[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

摘要

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。

主权项

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。