本發(fā)明屬于計(jì)算力學(xué)領(lǐng)域，具體涉及一種基于生成對(duì)抗網(wǎng)絡(luò)的重疊顆粒分割與級(jí)配預(yù)測(cè)技術(shù)。

背景技術(shù)：

1、顆粒材料廣泛應(yīng)用于建筑工程、地質(zhì)勘探、材料制造等領(lǐng)域，其力學(xué)性能和物理特性在很大程度上取決于顆粒的分布、形狀及排列方式。顆粒級(jí)配是描述顆粒尺寸分布特性的重要指標(biāo)，直接影響材料的強(qiáng)度、穩(wěn)定性、滲透性和密實(shí)度等關(guān)鍵性能。通過(guò)研究顆粒的級(jí)配特性，可以為工程設(shè)計(jì)、材料配比優(yōu)化以及顆粒材料在復(fù)雜力學(xué)行為中的應(yīng)用提供理論支持。因此，顆粒級(jí)配的準(zhǔn)確測(cè)量與定量分析，不僅具有重要的科學(xué)研究?jī)r(jià)值，也對(duì)實(shí)際工程中的材料應(yīng)用具有深遠(yuǎn)的影響。

2、傳統(tǒng)的顆粒級(jí)配分析方法主要依賴實(shí)驗(yàn)篩分法、光學(xué)顯微成像以及x射線斷層掃描等技術(shù)。然而，這些方法存在一定局限性：實(shí)驗(yàn)篩分法通常效率較低，且無(wú)法應(yīng)對(duì)微觀顆粒的復(fù)雜特性；基于圖像處理的算法在處理顆粒形狀不規(guī)則或相互重疊的情況下，往往難以精準(zhǔn)分割和測(cè)量。具體而言，當(dāng)顆粒數(shù)量龐大時(shí)，傳統(tǒng)的級(jí)配分析方法工作量繁重、效率低下，且在微小粒子的檢測(cè)上表現(xiàn)不佳；而在顆粒間發(fā)生重疊時(shí)，常規(guī)的圖像處理算法又難以準(zhǔn)確識(shí)別每個(gè)顆粒的獨(dú)立輪廓，從而影響顆粒的尺寸測(cè)量和級(jí)配精度。

3、近年來(lái)，深度學(xué)習(xí)技術(shù)在圖像分割領(lǐng)域取得了顯著進(jìn)展，在顆粒分割與級(jí)配預(yù)測(cè)的應(yīng)用中更是進(jìn)展喜人。盡管深度學(xué)習(xí)模型能夠處理復(fù)雜的顆粒集合，但其訓(xùn)練過(guò)程對(duì)數(shù)據(jù)依賴性較強(qiáng)，在處理顆粒重疊問(wèn)題時(shí)，現(xiàn)有方法尚不能提供有效解決方案。國(guó)內(nèi)外研究人員為此提出了多種改進(jìn)方法，如基于多視圖圖像重建的三維顆粒建模技術(shù)和結(jié)合機(jī)器學(xué)習(xí)的自動(dòng)顆粒分割算法等。然而，這些研究大多集中于單一場(chǎng)景中的顆粒分析，缺乏對(duì)重疊顆粒分割與級(jí)配預(yù)測(cè)的系統(tǒng)性探討，尤其在面對(duì)高復(fù)雜度顆粒集合時(shí)，現(xiàn)有方法在精度和效率上仍存在較大不足。因此，亟需開(kāi)發(fā)一種新的方法，進(jìn)一步提升重疊顆粒分割與級(jí)配預(yù)測(cè)的自動(dòng)化水平和準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于生成對(duì)抗網(wǎng)絡(luò)的重疊顆粒分割與級(jí)配預(yù)測(cè)技術(shù)，本方法通過(guò)生成對(duì)抗網(wǎng)絡(luò)(gan)模型，特別是采用pix2pix架構(gòu)，利用生成器和判別器的相互博弈，學(xué)習(xí)重疊顆粒圖像與其散開(kāi)后圖像之間的特征映射關(guān)系；最終利用提取到的顆粒信息，準(zhǔn)確預(yù)測(cè)顆粒的級(jí)配特性，進(jìn)而為顆粒材料在工程應(yīng)用中的優(yōu)化配比及力學(xué)性能分析提供可靠支持。通過(guò)該技術(shù)，不僅能夠顯著提高顆粒分割的準(zhǔn)確性，還為處理復(fù)雜顆粒集體的分析提供了一種高效、精準(zhǔn)的方法。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明采用如下技術(shù)方案：一種基于生成對(duì)抗網(wǎng)絡(luò)的重疊顆粒分割與級(jí)配預(yù)測(cè)技術(shù)，包括以下步驟：

3、s1：根據(jù)重疊顆粒材料的特征，在離散元仿真軟件中預(yù)設(shè)顆粒材料的級(jí)配、孔隙率及顆粒間接觸類型等參數(shù)，生成散開(kāi)平衡狀態(tài)的顆粒集合試樣m，在顆粒集合試樣m生成過(guò)程中，顆粒材料從互相重疊的狀態(tài)逐漸向散開(kāi)平衡狀態(tài)過(guò)渡，最終生成的顆粒集合試樣m為平衡狀態(tài)。

4、優(yōu)選的，步驟s1中生成的顆粒集合試樣m中的顆粒為標(biāo)準(zhǔn)圓形顆粒。

5、s2：自離散元仿真軟件中導(dǎo)出平衡狀態(tài)集合試樣m中所有顆粒的大小和位置信息，并保存為.txt文件；隨后，在visual?studio?code中使用matplotlib重構(gòu)顆粒模型，計(jì)算原始顆粒的級(jí)配分布信息a1，并進(jìn)行保存。

6、優(yōu)選的，步驟s2中通過(guò)ball.pos.x(bp)、ball.pos.y(bp)及ball.radius(bp)函數(shù)獲取顆粒集合試樣m中所有顆粒的圓心坐標(biāo)和半徑信息，并將數(shù)據(jù)導(dǎo)出為.txt文件。

7、s3：按預(yù)設(shè)時(shí)間間隔對(duì)s1中顆粒集合試樣m自重疊至散開(kāi)的生成過(guò)程保存圖像并輸出，其中顆粒集合試樣m重疊狀態(tài)的圖像集合為d1，顆粒集合試樣m散開(kāi)狀態(tài)的圖像集合為d2。

8、優(yōu)選的，步驟s3中預(yù)設(shè)的時(shí)間間隔為700ms-1500ms，圖像類型為.png格式，生成的重疊狀態(tài)的圖像集合d1和散開(kāi)狀態(tài)的圖像集合d2分開(kāi)儲(chǔ)存。

9、s4：對(duì)d1和d2中的圖像進(jìn)行篩選、裁切處理，使圖片大小一致，對(duì)重疊狀態(tài)的顆粒圖像集合d1和散開(kāi)狀態(tài)的顆粒圖像集合d2進(jìn)行一一配對(duì)，形成配對(duì)圖像集合d3，自d3中按比例構(gòu)建訓(xùn)練數(shù)據(jù)集t1和測(cè)試數(shù)據(jù)集t2。

10、優(yōu)選的，步驟s4中訓(xùn)練數(shù)據(jù)集t1中保留n個(gè)的生成過(guò)程中一一配對(duì)的重疊狀態(tài)的圖像和散開(kāi)狀態(tài)的圖像，其中每個(gè)生成過(guò)程保留重疊狀態(tài)的圖像m張和散開(kāi)狀態(tài)的圖像m張，其中n≥20。測(cè)試數(shù)據(jù)集t2中保留k個(gè)生成過(guò)程中一一配對(duì)的重疊狀態(tài)的圖像和散開(kāi)狀態(tài)的圖像，其中每個(gè)生成過(guò)程保留隨機(jī)抽取的重疊狀態(tài)的圖像1張和散開(kāi)狀態(tài)的圖像1張，其中k≥10；所述訓(xùn)練數(shù)據(jù)集t1和測(cè)試數(shù)據(jù)集t2中的圖像數(shù)量比例為20:1-50:1。

11、s5：使用生成對(duì)抗網(wǎng)絡(luò)深度學(xué)習(xí)模型中的pix2pix模型對(duì)s4中的訓(xùn)練數(shù)據(jù)集t1進(jìn)行訓(xùn)練，使模型學(xué)習(xí)顆粒集合試樣m從重疊狀態(tài)到散開(kāi)狀態(tài)的圖像特征關(guān)系，并得到學(xué)習(xí)模型h。

12、優(yōu)選的，步驟s5中使用的pix2pix對(duì)抗生成網(wǎng)絡(luò)主要由生成器g與判別器d兩部分構(gòu)成，生成器g負(fù)責(zé)將輸入的重疊顆粒圖像轉(zhuǎn)換為散開(kāi)顆粒圖像，通過(guò)學(xué)習(xí)輸入圖像與目標(biāo)圖像之間的映射關(guān)系，生成與目標(biāo)圖像相似的輸出；判別器d則用于判斷生成器g生成的圖像與真實(shí)圖像之間的差異，通過(guò)對(duì)抗訓(xùn)練機(jī)制提高生成器g的輸出質(zhì)量。

13、其中pix2pix對(duì)抗生成網(wǎng)絡(luò)的損失函數(shù)由生成損失lg和判別損失ld共同組成，其具體定義如下：(a)對(duì)抗損失lcgan：對(duì)抗損失是條件生成對(duì)抗網(wǎng)絡(luò)(cgan)的核心部分，生成器g通過(guò)最小化對(duì)抗損失來(lái)生成盡可能真實(shí)的散開(kāi)顆粒圖像，而判別器d則通過(guò)最大化對(duì)抗損失來(lái)區(qū)分生成圖像與真實(shí)圖像，對(duì)抗損失lcgan由公式(1)計(jì)算得到，

14、lcgan(g,d)＝ex[-logd(x,g(x))]?????????(1)，

15、其中，x表示輸入的重疊顆粒圖像，g(x)表示生成器根據(jù)x生成的散開(kāi)顆粒圖像,d(x,g(x))表示判別器對(duì)輸入x與生成圖像g(x)為真實(shí)圖像的判斷概率；

16、(b)l1損失：為提升生成圖像與真實(shí)圖像在像素層面的相似性，引入l1損失，其計(jì)算如公式(2)如下：

17、ll1(g)＝ex,y[y-g(x)1]????????(2),

18、其中，y表示真實(shí)的散開(kāi)顆粒圖像，y-g(x)1表示生成圖像g(x)和真實(shí)目標(biāo)圖像y之間的絕對(duì)值誤差；

19、(c)生成器的總損失函數(shù)lg：生成器的總損失函數(shù)lg是對(duì)抗損失lcgan和l1損失的加權(quán)和，由公式(3)計(jì)算得到：

20、lg＝lcgan(g,d)+λll1(g)?????????????????(3),

21、其中，λ是超參數(shù)，用于平衡對(duì)抗損失和l1損失的權(quán)重；

22、(d)判別器的損失函數(shù)ld：

23、ld＝ex,y[-logd(x,y)]+ex[-log(1-d(x,g(x)))]??????????????(4),

24、其中，x表示輸入的重疊顆粒圖像，y表示真實(shí)的散開(kāi)顆粒圖像，g(x)表示生成器根據(jù)x生成的散開(kāi)顆粒圖像,d(x,y)表示判別器對(duì)輸入x與真實(shí)目標(biāo)y為真實(shí)圖像的判斷概率,d(x,g(x))表示判別器對(duì)輸入x與生成圖像g(x)為真實(shí)圖像的判斷概率。

25、s6：以生成圖像效果為指標(biāo)篩選權(quán)重文件d4，并在模型測(cè)試程序中調(diào)取并運(yùn)行權(quán)重文件d4，對(duì)測(cè)試數(shù)據(jù)集t2中重疊狀態(tài)的顆粒圖像d5進(jìn)行處理，生成散開(kāi)狀態(tài)的顆粒圖像d6。

26、s7：制定散開(kāi)狀態(tài)顆粒圖像的判定標(biāo)準(zhǔn)，并依據(jù)該判定標(biāo)準(zhǔn)判定s7中生成的散開(kāi)狀態(tài)的顆粒圖像d6是否符合判定標(biāo)準(zhǔn)；符合判定標(biāo)準(zhǔn)時(shí)，將散開(kāi)狀態(tài)的顆粒圖像d6保存，不符合判定標(biāo)準(zhǔn)時(shí)，返回步驟s5中進(jìn)行學(xué)習(xí)模型h的重新訓(xùn)練，直至散開(kāi)狀態(tài)的顆粒圖像d6符合判定標(biāo)準(zhǔn)。

27、s8：在visual?studio?code代碼編輯器中使用python程序環(huán)境對(duì)s7中滿足判定標(biāo)準(zhǔn)的散開(kāi)狀態(tài)的顆粒圖像d6進(jìn)行灰度化和二值化預(yù)處理，得到二值化后的顆粒圖像d7。

28、s9：使用segmentanything?model圖像分割模型對(duì)二值化后的顆粒圖像d7進(jìn)行分割訓(xùn)練，分割出來(lái)每個(gè)顆粒的邊界輪廓，生成分割后的圖像d8。

29、優(yōu)選的，步驟s9中的segment?anything?model模型的架構(gòu)包含三個(gè)部分：圖像編碼器(image?encoder)、提示編碼器(prompt?encoder)和掩碼解碼器(mask?decoder)，

30、其中：圖像編碼器：利用vit(vision?transformer)將輸入圖像轉(zhuǎn)化為一系列特征向量；提示編碼器：通過(guò)多層感知機(jī)(mlp)將用戶提供的提示(如點(diǎn)、框或文本)編碼為提示向量；掩碼解碼器：結(jié)合圖像特征向量與提示向量，通過(guò)另一組mlp生成每個(gè)像素的掩碼概率，實(shí)現(xiàn)精準(zhǔn)分割。

31、s10：在visual?studio?code代碼編輯器中使用opencv機(jī)器學(xué)習(xí)庫(kù)對(duì)分割后的圖像d8進(jìn)行輪廓特征信息提取，并保存提取到的顆粒級(jí)配分布信息a2。

32、優(yōu)選的，步驟s10中對(duì)分割后的圖像d5中顆粒進(jìn)行輪廓特征提取的方式，通過(guò)opencv中的findcountours()函數(shù)、minenclosingcircle()函數(shù)和circle()函數(shù)實(shí)現(xiàn)。其中：indcontours()函數(shù)用于檢測(cè)圖像d5中的所有顆粒輪廓，并返回輪廓的點(diǎn)集；

33、minenclosingcircle()函數(shù)用于計(jì)算每個(gè)輪廓的最小外接圓，幫助確定顆粒的圓形度以及其尺寸信息；circle()函數(shù)則用于在原圖上繪制最小外接圓，以便直觀顯示顆粒的邊界。

34、s11：匯總原始顆粒的級(jí)配分布信息a1和提取到的顆粒級(jí)配分布信息a2兩組級(jí)配信息，在visual?studio?code代碼編輯器將兩條曲線縮放到同一坐標(biāo)比例體系下進(jìn)行繪制，得到顆粒原始的級(jí)配曲線b1和顆粒預(yù)測(cè)的級(jí)配曲線b2的對(duì)比圖像，比較兩條曲線的重合度，并分析預(yù)測(cè)誤差。

35、優(yōu)選的，步驟s11中在visual?studio?code代碼編輯器將兩條曲線縮放到同一坐標(biāo)比例體系下進(jìn)行繪制的方法為：將提取到的顆粒級(jí)配分布信息a2中的顆粒粒徑數(shù)據(jù)，即橫坐標(biāo)上的數(shù)據(jù)，進(jìn)行線性縮放，使其粒徑值與原始顆粒的級(jí)配分布信息a1的粒徑值保持在同一尺度上，從而便于進(jìn)行對(duì)比分析。

36、具體的線性縮放方法為：設(shè)a2中的顆粒原始半徑為r，其所顆粒粒徑數(shù)據(jù)在的原始范圍為[rmin,rmax]，將r映射到新的范圍[a，b]，則線性縮放的計(jì)算為公式(5)：

37、

38、其中，rscaled是映射后的數(shù)據(jù)值，rmax和rmin分別是原始數(shù)據(jù)的最小值和最大值，a和b分別是目標(biāo)范圍的最小值和最大值，r是原始數(shù)據(jù)中的每個(gè)粒徑數(shù)據(jù)值。

39、s12：制定誤差標(biāo)準(zhǔn)，并依據(jù)該誤差標(biāo)準(zhǔn)判定生成的顆粒預(yù)測(cè)的級(jí)配曲線b2是否滿足誤差標(biāo)準(zhǔn)要求；滿足誤差標(biāo)準(zhǔn)要求時(shí)，得到最終結(jié)論，不滿足誤差標(biāo)準(zhǔn)要求時(shí)，則返回步驟s4重新開(kāi)始構(gòu)建模型的訓(xùn)練數(shù)據(jù)集t1和測(cè)試數(shù)據(jù)集t2并重新訓(xùn)練學(xué)習(xí)模型h，直至生成的顆粒預(yù)測(cè)的級(jí)配曲線b2滿足誤差標(biāo)準(zhǔn)要求。

40、本發(fā)明的有益效果在于：

41、(1)創(chuàng)新的重疊顆粒處理方法：本發(fā)明通過(guò)生成對(duì)抗網(wǎng)絡(luò)pix2pix模型的應(yīng)用，能夠有效解決顆粒間的重疊問(wèn)題，生成與實(shí)際散開(kāi)狀態(tài)高度相似的顆粒圖像。相比于傳統(tǒng)的分割方法，本發(fā)明能夠更精準(zhǔn)地處理復(fù)雜顆粒重疊的情況，提升顆粒分割的準(zhǔn)確度，為顆粒級(jí)配分析提供了更高質(zhì)量的數(shù)據(jù)支持。

42、(2)全自動(dòng)化的分割與級(jí)配預(yù)測(cè)過(guò)程：本發(fā)明通過(guò)結(jié)合深度學(xué)習(xí)模型和計(jì)算機(jī)視覺(jué)技術(shù)，如opencv和segment?anything?model圖像分割模型(簡(jiǎn)稱sam)，實(shí)現(xiàn)了顆粒圖像的自動(dòng)處理和分析，從數(shù)據(jù)采集、圖像生成、顆粒分割到級(jí)配預(yù)測(cè)，全過(guò)程自動(dòng)化，極大提高了工作效率，減少了人工干預(yù)的需求。

43、(3)高精度的顆粒分割技術(shù)：本發(fā)明使用的sam模型是一種基于深度學(xué)習(xí)的先進(jìn)分割技術(shù)，通過(guò)調(diào)試程序代碼和修改模型部分參數(shù)，可以使其具有非常高的識(shí)別精度，能夠分割出其他同類分割模型難以完成的復(fù)雜任務(wù)。尤其在處理顆粒圖像中的細(xì)微特征和復(fù)雜情況時(shí)，sam模型能夠提供極為精準(zhǔn)的分割效果，從而保證了顆粒信息的高質(zhì)量提取，提升了后續(xù)分析和預(yù)測(cè)的準(zhǔn)確性。