铸铁材料回归预测模型的获取方法、系统、终端

本发明涉及人工智能领域，特别涉及一种铸铁材料回归预测模型的获取方法、系统、终端及介质。背景技术：1、铸铁材料因其优异的机械性能而被广泛采用，是现代工程技术不可或缺的基础。然而铸铁材料的设计和开发是一个基于经验的、迭代试错的过程，这不仅耗时长，而且成本高昂。随着计算机技术和人工智能的飞速发展，铸铁材料的智能化设计变得尤为重要。2、在这样的背景下，开发铸铁材料智能化设计方法显得格外必要。铸铁材料的工艺、组织和性能之间存在着复杂的相互关系。例如，铸铁的微观组织结构(如晶粒大小、相组成等)会直接影响其宏观性能(如强度、塑性、疲劳寿命等)。同时，这些微观组织特征又受到铸铁制备和加工工艺(如铸造、热处理、冷/热加工等)的影响。因此，能够准确预测铸铁材料性能的模型需要综合考虑多种模态的输入数据，包括但不限于化学成分、加工参数、微观结构特征等。3、然而，现有的预测模型往往侧重于单一类型的数据输入，如仅考虑化学成分或仅基于某一加工工艺参数，这限制了模型预测准确性和适用范围。而基于多模态输入的回归预测模型能够充分利用各种类型的数据，通过深度学习等先进算法综合分析材料的全貌，实现对铸铁材料性能的准确预测。4、此种方法的紧缺性在于目前大多数材料设计方法尚未充分利用可用的多模态数据，导致材料开发周期长、成本高和成功率低。5、因而现有技术还有待改进和提高。技术实现思路1、本发明的主要目的在于提供一种铸铁材料回归预测模型的获取方法、系统、终端及介质，旨在解决现有技术中在对铸铁材料性能进行预测时，准确性和效率低的问题。2、为了达到上述目的，本发明采取了以下技术方案：3、第一方面，本技术实施例提供一种铸铁材料回归预测模型的获取方法，包括：4、采集目标铸铁材料的多模态数据以建立数据库，并对所述多模态数据进行预处理；5、将预处理后的多模态数据进行分桶处理，以得到训练样本集；6、利用所述训练样本集分别对若干机器学习模型进行训练，得到图像识别模型和若干性能预测模型；7、采用预设评价参数计算每一个所述性能预测模型的预测准确性，并将所述图像识别模型与预测准确率最高的性能预测模型进行连接，得到铸铁材料回归预测模型。8、在一些实施例中，所述采集目标铸铁材料的多模态数据以建立数据库，并对所述多模态数据进行预处理，包括：9、收集所述目标铸铁材料的元数据和图形数据，以建立所述数据库；10、对所述元数据进行空白值处理、异常值处理和归一化处理后，对经归一化处理的元数据中的元素进行特征降维处理；11、对所述图形数据进行过滤后进行分割和图像增强处理。12、在一些实施例中，所述元数据包括：元素成分信息、工艺信息、组织信息和力学性能数据；所述元素成分信息为组成铸铁的元素特征数据及各元素对应的质量百分比；所述力学性能数据包括：抗拉强度、延伸率和硬度；13、所述对经归一化处理的元数据中的元素进行特征降维处理，包括：14、采用随机森林模型分别对所述元素特征数据中的元素评估元素特征重要度；15、将第一区间的所述元素特征重要度对应的元素作为所述抗拉强度和所述硬度的主要决定因素；16、对第二区间的所述元素特征重要度对应的元素进行特征降维处理。17、在一些实施例中，所述将预处理后的多模态数据进行分桶处理，以得到训练样本集，包括：18、将所述预处理后的多模态数据按照所述目标铸铁材料的型号进行划分，得到与所述型号等份数的目标数据；19、对每一份目标数据进行数量均衡调整，得到经调整后的目标数据；20、按照预设比例从每一份经调整后的目标数据中抽取数据，得到训练数据集和测试数据集；21、其中，所述训练样本集包括：所述训练数据集和所述测试数据集。22、在一些实施例中，所述机器学习模型包括：第一学习网络和第二学习网络；所述第一学习网络包括：随机森林模型和前馈神经网络；所述第二学习网络包括：卷积神经网络；23、所述利用所述训练样本集分别对若干机器学习模型进行训练，得到图像识别模型和若干性能预测模型，包括：24、将所述训练数据集中的元数据对当前第一学习网络进行训练，并将所述测试数据集中的元数据对训练后的当前第一学习网络进行测试，得到若干所述性能预测模型；25、将所述训练数据集中的图形数据对所述第二学习网络进行训练，并将所述测试数据集中的图形数据对训练后的第二学习网络进行测试，得到所述图像识别模型。26、在一些实施例中，所述采用预设评价参数计算每一个所述性能预测模型的预测准确性，并将所述图像识别模型与预测准确率最高的性能预测模型进行连接，得到铸铁材料回归预测模型，包括：27、利用决定系数计算公式计算每一个所述性能预测模型的预测准确性，得到对应模型的决定系数；28、利用所述卷积神经网络中的全连接层将所述图像识别模型与决定系数最大的性能预测模型连接，得到所述铸铁材料回归预测模型。29、在一些实施例中，所述收集所述目标铸铁材料的元数据和图形数据，之前包括：30、提取所述目标铸铁材料的文本和数值信息为所述元数据；31、其中，所述图形数据包括：光镜图像和显微结构信息数据；所述光镜图像包括：路径；所述显微结构信息数据包括：球化率、石墨形态、石墨大小、铁素体、珠光体和渗碳体。32、第二方面，本技术实施例提供一种铸铁材料回归预测模型的获取系统，包括：33、预处理模块，用于采集目标铸铁材料的多模态数据以建立数据库，并对所述多模态数据进行预处理；34、划分模块，用于将预处理后的多模态数据进行分桶处理，以得到训练样本集；35、构建模块，用于利用所述训练样本集分别对若干机器学习模型进行训练，得到图像识别模型和若干性能预测模型；36、计算模块，用于采用预设评价参数计算每一个所述性能预测模型的预测准确性，并将所述图像识别模型与预测准确率最高的性能预测模型进行连接，得到铸铁材料回归预测模型。37、第三方面，本技术实施例提供一种智能终端，包括：存储器、处理器、显示器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的铸铁材料回归预测模型的获取方法的步骤。38、第四方面，本技术实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的铸铁材料回归预测模型的获取方法的步骤。39、相较于现有技术，本发明提供的一种铸铁材料回归预测模型的获取方法、系统、终端及介质，所述方法通过将数据库进行预处理和划分后，利用得到的训练数据集和测试数据集分别对若干机器学习模型进行构建，并采用预设评价参数计算每一个所述性能预测模型的预测准确性，再筛选出预测准确率最高的作为铸铁材料回归预测模型，并充分利用多种模态的输入数据，提高了对铸铁材料性能预测的准确性和效率，并且能有效地减少材料开发的周期和成本。