本发明涉及人工智能,具体涉及一种基于卷积神经网络的针状焦显微图检测的方法和装置。
背景技术:
1、针状焦(needle coke)是一种高质量的石油焦或煤焦,具有独特的针状结构。针状焦主要用于制造石墨电极,这些电极在钢铁冶炼和铝生产等领域具有广泛的应用。由于针状焦可以提高电极的热稳定性和导电性能,针状焦的晶体结构在制造石墨电极时具有重要意义,针状焦的显微结构对其性能有重要影响,因此对其显微结构进行分类具有实际意义。然而,在针状焦的生产过程中,可能会出现孔洞。这些孔洞可能是由原材料中的杂质、生产过程中的气体生成或其他因素导致的。针状焦孔洞的存在可能对其性能产生负面影响,例如降低石墨电极的强度、耐磨性和导电性能。
2、因此,提供一种基于卷积神经网络的针状焦显微图检测的方法和装置,以期能够对针状焦孔洞进行识别定位,以降低针状焦孔洞对针状焦的性能造成的负面影响,就成为本领域技术人员亟待解决的问题。
技术实现思路
1、为此,本发明实施例提供一种基于卷积神经网络的针状焦显微图检测的方法和装置,以期能够对针状焦孔洞进行识别定位,以降低针状焦孔洞对针状焦的性能造成的负面影响。
2、为了实现上述目的,本发明实施例提供如下技术方案:
3、本发明提供了一种基于卷积神经网络的针状焦显微图检测的方法,所述方法包括:
4、获取待识别图像,并对所述待识别图像进行预处理;
5、将预处理后的待识别图像划分为多个截图;
6、将所有截图输入预先训练的分类预测模型,以得到每张截图的分类结果;
7、其中,所述分类预测模型是基于卷积神经网络,利用显微图片样本和每个样本对应的标签进行训练得到的。
8、在一些实施例中,得到每张截图的分类结果,之后还包括:
9、计算每种分类结果的生成概率,并将所述分类结果以概率的形式输出。
10、在一些实施例中,计算每种分类结果的生成概率,之后还包括:
11、分别统计每张截图中目标结构的个数;
12、其中,所述目标结构包括镶嵌、大片、小片、短纤维、细纤维、粗纤维和孔洞中的至少一者。
13、在一些实施例中,得到每张截图的分类结果,之后还包括:
14、在所述分类结果为存在孔洞的情况下,确定所述分类结果对应的截图在所述待识别图像中的坐标位置,以实现孔洞定位。
15、在一些实施例中,基于卷积神经网络,利用显微图片样本和每个样本对应的标签进行训练,得到所述分类预测模型,具体包括:
16、获取显微图片样本,根据预先设定的标签类别,在每张所述显微图片样本上打标签,所述标签类别包括镶嵌、大片、小片、短纤维、细纤维、粗纤维和孔洞中的至少一者;
17、对带有标签的所述显微图片样本进行数据预处理,利用预处理后的所述显微图片样本构成数据集;
18、将所述数据集划分为训练集和验证集;
19、根据预先设定的训练参数,将所述训练集输入预先搭建的卷积神经网络进行训练,以得到所述分类预测模型。
20、在一些实施例中,根据预先设定的训练参数,将所述训练集输入预先搭建的卷积神经网络进行训练,以得到所述分类预测模型,之后还包括:
21、利用所述验证集对所述分类预测模型进行预设指标的评估;
22、其中,所述预设指标包括准确率、召回率和精确率中的至少一者。
23、在一些实施例中,预先搭建的卷积神经网络的网络结构包括:
24、卷积层,所述卷积层用于提取图像的局部特征,以得到特征图;
25、池化层,所述池化层用于降低所述特征图的空间维度;
26、全连接层,所述全连接层用于将多维特征向量转换为一维,将卷积层和输出层连接起来;
27、输出层,所述输出层用于输出分类预测结果。
28、本发明还提供了一种基于卷积神经网络的针状焦显微图检测的装置,所述装置包括:
29、图像采集单元,用于获取待识别图像,并对所述待识别图像进行预处理;
30、图像处理单元,用于将预处理后的待识别图像划分为多个截图;
31、结果生成单元,用于将所有截图输入预先训练的分类预测模型,以得到每张截图的分类结果;
32、其中,所述分类预测模型是基于卷积神经网络,利用显微图片样本和每个样本对应的标签进行训练得到的。
33、本发明还提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述方法的步骤。
34、本发明还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
35、本发明所提供的基于卷积神经网络的针状焦显微图检测的方法,通过获取待识别图像,并对所述待识别图像进行预处理,将预处理后的待识别图像划分为多个截图,将所有截图输入预先训练的分类预测模型,即可得到每张截图的分类结果;其中,所述分类预测模型是基于卷积神经网络,利用显微图片样本和每个样本对应的标签进行训练得到的。由于针状焦的显微结构对其性能有重要影响,本发明通过卷积神经网络可有效解决针状焦的显微结构分类问题,对针状焦广泛应用具有实际意义,针状焦孔洞的存在可能对其性能产生负面影响,本发明能够通过预先训练的分类预测模型准确识别针状焦孔洞,从而提升针状焦材料性能,降低了针状焦孔洞对针状焦的性能造成的负面影响。
1.一种基于卷积神经网络的针状焦显微图检测的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于卷积神经网络的针状焦显微图检测的方法,其特征在于,得到每张截图的分类结果,之后还包括:
3.根据权利要求2所述的基于卷积神经网络的针状焦显微图检测的方法,其特征在于,计算每种分类结果的生成概率,之后还包括:
4.根据权利要求1所述的基于卷积神经网络的针状焦显微图检测的方法,其特征在于,得到每张截图的分类结果,之后还包括:
5.根据权利要求1-4任一项所述的基于卷积神经网络的针状焦显微图检测的方法,其特征在于,基于卷积神经网络,利用显微图片样本和每个样本对应的标签进行训练,得到所述分类预测模型,具体包括:
6.根据权利要求5所述的基于卷积神经网络的针状焦显微图检测的方法,其特征在于,根据预先设定的训练参数,将所述训练集输入预先搭建的卷积神经网络进行训练,以得到所述分类预测模型,之后还包括:
7.根据权利要求5所述的基于卷积神经网络的针状焦显微图检测的方法,其特征在于,预先搭建的卷积神经网络的网络结构包括:
8.一种基于卷积神经网络的针状焦显微图检测的装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。