[发明专利]一种基于知识引导CNN的小样本相似磨粒辨识方法

权利要求书

1.一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，包括以下步骤：

步骤一、根据磨粒生成机理，生成典型磨粒的特征标记图，基于U-Net模型实现磨粒高度图典型特征的自动提取；

步骤二、基于CNN基本框架，构建融合U-net网络输出的知识嵌入全卷积CNN网络，输出磨粒类别；具体步骤如下：

S1，全卷积CNN网络与U-Net网络共用第一和第二卷积层；

S2，第二卷积层输出特征图与U-Net网络的输出加权，增强特征图中的磨粒关键区域，如公式(1)所示；

公式(1)：

其中，A为卷积核输出特征图，B是U-Net网络输出特征分布概率图，m和n分别代表特征图的长度和宽度；

S3，采用Conv-BN-ReLU结构来创建剩余卷积层；

S4，采用两个全连接层来增强所构建的全卷积CNN网络解决非线性问题的能力；

S5，利用sigmoid函数作为全卷积神经网络输出层，搭建磨粒分类器；

步骤三、确定U-Net网络和全卷积CNN网络的损失函数，分别为Focal loss损失和二分类交叉熵损失，通过加权方式构建整体模型损失函数；

步骤四、以模型损失函数作为优化目标，不少于10组失效磨粒作为训练样本，采用随机梯度下降法SGD训练所构建的小样本相似磨粒CNN辨识模型，实现相似磨粒的辨识。

2.根据权利要求1所述的一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，

所述的步骤一，具体步骤如下：

S1，通过高度映射实现磨粒三维形貌的二维表征，用图像灰度反应磨粒形貌的变化；

S2，根据磨粒生成机理标记高度图中磨粒特征核心区域，构建磨粒特征标记图；

S3，U-Net特征提取网络：以VGG16模型为基础构建编码器；解码器的结构与编码器相对应，采用双线性差值对特征图进行上采样，上采样层后紧跟一个标准结构Conv-BN-ReLU，用于精细处理上采样的特征；模型输出层采用Sigmoid激活函数，将输出转化为关键区域的概率图，实现磨粒高度图典型特征的自动提取。

3.根据权利要求1所述的一种基于知识引导CNN的小样本相似磨粒辨识方法，其特征在于，

所述的步骤二，具体步骤如下：

S1，全卷积CNN网络与U-Net网络共用第一和第二卷积层；

S2，第二卷积层输出特征图与U-Net网络的输出加权，增强特征图中的磨粒关键区域，如公式(1)所示；

公式(1)：

其中，A为卷积核输出特征图，B是U-Net网络输出特征分布概率图，m和n分别代表特征图的长度和宽度；

S3，采用Conv-BN-ReLU结构来创建剩余卷积层；

S4，采用两个全连接层来增强所构建的全卷积CNN网络解决非线性问题的能力；

S5，利用sigmoid函数作为全卷积神经网络输出层，搭建磨粒分类器。