分析的屈服应力预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017178860A1 (en) * 2016-04-15 2017-10-19 Total Sa A method for determining a plasticity parameter of a hydrating cement paste
CN109598074A (zh) * 2018-12-07 2019-04-09 中国恩菲工程技术有限公司 膏体充填仿真分析方法与平台
CN113673180A (zh) * 2021-08-10 2021-11-19 北京科技大学 膏体充填长距离水平输送管道泄漏位置的快速计算方法
CN114936511A (zh) * 2022-04-11 2022-08-23 中南大学 一种基于数字孪生的尾砂膏体充填设计方法
CN117010266A (zh) * 2023-04-18 2023-11-07 北京科技大学 一种基于XGBoost模型的膏体屈服应力预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017178860A1 (en) * 2016-04-15 2017-10-19 Total Sa A method for determining a plasticity parameter of a hydrating cement paste
CN109598074A (zh) * 2018-12-07 2019-04-09 中国恩菲工程技术有限公司 膏体充填仿真分析方法与平台
CN113673180A (zh) * 2021-08-10 2021-11-19 北京科技大学 膏体充填长距离水平输送管道泄漏位置的快速计算方法
CN114936511A (zh) * 2022-04-11 2022-08-23 中南大学 一种基于数字孪生的尾砂膏体充填设计方法
CN117010266A (zh) * 2023-04-18 2023-11-07 北京科技大学 一种基于XGBoost模型的膏体屈服应力预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Rheology modelling of cement paste with manufactured sand and silica fume: Comparing suspension models with artificial neural network predictions";Leite Skare等;《Construction and Building Materials》;第317卷;126114 *
"基于膏体稳定系数的级配表征及屈服应力预测";程海勇 等;《工程科学学报》;第40卷(第10期);1168-1176 *

Also Published As

Publication number Publication date
CN117371336A (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
CN117371336B (zh) 一种基于深度学习的膏体屈服应力预测方法及系统
CN109033998B (zh) 基于注意力机制卷积神经网络的遥感影像地物标注方法
CN108564109B (zh) 一种基于深度学习的遥感图像目标检测方法
CN112183637B (zh) 一种基于神经网络的单光源场景光照重渲染方法及系统
CN110119753B (zh) 一种重构纹理识别岩性的方法
CN111428818A (zh) 基于神经通路激活状态的深度学习模型测试方法与装置
CN109902761B (zh) 一种基于海洋环境因子融合和深度学习的渔情预测方法
CN115587985A (zh) 组织病理图像细胞核分割以及染色风格规范化方法
CN113436060A (zh) 一种异源遥感图像风格迁移方法和装置
CN114782967B (zh) 一种基于代码可视化学习的软件缺陷预测方法
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
CN115497006B (zh) 基于动态混合策略的城区遥感图像变化深度监测方法及系统
CN111881030B (zh) 基于可理解特征变异的智能交通数据测试样本生成方法
CN115170418A (zh) 符合退化的低秩高维图像填充模型及其填充方法与系统
CN113435389B (zh) 基于图像特征深度学习的小球藻和金藻分类识别方法
CN115393731A (zh) 一种基于交互想定和深度学习生成虚拟云图的方法和系统
CN115019243A (zh) 基于改进YOLOv3的监控漂浮物轻量化目标检测方法及系统
CN110717960B (zh) 一种建筑垃圾遥感图像样本的生成方法
CN114708434A (zh) 基于迭代域内适应和自训练的跨域遥感图像语义分割方法
CN110991361B (zh) 面向高清高速视频的多通道多模态背景建模方法
CN113627480A (zh) 一种基于强化学习的极化sar影像分类方法
CN109934292B (zh) 基于代价敏感性辅助学习的不平衡极化sar地物分类方法
CN113065407A (zh) 基于注意力机制和生成对抗网络的财务票据印章擦除方法
Chen et al. Application of Convolutional Neural Networks to Shape Classification of Cloud Particles
CN114897835B (zh) 一种基于图像的煤炭产品灰分实时检测系统

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