CN110853088A - 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 - Google Patents
一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 Download PDFInfo
- Publication number
- CN110853088A CN110853088A CN201910832627.6A CN201910832627A CN110853088A CN 110853088 A CN110853088 A CN 110853088A CN 201910832627 A CN201910832627 A CN 201910832627A CN 110853088 A CN110853088 A CN 110853088A
- Authority
- CN
- China
- Prior art keywords
- image
- tem image
- deep learning
- interplanar spacing
- analysis method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003917 TEM image Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000013078 crystal Substances 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000000926 separation method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 239000002122 magnetic nanoparticle Substances 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract 1
- 238000000691 measurement method Methods 0.000 abstract 1
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 6
- 239000000203 mixture Substances 0.000 description 4
- 229910021642 ultra pure water Inorganic materials 0.000 description 4
- 239000012498 ultrapure water Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- VMHLLURERBWHNL-UHFFFAOYSA-M Sodium acetate Chemical compound [Na+].CC([O-])=O VMHLLURERBWHNL-UHFFFAOYSA-M 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229940044631 ferric chloride hexahydrate Drugs 0.000 description 2
- 229960002089 ferrous chloride Drugs 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- NMCUIPGRVMDVDB-UHFFFAOYSA-L iron dichloride Chemical compound Cl[Fe]Cl NMCUIPGRVMDVDB-UHFFFAOYSA-L 0.000 description 2
- NQXWGWZJXJUMQB-UHFFFAOYSA-K iron trichloride hexahydrate Chemical compound O.O.O.O.O.O.[Cl-].Cl[Fe+]Cl NQXWGWZJXJUMQB-UHFFFAOYSA-K 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000001632 sodium acetate Substances 0.000 description 2
- 235000017281 sodium acetate Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000000975 co-precipitation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002173 high-resolution transmission electron microscopy Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 1
- 235000014413 iron hydroxide Nutrition 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000004627 transmission electron microscopy Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习和计算机视觉的透射电子显微镜(Transmission electron microscope,TEM)图像晶面间距测量分析方法。具体包括两个部分:深度学习部分和计算机视觉处理部分。深度学习选用的神经网络架构基于经典U‑Net模型,目的在于提取TEM图像经过快速傅里叶变换后图像中的亮点。计算机视觉处理部分中,设计递归函数实现对TEM图像中晶格条纹的间距测量并与标准PDF卡片进行比对得到该样品中可能存在的物相及晶面。该方法可实现TEM图像晶面间距测量分析一体化,过程中不需其他操作,使得TEM图像分析结果更加客观。采用本发明对磁性纳米颗粒TEM图像进行分析,结果与使用Gatan DigitalMicrograph软件进行手动测量结果误差小于0.01nm。
Description
技术领域
本发明涉及一种透射电子显微镜(TEM)图像的自动处理方法,具体而言,包括深度学习提取快速傅里叶变换后图像非直流亮点及计算机视觉处理方法用于图像中晶面间距测量及后续分析的方法;具体为一种基于深度学习和计算机视觉的TEM图像晶面间距测量分析方法。
背景技术
随着过去十几年中透射电子显微镜设备及技术的飞速发展,记录和存储大量TEM数据(通常是以图像序列的形式)变得越来越普遍。更快更灵敏的探测器(例如直接探测相机(Direct Detection Camera)的出现,进一步推动了透射电子显微镜的发展。随着可用TEM数据量的增加,高效客观地分析TEM图像变得十分重要。
TEM图像目前是磁性纳米材料分析手段中重要的一部分,随着透射电子显微镜设备的不断完善,TEM图像的分辨率也在不断提高。在分析TEM图像时,需要专业软件辅助(如Digital Micrograph)或通过肉眼观察分析。一方面,在TEM图像中的条纹并不界限分明的情况下,量取晶格条纹时可能存在差异;另一方面,从图像分析到数据对比的过程需要向专业人士请教并且消耗部分时间。因此利用计算机对TEM图像进行处理和分析,不仅使分析结果更加客观,而且会加快实验进程,提高实验效率。
Fourier变换将TEM图像分解为具有不同频率、幅度和相位的无限正弦波集,把图像由空间域表示转换为频率域表示,其中第一个分量对应于零频率值,即零信号的平均幅度,也成为支流分量(Direct Current,DC)。图像中的信号为离散信号,为了分析离散信号,使用离散Fourier变换(Discrete Fourier Transform,DFT),表示正弦函数的有限和。
深度学习分割网络U-Net结构为“编码器-解码器”,在U-Net运行过程中,编码器减少池化层的空间维度,解码器逐步修复细节以及空间维度,编码器和解码器之间的快捷连接协助解码器修复目标细节,减少图像信息流失。U-Net的开发初心在应用于医学图像(如CT,超声图像等)分割,同样也适用于其他种类图像分割,例如在本发明中应用于TEM。
本发明基于深度学习分割网络U-Net对TEM图像Fourier变换后的图像进行亮点分割标注,后期借助TEM图像自身特征运用计算机视觉进行处理,运用像素分类算法对图像中出现的白像素点进行分类聚合操作,最终实现自动TEM图像晶面间距分析。
发明内容
技术问题:本发明的目的在于提供一种基于深度学习和计算机视觉处理的TEM图像晶面间距分析方法,该方法是一种结合多种图像处理方法的针对TEM图像中晶格条纹进行分析的新技术,可实现分析过程自动化。
技术方案:为了达到上述目的,本发明提供了一种基于深度学习和计算机视觉的TEM图像晶面间距测量分析方法,主要包括以下步骤:
1)使用深度学习方法对TEM图像快速傅里叶变换后的图像中的亮点进行分割;
2)在所述亮点分割图像包含多对亮点情况下,使用分离组合算法进行对称配对处理,形成一张或多张亮点分离图像;
3)对所述亮点分离图像进行反傅里叶变换,并使用形态学方法进行处理,形成待测量条纹图像;
4)对所述待测量条纹图像进行计算机视觉处理,测量条纹间距;
5)建立标准PDF卡片资料数据库,与所述条纹间距进行比对统计,显示可能晶面及物相。
其中,步骤1)所述的深度学习方法所使用的神经网络架构含有跳层结构,验证方法为根据目的设置模型评判标准。其保证待分割图像中的所有像素点在模型中进行预测,形成亮点分割图像。步骤1)所述的深度学习模型验证方法为图像“与运算”。
步骤2)中所述分离组合算法为递归过程。整个递归过程存在4个变量:分类结果列表,待分类坐标集,正在进行比较的值的位置,进行元素改变前的当前分类结果列表长度。使用一次递归函数,得到一个区域的白像素坐标点集合并将坐标从原始列表中删除。
步骤2)中所述分离组合算法可实现多对点情况下的对称点分离,后根据斜率遍历图像中所有在此直线上的点,遍历完成后,将其转换为白像素点并转移到一个新的全黑图像中,最终用5*5的结构元对图像进行膨胀。
步骤3)所述形态学处理方式为“开处理“方式,即对图像进行先膨胀后腐蚀操作。处理时使用的单位元根据图像情况自动选择。
步骤4)所述方法为通过遍历条纹图像中所有白像素点,获得整个列表最中间位置的坐标,测量白像素点之间存在的垂直像素数,乘以读取图像获取的像素尺寸值。
步骤5)基于标准PDF卡片信息建立相应比照数据库,PDF卡片数据库中数据来源于Jade 软件,后期进行分类汇总,建立专属数据库。
有益效果:本发明实现自动客观的TEM图像晶面间距测量,采用本发明进行图像分析,误差与专业人员手动测量结果小于0.01nm。
附图说明
图1是本发明图像自动处理系统大致流程示意图;
图2是本发明所述深度学习神经网络框架说明;
图3是本发明所述深度学习模型验证方法结果说明;
图4是本发明中所述分离组合算法示意图及间距测量过程示意图;
图5是本发明与手动测量对比结果说明图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1、图2、图3、图4所示,本发明提供一种基于深度学习和计算机视觉处理的TEM图像晶面间距分析方法,包括以下步骤:
1)使用深度学习方法对TEM图像快速傅里叶变换后的图像中的亮点进行分割;
2)在所述亮点分割图像包含多对亮点情况下,使用分离组合算法进行对称配对处理,形成一张或多张亮点分离图像;
3)对所述亮点分离图像进行反傅里叶变换,并使用形态学方法进行处理,形成待测量条纹图像;
4)对所述待测量条纹图像进行计算机视觉处理,测量条纹间距;
5)建立标准PDF卡片资料数据库,与所述条纹间距进行比对统计,显示可能晶面及物相。
步骤1)所述的深度学习方法所使用的神经网络架构含有跳层结构,其保证待分割图像中的所有像素点在模型中进行预测,形成亮点分割图像。根据目的设置模型评判标准:首先,由于目标图像中待标记部分占比过小,即使预测结果为全黑,模型的拟合程度仍是大于99%。对预测结果进行图像膨胀后进行“与运算”得到混合图像,根据混合图像中亮点存在与否判断模型是否准确无误地预测了亮点。
步骤2)中所述分离组合算法为递归过程。整个递归过程存在4个变量:分类结果列表,待分类坐标集,正在进行比较的值的位置,进行元素改变前的当前分类结果列表长度。其中,正在进行比较的值的位置和进行元素改变前的当前分类结果列表长度为用于判断循环是否结束的重要变量:正在进行比较的值的位置初始值为-1,当对列表第一个元素进行相似比较(坐标差的绝对值小于等于1),值变为0,后推同理,当分类结果列表中正在进行比较的值的位置的值与结果列表的最后一个值相同且当前结果列表长度与分类结果列表的长度相同时,代表初始列表中不存在与分类结果列表中元素相似的元素,递归函数结束,返回分类结果列表。使用一次递归函数,得到一个区域的白像素坐标点集合并将坐标从原始列表中删除。
步骤2)中所述分离组合算法可实现多对点情况下的对称点分离,后根据斜率遍历图像中所有在此直线上的点。在遍历过程中,当斜率绝对值大于1时,根据高度进行遍历,当斜率绝对值小于1时,根据宽度进行遍历。遍历完成后,将其转换为白像素点并转移到一个新的全黑图像中,最终用5*5的结构元对图像进行膨胀。直线分离后,分别进行反傅立叶变遍历完成后,将其转换为白像素点并转移到一个新的全黑图像中,最终用5*5的结构元对图像进行膨胀。
步骤3)所述形态学处理方式为“开处理“方式,即对图像进行先膨胀后腐蚀操作,当斜处理对象中线段斜率的绝对值小于1时,开操作的结构元选用64*1的尺寸;当斜率的绝对值大于1时,选用尺寸为1*16的结构元并对整个图像进行二值化处理。
步骤4)所述方法为通过遍历条纹图像中所有白像素点,获得整个列表最中间位置的坐标,定义为central_point,以central_point的高度为中心,纵向取宽度为4个像素,长度为图像宽度的矩形。在得到中间矩形区域后,对区域内所有白像素进行遍历,运用递归函数进行分类,提取坐标数最多的一类,即区域中最长的直线。通过对坐标组取平均得到直线的中间点(h0,w0),对坐标组进行线性拟合得到直线斜率k,用-1除以k,得到垂直并经过(h0, w0)的直线l,以(h0,w0)为基点,通过逐个增加h直至遇到下一个白像素点,得到整个过程中遍历的所有白像素点个数,乘以起初读取.dm3格式文件获得的pixel_size即得到间距长度。
步骤5)所述PDF卡片数据库中数据来源于Jade软件,后期进行分类汇总,建立专属数据库。
在本发明的具体实施方式中,选用使用反向共沉淀法制备的pH浮动小于1的磁性纳米颗粒作为方法测试对象。
实施例一
取9.6mL醋酸钠盐溶液,2.4mL醋酸溶液,20mL超纯水加入50mL的圆底玻璃三颈瓶中,在室温下进行500rpm机械搅拌;称取1.0812g六水合三氯化铁,0.3976g四水合氯化亚铁,40mL超纯水并超声混匀加入烧杯中,吸取5mL装入10mL注射器中,以50μL /min的速度注入常温50mL圆底标准三口烧瓶中。加入完成后放入恒温水浴锅中由加热至 60℃,反应2h,使用TEM进行进一步表征。使用本发明所述自动处理方法进行分析,并与手动测量结果进行比对。
实施例二
取2.4mL醋酸钠盐溶液,9.6mL醋酸溶液,20mL超纯水加入50mL的圆底玻璃三颈瓶中,在室温下进行500rpm机械搅拌;称取1.0812g六水合三氯化铁,0.3976g四水合氯化亚铁,40mL超纯水并超声混匀加入烧杯中,吸取5mL装入10mL注射器中,以50μL /min的速度注入常温50mL圆底标准三口烧瓶中。加入完成后放入恒温水浴锅中由加热至 60℃,反应2h,使用TEM进行进一步表征。使用本发明所述自动处理方法进行分析,并与手动测量结果进行比对。
如图5所示:图中所示的TEM图像为实施例的低分辨率TEM图像及其相应的高分辨率TEM 图像,取其中部分进行程序验证,验证过程如虚线框所示,虚线框中最右侧为最终结果,程序间距测量结果以“L=0.xxxxx nm”形式显示,并且与铁氧化物及氢氧化物的标准PDF卡片进行比对,显示误差小于设定阈值的晶面预测结果,其中第一列表示晶体晶面,第二列表示晶面所在物相,第三列表示晶面间距与标准PDF卡片中的间距误差。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种基于深度学习和计算机视觉的TEM图像晶面间距测量分析方法,其特征在于:所述方法包括以下步骤:
1)使用深度学习方法对TEM图像快速傅里叶变换后的图像中的亮点进行分割;
2)在所述亮点分割图像包含多对亮点情况下,使用分离组合算法进行对称配对处理,形成一张或多张亮点分离图像;
3)对所述亮点分离图像进行反傅里叶变换,并使用形态学方法进行处理,形成待测量条纹图像;
4)对所述待测量条纹图像进行计算机视觉处理,测量条纹间距;
5)建立标准PDF卡片资料数据库,与所述条纹间距进行比对统计,显示可能晶面及物相。
2.根据权利要求1所述的TEM图像晶面间距测量分析方法,其特征在于:步骤1)所述的深度学习方法所使用的神经网络架构含有跳层结构,其保证待分割图像中的所有像素点在模型中进行预测,形成亮点分割图像。
3.根据权利要求1所述的TEM图像晶面间距测量分析方法,其特征在于:步骤1)所述的深度学习模型验证方法为图像“与运算”。
4.根据权利要求1所述的TEM图像晶面间距测量分析方法,其特征在于:步骤2)所述分离组合算法为递归过程,整个递归过程存在4个变量:分类结果列表,待分类坐标集,正在进行比较的值的位置,进行元素改变前的当前分类结果列表长度,使用一次递归函数,得到一个区域的白像素坐标点集合并将坐标从原始列表中删除。
5.根据权利要求4所述的TEM图像晶面间距测量分析方法,其特征在于:步骤2)所述分离组合算法实现多对点情况下的对称点分离,根据斜率遍历图像中所有在此直线上的点,遍历完成后,将其转换为白像素点并转移到一个新的全黑图像中,最终用5*5的结构元对图像进行膨胀。
6.根据权利要求1所述的TEM图像晶面间距测量分析方法,其特征在于:步骤3)所述的形态学处理方法为开处理,即对图像进行先膨胀后腐蚀操作。
7.根据权利要求1所述的TEM图像晶面间距测量分析方法,其特征在于:步骤4)所述方法为通过遍历条纹图像中所有白像素点,获得整个列表最中间位置的坐标,测量白像素点之间存在的垂直像素数,乘以读取图像获取的像素尺寸值。
8.根据权利要求1所述的TEM图像晶面间距测量分析方法,其特征在于:步骤5)中基于标准PDF卡片信息建立相应比照数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832627.6A CN110853088B (zh) | 2019-09-04 | 2019-09-04 | 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910832627.6A CN110853088B (zh) | 2019-09-04 | 2019-09-04 | 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110853088A true CN110853088A (zh) | 2020-02-28 |
CN110853088B CN110853088B (zh) | 2022-03-11 |
Family
ID=69594921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910832627.6A Active CN110853088B (zh) | 2019-09-04 | 2019-09-04 | 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110853088B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862816A (zh) * | 2021-03-15 | 2021-05-28 | 太原理工大学 | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 |
CN115631392A (zh) * | 2022-12-26 | 2023-01-20 | 西南石油大学 | 一种基于深度学习的晶体tem图像物相区域划分方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201111049Y (zh) * | 2007-06-27 | 2008-09-03 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
CN103424085A (zh) * | 2013-06-13 | 2013-12-04 | 清华大学 | 一种物体表面三维形貌的测量方法 |
WO2014037208A1 (de) * | 2012-09-10 | 2014-03-13 | Evonik Industries Ag | Kautschukmischung enthaltend eisen-silicium-oxidpartikel mit verbesserter aufheizgeschwindigkeit |
US20180129831A1 (en) * | 2015-04-21 | 2018-05-10 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device and system thereof |
CN109341580A (zh) * | 2018-10-30 | 2019-02-15 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形的追踪方法、系统及装置 |
-
2019
- 2019-09-04 CN CN201910832627.6A patent/CN110853088B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201111049Y (zh) * | 2007-06-27 | 2008-09-03 | 中国科学院遥感应用研究所 | 一种数字地球原型系统 |
WO2014037208A1 (de) * | 2012-09-10 | 2014-03-13 | Evonik Industries Ag | Kautschukmischung enthaltend eisen-silicium-oxidpartikel mit verbesserter aufheizgeschwindigkeit |
CN103424085A (zh) * | 2013-06-13 | 2013-12-04 | 清华大学 | 一种物体表面三维形貌的测量方法 |
US20180129831A1 (en) * | 2015-04-21 | 2018-05-10 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device and system thereof |
CN109341580A (zh) * | 2018-10-30 | 2019-02-15 | 中国铁道科学研究院集团有限公司基础设施检测研究所 | 钢轨廓形的追踪方法、系统及装置 |
Non-Patent Citations (3)
Title |
---|
MOHAMMAD PAZOUKI ET AL.: "Mercury ion adsorption on AC@Fe3O4-NH2-COOH from saline solutions:Experimental studies and artificial neural network modeling", 《ENVIRONMENTAL ENGINEERING》 * |
董健等: "非紧密堆积型光子晶体凝胶的胀缩行为", 《物理化学学报》 * |
黄建平等: "纳米机械和微机械中杆的晶格振动内能与比热的理论研究", 《中国微米/纳米第六届学术年会论文集》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862816A (zh) * | 2021-03-15 | 2021-05-28 | 太原理工大学 | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 |
CN112862816B (zh) * | 2021-03-15 | 2024-03-15 | 太原理工大学 | 一种hrtem图像中煤芳香烃晶格条纹的智能提取方法 |
CN115631392A (zh) * | 2022-12-26 | 2023-01-20 | 西南石油大学 | 一种基于深度学习的晶体tem图像物相区域划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110853088B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Automatic indoor construction process monitoring for tiles based on BIM and computer vision | |
CN105807335B (zh) | 车辆底盘检查方法和系统 | |
CN110853088B (zh) | 一种基于深度学习和计算机视觉的tem图像晶面间距测量分析方法 | |
CN105701766A (zh) | 图形匹配方法和装置 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN105261006B (zh) | 基于傅里叶变换的医学图像分割算法 | |
Zhou et al. | Robust image-based surface crack detection using range data | |
CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
CN113592792A (zh) | 堆石图像粒径识别方法、装置、电子设备及存储介质 | |
CN108335310B (zh) | 一种便携式粒形粒度检测方法及系统 | |
CN103544492A (zh) | 基于深度图像三维曲面几何特征的目标识别方法和装置 | |
CN107561736B (zh) | 基于傅里叶及Hough变换的LCD缺陷检测方法 | |
Li et al. | Automatic pavement crack detection based on single stage salient-instance segmentation and concatenated feature pyramid network | |
Wang et al. | Fast blur detection algorithm for UAV crack image sets | |
CN111444834A (zh) | 图像文本行检测方法、装置、设备及存储介质 | |
CN111445510A (zh) | 一种图像中直线的检测方法 | |
CN113807198B (zh) | 道路网变化检测方法、模型训练方法、装置、设备及介质 | |
CN105930813B (zh) | 一种在任意自然场景下检测行文本的方法 | |
JP2011090708A (ja) | 対象個数検出装置および対象個数検出方法 | |
CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
Sun et al. | Automatic pavement cracks detection system based on Visual Studio C++ 6.0 | |
Ashraf et al. | Efficient Pavement Crack Detection and Classification Using Custom YOLOv7 Model | |
JP2009236728A (ja) | 画像解析装置、その方法、プログラムおよび記録媒体 | |
JP2009205695A (ja) | 対象個数検出装置および対象個数検出方法 | |
CN110954002A (zh) | 一种光纤直径测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |