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！

龙图腾网获悉三峡大学申请的专利基于深度学习的透水混凝土切片扫描图像的三相结构分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117094947B 。

龙图腾网通过国家知识产权局官网在2026-01-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310867036.9，技术领域涉及：G06T7/00；该发明授权基于深度学习的透水混凝土切片扫描图像的三相结构分析方法是由张蕊;郑子昌;高张;余帆;李开朗设计研发完成，并于2023-07-14向国家知识产权局提交的专利申请。

本基于深度学习的透水混凝土切片扫描图像的三相结构分析方法在说明书摘要公布了：基于深度学习的透水混凝土切片扫描图像的三相结构分析方法，包括以下步骤：基于不同大小粒径的集料颗粒，制备染色的透水混凝土试件；切割和扫描获取透水混凝土切片图像，作为深度学习模型训练的原始图像数据集；基于深度学习模型MaskR‑CNN对切片图像进行孔隙和集料标注，形成孔隙、集料和水泥浆的初始图像数据集；采用数据集增强算法扩充初始图像数据集形成标准图像数据集；训练深度学习模型得到最优深度学习模型。将测试集中的透水混凝土切片图像，输入到最优深度学习模型中，进行透水混凝土三相的识别与分割并给出评价指标。本发明能同时提取透水混凝土中的集料、孔隙和水泥浆三相结构，并得到三相结构的定性定量分析结果，且大幅提升精度和效率。

本发明授权基于深度学习的透水混凝土切片扫描图像的三相结构分析方法在权利要求书中公布了：1.基于深度学习的透水混凝土切片扫描图像的三相结构分析方法，其特征在于包括以下步骤： 步骤1：基于不同大小粒径的集料颗粒，制备染色的透水混凝土试件； 步骤2：切割和扫描获取透水混凝土切片图像，作为深度学习模型训练的原始图像数据集； 步骤3：对原始图像数据集进行预处理； 步骤4：基于深度学习模型的图像识别与分割技术，对切片图像进行孔隙和集料标注，图像剩余部分则为水泥浆，形成孔隙、集料和水泥浆的初始图像数据集； 步骤5：采用数据集增强算法扩充初始图像数据集形成标准图像数据集； 步骤6：在标准图像数据集上训练深度学习模型，得到深度学习模型的最优超参数，并保存最优深度学习模型； 步骤7：将测试集中的透水混凝土切片图像，输入到最优深度学习模型中，进行透水混凝土三相的识别与分割，输出集料、孔隙和水泥浆的三相整体分割图像和各单相图像，同时给出三相评价指标和各单相评价指标； 所述步骤4包括如下步骤： 步骤4.1：采用大图像的分割技术，将1张原始大图像裁剪为16张局部小图像，由局部小图像构成基础数据集； 步骤4.2：在标注软件Labelme中对基础数据集中的所有图像进行标注，标注前，首先对图像放大2.5倍，标注两类：孔隙为一类，集料为一类；标注完成后的剩余图像即为水泥浆部分，最终形成孔隙、集料和水泥浆三相初始图像数据集； 所述步骤6中，深度学习模型训练和验证过程如下： 深度学习模型的整个训练分为两个阶段： 第一阶段：基于迁移学习的模型初始化： 首先选择网络ResNet-101为特征提取骨干网络，通过迁移学习技术在标准COCO数据集上学习获得其特征经验分布,作为透水混凝土的深度学习模型MaskR-CNN初始化参数； 第二阶段：在透水混凝土的标准图像数据集上训练深度学习模型MaskR-CNN，有效降低深度学习训练的计算量； 模型具体训练的实现过程分2个步骤：a.冻结骨干网络，对未使用COCO预训练权重的随机初始化层进行训练；b.对整个深度学习模型MaskR-CNN进行训练； 模型训练时，依据目标的识别类别需求设置类别参数，类别参数包含3类，分别为孔隙、集料和背景，类别设置为3； 模型采用非线性修正线性单元ReLU作为激活函数，Adam优化器进行优化，Softmax函数作为损失函数； 所述步骤7中，评价最优深度学习模型的6个指标如下： 绝对误差AE；平均绝对百分比误差MAPE；交并比；平均交并比；F1分数；差分计盒维数DBC。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人三峡大学，其通讯地址为：443002 湖北省宜昌市西陵区大学路8号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。