[发明专利]一种基于深度学习的材料显微图像与性能双向预测方法

权利要求书

1.一种基于深度学习的材料显微图像与性能双向预测方法，其特征在于步骤如下：

步骤1、构建卷积神经网络提取显微图像特征：

构建的网络都包含了卷积层，激活函数及池化层；假设某隐含层A中卷积核尺寸为r×s，得到特征图通道数为q，输入层A′的特征图大小为m×n×p，其中p为通道数；则卷积层操作描述为：

A＝f(W*A′+B)

其中，W∈R^q×(s×r×p)为权重，B∈R^s×r×p为偏置，*表示卷积操作，f(·)表示激活函数；经过卷积层后输入第k个特征图在空间位置(i,j)处的值的大小由公式计算得到：

使用ReLU函数进行非线性激活，采用卷积神经网络提取显微图像特征；

步骤2、构建卷积神经网络预测模型：

将得到的特征图平铺展开为一维向量x₁，该一维向量为卷积神经网络提取的图像特征；将成分、工艺以一维向量x₂的形式与x₁在维度上相连接得到新向量x₃，x₃的维度为x₁，x₂维度之和；x₃为卷积神经网络的第一个全连接层f₁，该连接层包含了图像特征及成分工艺特征；

本发明共有四个全连接层f₁，f₂，f₃，f₄；

根据训练集数据性能的差异将性能分为10类，通过Sigmiod函数激活和较差熵损失函数实现对性能的预测，交叉熵损失函数如下：

将数据集分成10份，采用交叉验证的方式提高预测准确率，以Adam优化算法进行梯度下降训练，设置early stop当验证集准确率连续下降时停止训练，得到训练好的预测模型，实现材料微结构到性能的预测；

步骤3、建立对抗神经网络实现性能到微结构反向预测：

采用步骤2得到的预测模型寻找预测准确率符合预设要求的材料微结构；

生成对抗网络GAN：

式中，G表示生成器；D表示判别器；V是定义的价值函数，代表判别器的判别性能；p_data(x)表示真实的数据分布；p_z(z)表示生成器的输入数据分布；E表示期望；

第一项是依据真实数据的对数函数损失而构建的；

第二项是相对生成器的生成数据；

GAN的训练过程为：

1)、从真实数据p_data(x)采样m个样本{x¹,x²,...,x^m}；

2)、从生成器的输入，即噪声数据p_z(z)采样m个样本

3)、将噪声样本投入到生成器中生成

4)、通过梯度上升的方法，极大化价值函数，更新判别器的参数；

5)、从生成器的输入，即噪声数据p_z(z)另外采样m个样本{z¹,z²,...,z^m}；

6)、将噪声样本{G(z¹),G(z²),...,G(z^m)}投入到生成器中生成{G(z¹),G(z²),...,G(z^m)}在GAN生成图像的基础上，使用前面预测模型对生成的图像性能进行预测。

2.根据权利要求1所述基于深度学习的材料显微图像与性能双向预测方法，其特征在于：所述步骤1时构建三个不同的网络是：VGGNet，ResNet，DensNet，以训练三个不同的网络对材料图像特征进行提取，进行预测，最终选择三者的交集作为预测的结果。