(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211134493.9 (22)申请日 2022.09.19 (71)申请人 济南大学 地址 250022 山东省济南市 市中区南 辛庄 西路336号 (72)发明人 王琳　袁健峰　韩瑞琪　吴旭　 杨波　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 黄海丽 (51)Int.Cl. G06T 7/00(2017.01) G06T 17/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 7/00(2006.01) (54)发明名称 一种水泥及其基材料元素含量非直接测度 方法和系统 (57)摘要 本发明公开了一种水泥及其基材料元素含 量非直接测度方法及系统； 其中所述方法， 包括： 采集检测对象的微观结构图像和元素面扫描图 像； 所述检测对象为水泥或水泥基材料； 使用采 集到的数据， 制作数据集； 构建神经网络， 并用数 据集对网络进行训练； 所述神经网络， 是一种针 对水泥的像素点或体素点级别的元素含量进行 预测的网络模型； 采集待测对象的微观结构数 据， 将待测对象的微观结构数据输入到训练后的 神经网络中， 得到初步预测结果； 对初步预测结 果进行采样， 得到待测对象对应的元素面扫描或 元素三维体的预测结果。 权利要求书3页 说明书13页 附图2页 CN 115409826 A 2022.11.29 CN 115409826 A 1.一种水泥及其基材 料元素含量非直接测度方法， 其特 征是， 包括： 采集检测对象的微观结构图像和元素面扫描图像； 所述检测对象为水泥或水泥基材 料； 使用采集到的数据， 制作数据集； 构建神经网络， 并用数据集对 网络进行训练； 所述神经网络， 是一种针对水泥的像素点 或体素点级别的元 素含量进行 预测的网络模型； 采集待测对象的微观结构数据， 将待测对象的微观结构数据输入到训练后的神经网络 中， 得到初步预测结果； 对初步预测结果进行采样， 得到待测对象对应的元 素面扫描或体扫描的预测结果。 2.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 采集 检测对象的微观结构图像和元 素面扫描图像， 包括： 获取水泥微观结构图像， 同时使用扫描电子显微镜结合EDS能谱分析仪获取相同位置 的水泥元 素面扫描图像； 其中， 获取水泥微观结构图像， 使用扫描电子显微镜、 断层扫描CT或者任何能获取到水 泥微观结构图像的仪器来获取。 3.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 所述 使用采集到的数据， 制作数据集， 包括： 按照马尔可夫随机场的原则和水泥微观结构各向同性的特性， 设计一个指定大小的滑 动窗口， 以水泥微观结构数据左上角第一个点为滑动窗口的初始中心点， 按照 从左到右且 从上到下 的顺序依 次滑动， 截取滑动窗口内的二维 图像或三维体， 作为第一个点对应的输 入数据， 第一个点对应的标签是在元素面扫描图像或三维体中， 与第一个像素点对应位置 的灰度值； 按照同样的方式， 遍历水泥微观结构数据 所有的点， 得到所有点的输入数据和标签， 得 到数据集。 4.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 所述 使用采集到的数据， 制作数据集， 对于不同的问题场景， 所述采集到的数据有着不同的指代 含义； 对于二维元素含量预测来说， 所述采集到的数据是指采集到的原始微观结构图像和 原始元素面扫描图像； 对于三维元素含量预测 来说， 所述采集到的数据是指三维微观结构 体和三维扫描体； 所述三维微观结构体是指， 将采集到的二维水泥微观结构图像按照层序， 在通道上依 次叠加， 得到一个包含水泥内部微观结构的三维微观结构体； 按照二维水泥微观结构图像 相同的叠加层序， 将对应的元 素面扫描图叠加， 得到水泥三维扫描体。 5.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 构建 神经网络， 并用数据集对网络进行训练， 包括： 构建神经网络， 所述神经网络， 包括依次连接的特 征提取模块和概 率建模模块； 神经网络构建完成后， 采用数据集， 选择对数似然损失函数， 利用反向传播来对神经网 络进行训练； 所述特征提取模块， 是指对所输入的水泥数据进行特征提取的神经网络， 所述特征提 取模块， 是全连接网络， 二 维卷积神经网络或三 维卷积神经网络任选其一， 对于二 维卷积神 经网络或三维卷积神经网络来说， 最后将得到的特 征图展开， 变成一维向量；权　利　要　求　书 1/3 页 2 CN 115409826 A 2所述概率建模模块， 是指一个包含多个并列全连接分支 的输出层， 每个全连接分支仅 有一个全连接层。 6.如权利要求5所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 所述 多个并列全连接分支的输出层， 具体构建步骤 包括： 选定核函数； 所述核函数， 包括但不限于高斯函数、 拉普拉斯函数等， 不同核函数包括 不同数量的参数， 每个核函数的参数数量记为N， 全连接分支的个数设为N+1； 其中， 核函数 的选择原则是基于在所求 解问题中， 目标问题所遵循的概 率分布的形式； 设置核函数的个数为M个， 每个全连接分支 的神经元个数也为M个； 第一个全连接分支 的输出结果是M个核函数的权重( α1， α2，…， αM)， 第二个全 连接分支的输出结果是所有M个核 函数的参数(parameter11， parameter21，…， parameterM1)， 依次类推， 第N+1个全连接分支的 输出结果是所有M个核函数的参数(parameter1N， parameter2N，…， parameterMN)。 7.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 采集 待测对象的微观结构数据， 将待测对 象的微观结构数据输入到训练后的神经网络中， 得到 初步预测结果， 包括： 采集待测对象的微观结构数据， 设计一个指定大小的滑动 窗口， 以水泥微观结构数据 左上角第一个点为滑动窗口的初始中心点， 按照 从左到右且从上到下 的顺序依 次滑动， 截 取滑动窗口内的二 维图像或三 维体， 作为第一个点对应的输入 数据， 同理， 获取到待测对象 的微观结构图像 每个点对应的输入数据； 将待测对象的微观结构数据每个点对应的输入数据， 送入到训练后的神经网络， 得到 预测结果； 所述预测结果是每 个点处所有 核函数的全部参数； 对每个点的所有M个核函数进行加权求和： 其中， 第i个核函数F(i)是由对应的参数parameteri1， parameteri2，…， parameteriN组 成的核函数； par ameteri1表示第i个核函数的第1个参数； parameteri2表示第i个核函数的 第2个参数； parameteriN表示第i个核函数的第N个参数； αi为第一个全连接分支所求取的第 i个核函数的权 重； 经过加权求和之后， 得到输入数据每个点处的混合函数F， 所述混合函数F表示当前点 处元素含量的概 率密度函数。 8.如权利要求1所述的一种水泥及其基材料元素含量非直接测度方法， 其特征是， 对初 步预测结果进行采样， 得到待测对象对应的元 素面扫描或体扫描的预测结果， 包括： 对每个点处的概 率密度函数进行采样， 得到在当前点处， 元 素含量的最大概 率值； 将每个点的元素含量的最大概率值按照相应的位置拼成矩阵， 得到待测对象对应的元 素面扫描或者 三维扫描体的预测结果。 9.一种水泥及其基材 料元素含量非直接测度系统， 其特 征是， 包括： 数据集制作模块， 其被配置为： 采集检测对象的微观结构图像和元素面扫描图像； 所述 检测对象为水泥或水泥基材 料； 使用采集到的数据， 制作数据集； 神经网络构建模块， 其被配置为： 构建神经网络， 并用数据集对网络进行训练； 所述神权　利　要　求　书 2/3 页 3 CN 115409826 A 3