[发明专利]多解码器全卷积神经网络及其相应的细观结构识别方法

权利要求书

1.多解码器全卷积神经网络，其特征在于：由一个编码器网络和三个解码器网络组成；

所述编码器网络依次由五个编码器和一个用来压缩特征通道的1x1卷积层构成，前四个编码器均依次由两个卷积层和一个池化层构成，第五个编码器由两个卷积层构成，每个编码器的两个卷积层特征通道数目相同，每个编码器的第一个卷积层之后采用非线性处理，第二个卷积层之后采用批正则化和非线性处理，之后进行最大池化来缩小图片分辨率；

所述三个解码器网络分别为：最大池化索引解码器网络、通道连接解码器网络、通道融合解码器网络；

所述最大池化索引解码器网络依次由四个最大池化索引解码器构成，每个最大池化索引解码器均依次由一个上采样层和两个卷积层构成，每个最大池化索引解码器的两个卷积层特征通道不同；首先采用双线性上采样放大图片，并将编码器网络在池化过程中得到的池化索引与索引值赋予上采样特征通道的对应位置；在前三个最大池化索引解码器中，每个最大池化索引解码器第一个卷积层的数据来自于前一层上采样层得到的特征通道，之后采用非线性处理，第二个卷积层之后采用批正则化以及非线性处理；其中，第四个最大池化索引解码器卷积层之后仅采用非线性处理，其他操作与前三个最大池化索引解码器相同；

所述通道连接解码器网络依次由四个通道连接解码器构成，每个通道连接解码器均依次由一个反卷积层和两个卷积层构成，每个通道连接解码器的两个卷积层特征通道数目相同，与前四个编码器对称；首先采用反卷积放大图片，每个通道连接解码器第一个卷积层的数据来自于反卷积层放大后的特征通道以及编码器网络对称位置的特征通道，且来自编码器的特征通道使用1x1卷积进行通道压缩，然后将两者特征通道进行连接，并采用非线性处理；在前三个通道连接解码器中，每一个通道连接解码器最后一个卷积层采用批正则化和非线性处理；其中，第四个通道连接解码器卷积层之后仅采用非线性处理，其他操作与前三个通道连接解码器相同；

所述通道融合解码器网络依次由四个通道融合解码器构成，前三个通道融合解码器均依次由一个卷积层和一个反卷积层构成，第四个通道融合解码器由一个卷积层组成，每个卷积层和反卷积层之后均采用非线性处理，每个通道融合解码器的数据由每个最大池化索引解码器和每个通道连接解码器的最后一个卷积层特征通道融合而成，即对应通道相加，并采用1x1卷积将通道压缩为要分类的细观结构数目，然后和上一个通道融合解码器得到的特征通道相加。

2.基于如权利要求1所述的多解码器全卷积神经网络的语义分割的陶瓷基复合材料预制体的细观结构识别方法，其特征在于，包括以下步骤：

步骤一、构造用于训练陶瓷基复合材料的XCT图像数据集；

步骤二、对于语义分割数据集进行数据增强的预处理，使得图像数据集更加全面；

步骤三、使用不同的网络对不同编织结构的预制体进行语义分割；

步骤四、建立用于陶瓷基复合材料预制体语义分割的多解码器全卷积神经网络的网络模型，进行调试，确保模型可以正常运行；

步骤五、按照上述网络模型，在caffe神经网络框架中，构建多解码器全卷积神经网络；

步骤六、使用Adam随机梯度算法对多解码器全卷积神经网络进行训练，使用MSRA方法对神经网络的权重进行初始化，使用constant方法对神经网络的的偏置值进行初始化，训练完成后得到权重文件；

步骤七、根据每个像素的细观结构概率确定对应像素的类别，最后得到完整的语义分割图。

3.如权利要求2所述的语义分割的陶瓷基复合材料预制体的细观结构识别方法，其特征在于：所述步骤一中，采集一系列的陶瓷基复合材料复杂预制体的XCT切片和真值图，构造用于训练多解码器全卷积神经网络的语义分割数据集。

4.如权利要求2所述的语义分割的陶瓷基复合材料预制体的细观结构识别方法，其特征在于：所述步骤二中，数据增强预处理方式具体包括裁剪、缩放、旋转、亮度变化以及对比度增强。

5.如权利要求2所述的语义分割的陶瓷基复合材料预制体的细观结构识别方法，其特征在于：所述步骤三中，不同编织结构包括2.5D编织结构、三维四向编织结构。

6.如权利要求2所述的语义分割的陶瓷基复合材料预制体的细观结构识别方法，其特征在于：所述步骤五中，训练次数设定为30K次。