买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华中科技大学

摘要：本发明提供一种基于VAE的高保真骨料颗粒生成及评价方法，涉及骨料颗粒生成及评价领域。本发明从颗粒图像数据集的建立、颗粒图像数据集的标准化和归一化处理、变分自编码器VAE模型构建、颗粒二维图像的自定义训练生成等方面系统说明了基于VAE的高保真颗粒的生成方法；并引入重建误差和几何特征分布差异对生成图像定性与定量评估。使用本发明训练好的VAE模型，可以生成在训练集中不存在但仍然落在学习的概率分布内且匹配颗粒形态特征的全新颗粒。本发明克服了现有技术的不足，具有训练时间短、效率高、颗粒高保真、自适应能力强和评价有效等特点。

主权项：1.一种基于VAE的高保真骨料颗粒生成及评价方法，其特征在于，所述生成及评价方法包括以下步骤：S1、原始二维颗粒图像数据集的获取，包括利用采集设备对现有样本图像进行捕获、批量图像下载器在线采集图像、原始图像的传统数据增强；S2、将上述二维颗粒图像数据集进行标准化、归一化处理，包括颗粒识别分类与信息标注、数据集关键区域提取与转化；S3、基于步骤S2处理后的图像数据集，结合VAE网络架构，构建变分自编码器模型；所述构建变分自编码器模型包括：构建变分自编码器、构建变分自编码器损失函数；具体方法包括以下步骤：S3-1、构建变分自编码器：自编码器由编码器和解码器两部分组成，编码器接受骨料颗粒图像输入，并通过一系列操作将其转换为潜在向量表示，潜在变量捕捉了图像的关键特征；解码器接收该潜在向量表示，并通过一系列操作将其重构为原始输入图像；使用自定义层对输入进行采样，该层接受使用对数方差向量logσ2串联的均值向量μ作为输入，并对Nμi,σi2的元素进行采样，使得训练过程数值稳定性更好；定义编码器网络：将84×84×1的图像降采样为32×1的潜向量；对于图像输入，指定一个图像输入层，其输入大小与训练数据相匹配；对输入进行降采样，指定两个2-D卷积层和ReLU层；指定一个全连接层，其输出通道数是潜在通道数的两倍，输出均值和对数方差的连接向量；定义解码器网络：从32×1潜在向量重建84×84×1图像，指定一个特征输入层，其输入大小与潜在通道数相匹配，进行特征向量输入；使用自定义图层，将潜在输入投影并重塑为7×7×64阵列，设定定投影尺寸为7×7×64；指定两个转置卷积层和ReLU层，对输入进行高采样；在转置卷积层中加入一个3×3滤波器，输出大小为84×84×1的图像；S3-2、构建变分自编码器损失函数：假设z服从标准高斯分布，先验分布Px∣z是高斯的，即x∣z～Nμz,σz，则原始样本数据x的概率分布：Px＝∫zPxPx∣zdz求解Px等价于求解关于x最大对数似然：L＝∑xlogPx而logPx可变换为：logPx＝Lb+KLqz∣x∥Pz∣x其中，最大化Lb等价于最小化KL散度和最大化期望；最小化KL散度的目的是确保学习的均值和方差尽可能接近目正态分布的均值和方差； 最大化期望需要考虑式中qz∣x和logPx∣z；qz∣x可以利用编码器encoder的神经网络计算出均值与方差，并从中采样得到z；最大化logPx∣z可以利用解码器decoder的神经网络计算z的均值方差，均值越接近x，logPx∣z越大；S4、使用自定义训练循环训练构建好的变分自编码器模型，实现颗粒二维图像的生成；基于步骤S3构建的变分自编码器模型和步骤S2处理后的图像数据集，对VAE网络进行训练；根据不同的训练结果，调整模型相关参数，得到效果最优的变分自编码器模型，以生成多种类的高保真骨料颗粒；S5、基于定性和定量评估颗粒生成图像，所述生成图像评估包括：重建误差可视化和几何特征分布差异评估。

全文数据：

权利要求：

百度查询： 华中科技大学 一种基于VAE的高保真骨料颗粒生成及评价方法