[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

说明书

本发明提出了一种多解码器全卷积神经网络及其相应的细观结构识别方法，将该多解码器全卷积神经网络用于陶瓷基复合材料预制体XCT切片的语义分割，并确定了网络结构的初始化方法、类别平衡、训练方法等。本发明解决了不同解码器带来的特征图中边缘模糊或者内容信息丢失的问题，结合深度学习和语义分割任务提高细观结构识别的准确率，增强算法的鲁棒性。本发明提供的多解码器全卷积神经网络可以用于不同编织类型的陶瓷基复合材料预制体，包括2.5维编织、三维四向编织结构等全部类型，适用范围广，识别的细观结构包括纤维束（经纱和纬纱）、孔洞、基体。

技术领域

本发明属于陶瓷基复合材料预制体细观结构识别领域，具体涉及一种用于编织陶瓷基复合材料XCT切片语义分割的多解码器全卷积神经网络。

背景技术

陶瓷基复合材料(CMCs)复杂预制体的结构包括2.5D编织、三维四向编织等结构，其结构及预制体的细观组分决定了材料的力学性质及失效机制，在有限元分析模型中尽可能准确的考虑材料的内部真实结构已成为一种趋势。

XCT扫描是一种无损检测方法，可以在不破坏材料的基础上准确观测到材料内部的真实细观结构。将扫描出的陶瓷基复合材料预制体的一系列XCT切片进行细观结构识别，即识别出预制体的每一种细观结构包括纤维、基体、孔洞。在计算机识别领域，将图片的每一个像素赋予相应类别的技术称为语义分割。语义分割后，得到的图片中不同的颜色代表不同的类别，使得更好地快速了解预制体的内部结构，对复杂预制体准确建立三维模型具有重要意义。

对于2.5D编织结构一些学者通过Ostu最大阈值分割法对于2.5的编织结构XCT图片进行细观结构，并建立三维模型。如中国专利申请号为“201610838554.8”，发明名称为“一种复合材料细观结构的计算机图像识别技术和三维建模方法”的专利。该方法首先识别2.5D编织结构XCT图片基体部分，编号基体部分，利用基体左右对称性对其进行配对，选择基体合适的上下边界点进行边界拟合，基体上下之间的是经纱，左右之间是纬纱。然而，该方法由于对基体的识别采用了对称性，这就使得倘若切片中的基体部分只包括左半部分或者右半部分时，识别算法即失效。并且，其只是适用于2.5D结构，适用范围窄。

对于三维四向编织结构，一些学者根据预先设定的几何参数建立三维编织复合材料单胞理论模型，与经过阈值和去噪处理的XCT切片图进行计算比对，更改理论模型的预设值，通过优化算法得到最后的识别效果图。如中国专利申请号为“201810537212.1”，发明名称为“一种复合材料细观结构的计算机图像识别技术和三维建模方法”的专利。然而，在使用阈值分割的识别过程中，XCT图片中的不同细观结构的灰度变化范围是很大的，对于每一张切片寻找一个最优的阈值进行分割是困难的。并且，其识别方法只适用在三维结构中。

随着深度学习在物体识别和语义分割方面的成功以及数据集的不断增加，在计算机视觉领域深度学习中的卷积神经网络吸引了越来越多的人进行研究。

语义分割神经网络包括FCN、SegNet、U-Net等，以上网络均是单解码器全卷积神经网络。其中，FCN和U-Net是将深层与浅层的特征通道相连接，SegNet是将解码器部分的特征映射与编码器部分最大池化索引相结合来锐化物体边缘，得到具有浅层边缘和深层高级语义信息的特征图。然而，不管是深层与浅层的通道连接的解码器，还是采用池化索引方法的解码器，均会造成不同类型信息的丢失，不能最大保证信息的全面性。实验证明，将以上网络直接应用在陶瓷基复合材料复杂预制体的细观结构识别上得到的准确度是不理想的。

综上，目前的识别算法很多都是适用在某一种或者某一类的编织结构中，适用范围窄。并且，将深度学习卷积神经网络的内容应用在陶瓷基复合材料预制体的识别方面研究未见报道。因此，基于深度学习的陶瓷基复合材料复杂预制体XCT切片的语义分割需要进一步研究。

发明内容