本发明属于材料科学领域,特别涉及一种基于深度卷积对抗神经网络(dcgan)的多孔质材料三维重构方法。
背景技术:
多孔质气体静压轴承与传统的机械接触式轴承相比具有高精度、低振动、无污染及寿命长等特点,且近年来航空、半导体、生物工程、复合材料等工业的飞速发展的同时也对承载材料做超精密加工的轴承提出了更高的要求。而多孔质静压轴承恰能满足时代的要求,甚至被誉为21世纪最具发展前景的新型轴承。
多孔质气体静压轴承作为超精密机床的重要组成部分,其静动态特性一直是研究关注的重点。多孔质材料表面有成千上万个微小节流孔,使其在保证高刚度、高承载的同时还具有较高的稳定性,但孔的大数量及其不规则的分布也大大掣肘着学者对其理论模型的构造、结构和作用规律的研究。以往对于多孔质材料性能的研究过程中,我们往往将多孔质材料理想化成一个均质材料,忽略材料本身不均匀性导致的渗透率分布不均匀以及所体现出来的气膜间隙压力分布不均匀。因此,为了进一步探究多孔质气体静压轴承静、动态特性以及在超精密加工时的流场运动,我们必须将多孔质材料的真实特性考虑到仿真计算当中,以取代以往的理想化模型,从而获得更接近实际情况的模型与数据。
目前针对多孔质材料三维重构的研究有很多,大致可以分为三类,一类是基于拟合模型的分布,将多孔质材料用均匀分布的球、柱来拟合。这种重构方法实施起来简单,但是与真实情况差别大,在研究微流动方向等时无法使用该模型。而第二类方法则是基于概率的随机分布,采用随机分布的小球或柱体来拟合模型。相比第一种方法,此方法重构后的模型特征更加丰富,也具有一定的各向异性,但仍然与真实孔隙分布情况有较大差异。第三类则是基于ct扫描的方法,采用高精度微纳米ct对材料进行直接扫描并建立三维模型。因为多孔质材料自身特性,孔隙在1-10μm,因此这种方法对于设备要求太高,因此价格太高,重建一次的成本与实验要求严重不符。
技术实现要素:
本发明的目的在于克服现有技术的不足,提供一种基于sem电镜图像,结合深度卷积神经网络对抗神经网络(dcgan),进行三维重构,可以很好的用于各项如微流动方向等的研究,具有价格低廉、方法简便、使用快速等特点的基于深度卷积对抗神经网络的多孔质材料三维重构方法。
本发明的目的是通过以下技术方案来实现的:基于深度卷积对抗神经网络的多孔质材料三维重构方法,包括以下步骤:
s1、对选用的多孔质材料进行sem扫描获得表面图像;
s2、对获得的图像进行预处理,包括图像切割、二值化、去噪;
s3、将预处理好的图像导入dcgan网络进行对抗生成训练;
s4、由生成网络所生成的图像进行三维重构。
进一步地,所述步骤s1包括以下子步骤:
s11、用sem对选用的多孔质材料表面进行扫描拍照,获得材料表面图像,并将其保存为带有明暗信息的tiff格式;
s12、使用精密磨削方式,对扫描区域进行磨削,每磨削一定深度后利用步骤s11的方法进行扫描拍照,获得多层材料表面图像,建立训练数据库。
进一步地,所述步骤s2包括以下子步骤:
s21、对步骤s1获得的图像进行分割,以图像中心为原点建立坐标系,在任一象限中选取64像素的局部图像进行切割;
s22、对所切割的局部图像进行二值化处理,使图像中材料实体部分与孔隙部分分离,二值化处理的阈值为图像的亮度最大值与最小值的平均值;
s23、对二值化处理后的图像进行sigma滤波去噪,在去除噪声的同时保存孔隙边界的不规则形状。
进一步地,所述步骤s3包括以下子步骤:
s31、根据dcgan所需要的训练环境进行训练环境配置,在anaconda以及服务器上配置python3.6、pip、hdf5环境,使用独立显卡进行训练需要安装配置cuda安装包;
s32、在anaconda中调用dcgan的main函数并进行参数的设置,imagesize根据之前图像预处理设置为64,batchsize选用128,niter设置为1000,学习率设置为0.00001,生成网络中feature数目为64,识别网络中feature数目为16,初始噪音向量大小为512,设置好参数之后运行main函数进行训练生成;
s33、生成训练结束之后,生成器会在指定的生成目录下生成hdf5过渡文件,用后处理程序对生成图像进行格式转化为tiff文件,获得层与层之间的插值拟合图像。
进一步地,所述步骤s4包括以下子步骤:
s41、对第一层与第二层之间的生成图像按照深度信息自上而下进行排序,将中间层图像逐层拔模,形成一个有厚度的立体;所述拔模距离为扫面间距与生成图像数量的比值;
s42、对步骤s41形成的立体依次堆叠,再一次进行层与层间的布尔运算,使体与体之间形成一个整体;
s43、对其它所有间隙层重复步骤s41~s42的操作,最终实现多孔质材料三维重构。
本发明的有益效果是:本发明采用基于特征的重构方法,基于sem电镜图像,结合深度卷积神经网络对抗神经网络(dcgan),进行三维重构。相比传统方法,本发明生成的模型更加接近实体,可以很好的用于各项如微流动方向等的研究,同时还具有价格低廉、方法简便、使用快速等特点。
附图说明
图1为本发明的多孔质材料三维重构方法的流程图;
图2为本实施例获取的扫描图像;
图3为本实施例的训练生成的中间层;
图4为本本实施例得到的重构模型。
具体实施方式
本发明采用基于特征的重构方法,基于sem电镜图像,结合深度卷积神经网络对抗神经网络(dcgan),进行三维重构。相比传统方法,人工智能生成的模型更加接近实体,可很好的用于各项如微流动方向等的研究,同时还具有价格低廉、方法简便、使用快速等特点。
dcgan(deepconvolutionalgenerativeadversarialnetworks),即深度卷积生成对抗网络。其实是在gan的原理基础上做的一系列优化和改进。首先对gan的原理进行说明——gan是由iangoodfellow于2014年在其论文中提出的,模型包括两个神经网络,g(generator,生成)网络和d(discriminator,判别)网络。当输入为图片时,g网络实质上是一个生成图片的网络,它接收一个随机的噪声信号z,通过这个噪声生成图片,即g(z);d则是一个判别网络,它的作用是判别一张图片是否“真实”,判断输入源自真实样本图像还是源自g网络。gan最终输出实质上是g网络生成的,成功欺骗了d网络的“伪图像”。在用gan进行训练的过程中,生成网络的目的是尽量生成真实的图片欺骗判别网络,而判别网络的目的则是尽量把g生成的图片和真实的图片分辨出来。这样,g和d构成了一个互相影响、互相对抗,直至收敛的一个闭环过程。
dcgan采用gan的原理,只是用了两个cnn(convolutionalneutralnetwork,卷积神经网络)来替代gan中的g网络和d网络,相比gan而言极大的提升了新联的稳定性及生成结果质量。dcgan对于gan的改变在于:
(1)取消所有的池化层,生成器g网络中使用反卷积层进行上采样,识别器d网络中加入带步幅(stridedconvolutions)的卷积代替池化层(pooling);
(2)生成器g和识别器d中均使用批量归一化(batchnormalization);
(3)去掉全连接层,使网络变为全卷积网络;
(4)生成器g网络中使用relu(rectifiedlinearunit)作为激活函数,最后一层使用双切正切函数(tanh);
(5)识别器d网络中使用leakyrelu(leakyrectifiedlinearunit)作为激活函数,最后一层使用softmax。
下面结合附图进一步说明本发明的技术方案。
如图1所示,本发明的一种基于深度卷积对抗神经网络的多孔质材料三维重构方法包括以下步骤:
s1、对选用的多孔质材料进行sem扫描获得表面图像;具体包括以下子步骤:
s11、用sem对选用的多孔质材料表面进行扫描拍照,获得材料表面图像,并将其保存为带有明暗信息的tiff格式;
s12、使用精密磨削方式,对扫描区域进行磨削,每磨削一定深度后(例如1mm,磨削深度可由操作人员自行定义)利用步骤s11的方法进行扫描拍照,获得多层材料表面图像,如图2所示,然后建立训练数据库。
s2、对获得的图像进行预处理,包括图像切割、二值化、去噪;具体包括以下子步骤:
s21、对步骤s1获得的图像进行分割,以图像中心为原点建立坐标系,在任一象限中选取64像素的局部图像进行切割;
s22、对所切割的局部图像进行二值化处理,使图像中材料实体部分与孔隙部分分离,二值化处理的阈值为图像的亮度最大值与最小值的平均值;
s23、对二值化处理后的图像进行sigma滤波去噪,在去除噪声的同时保存孔隙边界的不规则形状。
s3、将预处理好的图像导入dcgan网络进行对抗生成训练;包括以下子步骤:
s31、根据dcgan所需要的训练环境进行训练环境配置,在anaconda以及服务器上配置python3.6、pip、hdf5环境,使用独立显卡进行训练需要安装配置cuda安装包;
s32、在anaconda中调用dcgan的main函数并进行参数的设置,imagesize根据之前图像预处理设置为64,batchsize选用128,niter设置为1000,学习率设置为0.00001,生成网络中feature数目为64,识别网络中feature数目为16,初始噪音向量大小为512,设置好参数之后运行main函数进行训练生成;
s33、生成训练结束之后,生成器会在指定的生成目录下生成hdf5过渡文件,用后处理程序对生成图像进行格式转化为tiff文件,获得层与层之间的插值拟合图像,如图3所示。
s4、由生成网络所生成的图像进行三维重构;包括以下子步骤:
s41、对第一层与第二层之间的生成图像按照深度信息自上而下进行排序,将中间层图像逐层拔模,形成一个有厚度的立体;所述拔模距离为扫面间距与生成图像数量的比值;
s42、对步骤s41形成的立体依次堆叠,再一次进行层与层间的布尔运算,使体与体之间形成一个整体;
s43、对其它所有间隙层重复步骤s41~s42的操作,最终实现多孔质材料三维重构。
图4为本实施例得到的重构模型,其中,图4(a)为拔模后实体与切片图模型,图4(b)为x-y面拔模后得到的实体;图4(c)y-z面拔模厚度h;图4(d)最终得到的实体。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。