[发明专利]一种晶体生长预测方法及装置

权利要求书

1.一种晶体生长预测方法，其特征在于，包括：

获取若干待预测的晶体生长的热场图；

根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；

根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；

根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据；

其中，根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征之前，所述方法还包括：

获取若干晶体生长的热场图，作为训练集数据；

对所述训练集数据采用五折交叉验证方法，训练卷积神经网络模型，得到所述训练好的卷积神经网络模型；

其中，获取若干晶体生长的热场图，作为训练集数据，具体包括：

采用模拟软件，获得晶体生长过程的热场变化视频；

根据预设时间间隔，从所述视频中截取若干热场图，作为训练集数据；

其中，获取晶体生长的训练集数据，具体包括：

分别获取晶体生长的热场图与应力分布图；

将获得的相应时刻的热场图与应力分布图合并为热场应力分布图，作为训练集数据。

2.根据权利要求1所述的方法，其特征在于，所述预先训练好的长短期记忆网络模型通过以下方式获得：

根据训练过程中卷积神经网络模型输出的图片特征，以及所述训练集数据，训练长短期记忆网络模型，得到所述训练好的长短期记忆网络模型。

3.根据权利要求1所述的方法，其特征在于，采用模拟软件，获得晶体生长过程的热场变化视频，具体包括：

以晶体所在的反应炉的轴心为中心线，确定穿过所述中心线的纵剖面；

采用模拟软件，获得晶体生长过程中在所述纵剖面的热场变化视频。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型包括三个卷积层、三个池化层、两个全连接层，其中，卷积核设置为5×5，步长为1，采用的激活函数为LeakyReLU，采用的梯度下降的优化函数为Adam。

5.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络模型的优化器为Adam，学习率为0.001。

6.根据权利要求1所述的方法，其特征在于，所述预设时间段为0.1小时；

获取若干待预测的晶体生长的热场图，具体包括：

根据晶体生长的时间顺序，获取连续10张晶体生长的热场图。

7.一种晶体生长预测装置，其特征在于，包括：

获取模块，用于获取若干待预测的晶体生长的热场图；

提取模块，用于根据预先训练好的卷积神经网络模型，提取待预测的热场图的图片特征；

预测模块，用于根据提取出的图片特征以及预先训练好的长短期记忆网络模型，预测预设时间段后晶体生长的热场图的图片特征；

确定模块，用于根据所述预设时间段后晶体生长的热场图的图片特征，得到以下一项或多项：晶体生长的热场分布数据、晶体形状变化数据、晶体的应力分布数据；

其中，所述装置还能够：

获取若干晶体生长的热场图，作为训练集数据；

对所述训练集数据采用五折交叉验证方法，训练卷积神经网络模型，得到所述训练好的卷积神经网络模型；

其中，所述装置具体还能够：

采用模拟软件，获得晶体生长过程的热场变化视频；

根据预设时间间隔，从所述视频中截取若干热场图，作为训练集数据；

其中，所述装置具体还能够：

分别获取晶体生长的热场图与应力分布图；

将获得的相应时刻的热场图与应力分布图合并为热场应力分布图，作为训练集数据。