[发明专利]一种卷积神经网络识别AFM图象预测材料性能的方法

说明书

本发明公开了一种卷积神经网络识别AFM图象预测材料性能的方法，使用AFM得到聚合物的相图，取得聚合物晶区与非晶区的分布信息，对图像进行预处理后使用卷积神经网络进行AFM相图的特征提取，得到对应的特征神经网络，使用该网络可以实现使用AFM相图预测聚合物材料的断裂伸长率。本发明解决了现有原子力显微镜对于复杂材料表面结构识别后，无法获取更多信息的问题，为实际场景中应用AFM预测更多材料力学特性提供了可能，且有助于进一步分析材料的相区分布对其力学性能的影响，本发明可以通过AFM相图快速预测材料的拉伸性能，可在材料工程领域广泛推广。

技术领域

本发明属于高分子材料技术与机器视觉深度学习交叉领域，尤其涉及一种卷积神经网络识别AFM图象预测材料性能的方法。

背景技术

聚合物材料的力学性能是在材料应用中极为重要的性能，如拉伸性能、断裂韧性、疲劳性能、冲击韧性等，也是生产制造过程中必须要考虑的因素，尤其是结构复杂的共聚物中，这些力学性能的指标更加多变。在实验室中，新的聚合物产品被合成出后，一般要通过原子力显微镜(AFM)人工观测其表面结构，再通过动态热机械分析DMA进行拉伸性能测试，验证其力学性能。

在通过人工观测AFM图象时会存在很大的局限性，一方面使用AFM很难定量给出具体的拉伸性能数值大小，而使用DMA测试的结果也很难解释其深层次的微观机理；另一方面观测AFM人员需要提前培训，一般要经验丰富的研究人员才可以从图像上读取更多的信息，而不同的研究人员在读取时也会产生不同的人为误差，准确度受主观影响较大，效率较为低下。

发明内容

本发明的目的在于针对传统AFM相图读取效率低、准确度差、局限性大且经验难以普及的问题，结合深度学习领域发展迅速的机器视觉技术进行人工智能识别，提供一种卷积神经网络识别AFM图象预测材料性能的方法。本发明可通过深度神经网络快速读取AFM图象的信息，准确预测材料相关力学性能。

本发明的目的是通过以下技术方案来实现的：一种卷积神经网络识别AFM图象预测材料性能的方法，利用机器学习的方法搭建并训练一个深度卷积神经网络，该网络通过AFM相图预测聚合物材料的力学性能。

进一步地，将合成的已知聚合物作为数据集的来源，通过DMA进行拉伸性能测试的结果作为数据集的标签，使用AFM采集的相图作为数据集的特征，使用数据集对深度卷积神经网络进行训练。

进一步地，将像素值归一化到[0，1]范围内来对数据集中的图像进行预处理。

进一步地，所述卷积神经网络使用Res-Net网络模型，通过残差学习建立跳过连接，加快训练速度。

进一步地，基于Res-Net网络模型，首先使用卷积层与最大池化层进行输入，并使用局部响应归一化确保先前的层识别各种模式，随后添加多个不同的残差单元，每个残差单元由两个卷积层组成且没有池化层；具有批量归一化和ReLU激活，使用n×n内核并保留空间维度。

本发明的有益效果是：

(1)本发明通过使用深度卷积神经网络对AFM图像进行识别，将图象的特征与对应材料的力学性能行进关联，属于材料科学与深度学习计算机视觉的交叉领域，借助深度学习的优势，可以有助于识别AFM图像中人眼难以观察出的规律，而材料的力学性能很有可能会取决于这些规律的特征，这进一步拓宽了AFM图象的应用场合，且有助于材料科学领域进一步研究材料相区分布与材料力学性能之间的关系；

(2)使用Res-Net残差卷积神经网络，卷积层和池化层可以较好的识别图像关键特征，在深层卷积过程中添加跳过链接，馈入层的信号也将添加到位于堆栈上方的层的输出中，该网络可以较好的解决模型越来越深而参数越来越少的问题，进而分析图象中的特征，找出规律并识别。除此之外在网络中加入dropout正则化技术减少数据特征，降低了模型自由度，进而减弱训练过程对于数据集的依赖，回避了大数据驱动技术与材料领域实验耗时数据较少之间的矛盾，该网络可以较好的分析AFM图象与对应材料的力学性能之间的联系。