[发明专利]基于残差网络的分子筛SEM图像分类方法和系统

说明书

本发明提供了一种基于残差网络的分子筛SEM图像分类方法和系统。分类方法包括如下的步骤：构建SEM图像样本库；基于经过类别标注的多个SEM图像的全部或其中一部分，构建SEM图像类别数据集；构建残差网络图像分类模型，并根据SEM图像类别数据集中的SEM图像对残差网络图像分类模型训练；以及利用训练后的残差网络图像分类训练模型对多个SEM图像和/或重新拍摄的分子筛SEM图像进行分类。本发明的一种基于残差网络的分子筛SEM图像分类方法和系统可以简单方便并且高准确性的对分子筛图像质量和形貌进行筛选分类。

技术领域

本发明涉及分子筛催化剂工艺改进领域，具体涉及一种基于残差网络(ResidualNetwork，残差神经网络)的分子筛SEM(Scanning Electron Microscope，扫描电子显微镜)图像分类方法和系统。

背景技术

在石油化工领域，对分子筛催化材料的需求在不断增加，通过分子筛的形貌类别指导分子筛颗粒粒径信息的测量，并进一步指导分子筛的合成过程，能够节省较大的时间和人力成本。

但是，在实际生产过程中获取的分子筛SEM图像往往会因为生产操作过程的不确定性而存在部分图像模糊的现象。并且，通常采用人工的手段对分子筛SEM图像所呈现的分子筛形貌进行分类。因此，现有的分子筛SEM图像筛选和分类的方式效率较低且容易出现人工误差。

发明内容

本发明要解决的技术问题是提供一种基于残差网络的分子筛SEM图像分类方法和系统，可以简单方便并且高准确性的对分子筛图像质量和形貌进行筛选分类。

为解决上述技术问题，本发明提供了一种基于残差网络的分子筛SEM图像分类方法，包括如下的步骤：构建SEM图像样本库，所述SEM图像样本库中包括多个SEM图像；基于经过类别标注的所述多个SEM图像的全部或其中一部分，构建SEM图像类别数据集；构建残差网络图像分类模型，并根据所述SEM图像类别数据集中的SEM图像对所述残差网络图像分类模型训练；以及利用训练后的残差网络图像分类训练模型对所述多个SEM图像和/或重新拍摄的分子筛SEM图像进行分类，其中，在对所述残差网络图像分类模型训练时，配置损失函数如下：

其中，t_ki为所述SEM图像类别数据集中的任一SEM图像k属于类别i的概率，y_ki为所述任一SEM图像k根据所述残差网络图像分类模型的分类结果属于类别i的概率，以及γ为用于调整所述任一SEM图像k偏重的指数系数。

在本发明的一实施例中，所述多个SEM图像的全部或其中一部分在经过所述类别标注之前，还经过预处理，所述预处理包括调整所述多个SEM图像的大小、色彩和/或摆放方式。

在本发明的一实施例中，所述类别标注包括在进行图像质量标注后进行分子筛形貌标注，其中，所述图像质量标注包括根据图像的清晰程度以及图像内容将待标注的SEM图像标注为清楚或不清楚，所述分子筛形貌标注包括将已标注图像质量的SEM图像标注为立方体、六棱柱和/或球体。

在本发明的一实施例中，在所述构建残差网络图像分类模型之前还包括将所述SEM图像类别数据集中的SEM图像分为训练集和测试集，在构建所述残差网络图像分类模型时，根据所述训练集中的SEM图像对所述残差网络图像分类模型训练，并通过所述测试集中的SEM图像对所述训练后的残差网络图像分类训练模型进行验证。

在本发明的一实施例中，所述残差网络图像分类模型包括残差网络特征提取网络。

在本发明的一实施例中，所述残差网络特征提取网络的根据隐藏层的层数确定网络结构。

在本发明的一实施例中，对所述残差网络图像分类模型训练包括设置训练参数，所述训练参数包括批量训练的大小、学习速率的大小、分类数目和/或权值衰减率。

在本发明的一实施例中，对所述残差网络图像分类模型训练包括采用随机梯度下降法对所述损失函数进行优化。