CN111724351A - 一种基于机器学习的氦泡电镜图像统计分析方法 - Google Patents

一种基于机器学习的氦泡电镜图像统计分析方法 Download PDF

Info

Publication number
CN111724351A
CN111724351A CN202010479881.5A CN202010479881A CN111724351A CN 111724351 A CN111724351 A CN 111724351A CN 202010479881 A CN202010479881 A CN 202010479881A CN 111724351 A CN111724351 A CN 111724351A
Authority
CN
China
Prior art keywords
helium
electron microscope
bubble
helium bubble
image
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
Application number
CN202010479881.5A
Other languages
English (en)
Other versions
CN111724351B (zh
Inventor
吴忠航
张地大
刘仁多
朱天宝
林俊
孙九爱
孙吉
莫国民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Medicine and Health Sciences
Original Assignee
Shanghai University of Medicine and Health Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai University of Medicine and Health Sciences filed Critical Shanghai University of Medicine and Health Sciences
Priority to CN202010479881.5A priority Critical patent/CN111724351B/zh
Publication of CN111724351A publication Critical patent/CN111724351A/zh
Application granted granted Critical
Publication of CN111724351B publication Critical patent/CN111724351B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及一种基于机器学习的氦泡电镜图像统计分析方法，该方法对电子显微镜的原始图像直接建模分析处理，确定模型的关键参数后，将优化好的模型用于分析和统计包含氦泡的高温辐照合金的电子显微镜图像，可对图像中的氦泡进行识别、数量统计。本发明只需少量的人工标记样本就可以通过无监督的机器学习算法实现氦泡识别、分析和统计。本发明所使用模型结构简单，在识别与分析氦泡的过程中，无须进行大量的参数调节就可以获得高准确率与高精度的分析结果。此外，本发明不仅对所输入的电子显微镜图像没有尺寸上的限制，可直接对任意像素大小的图像进行分析，还可以自动调节氦泡图像的背景参数阈值，实现对不同图像的分析，大幅地提高效率。

Description

一种基于机器学习的氦泡电镜图像统计分析方法
技术领域
本发明涉及一种氦泡电镜图像分析与统计方法，尤其是涉及一种基于机器学习的氦泡电镜图像统计分析方法。
背景技术
裂变堆或聚变堆中产生的中子与金属材料发生核反应后会在合金材料中产生He。He原子的体积较小，在晶格中的扩散激活能较低，因而在合金材料中有较强的扩散和聚集的趋势。He在合金中的浓度达到一定阈值时，将会在材料的基体、晶界、缺陷处形成纳米尺寸的氦泡。氦泡形成后，其尺寸会随着He原子浓度的增加而增大，并且小尺寸的氦泡之间也可能在He原子的扩散作用下发生合并形成较大的氦泡。氦泡的形成会引起合金材料发生肿胀、表面起泡和脆化，是导致合金材料延伸率降低、断裂时间和疲劳寿命减小的重要因素。因此，通过合金材料中的氦泡识别分析，明晰氦泡的演化过程，对于合金材料的性能研究至关重要。
一般情况，主要使用透射电子显微镜拍摄合金材料中氦泡的分布图片，并在一些简单的软件辅助下人工识别分析透射电子显微镜图片中氦泡的相关信息，如氦泡的大小、密度分布等，以研究合金材料中的氦泡行为及其对合金材料本身结构的影响。但传统方法对透射电子显微镜的图片的识别分析不仅费时、低效、成本高昂，而且易受其他因素的影响，如人工识别的视觉疲劳、个人主观性判断、图像质量及重叠部分等，所获取的结果易造成较大的偏差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的氦泡电镜图像统计分析方法，解决对不同氦泡尺寸、不同背景像素的氦泡电镜图像快速地进行自动识别、分析和统计的技术问题，提高对氦泡图像的分析精度和准确度，并缩短在材料辐照研究中对氦泡电镜图像的分析处理周期。
本发明的目的可以通过以下技术方案来实现：
一种基于机器学习的氦泡电镜图像统计分析方法，该方法包括以下步骤：
步骤1：获取电子辐照合金产生氦泡的透射电子显微镜图像；
步骤2：针对氦泡电镜图像分别经通道转换、直方图分析去除背景和去除噪点处理后得到氦泡像素矩阵；
步骤3：针对氦泡像素矩阵采用聚类算法进行聚类，得到对应的氦泡聚类团簇；
步骤4：针对每个氦泡聚类团簇进行分析，得到氦泡的数量、位置以及尺寸数据。
进一步地，所述的步骤2中的通道转换的过程具体包括：通过变换操作，将氦泡电镜图像数据由三通道转换为单通道，得到二维数组数据。
进一步地，所述的步骤2中的直方图分析去除背景的过程具体包括：通过分析氦泡电镜图像的直方图，确定图像背景本底的阈值，将阈值之下的像素全置为0，阈值之上的像素减去阈值。
进一步地，所述的步骤2中的去除噪点的过程具体包括：通过统计氦泡电镜图像中每个非零像素的周围像素值，将阈值之下的点设置为噪点并去除。
进一步地，所述的步骤3具体包括：针对氦泡像素矩阵采用DBSCAN聚类算法进行聚类，得到对应的氦泡聚类团簇。
进一步地，所述的DBSCAN聚类算法中的聚类半径设置为1，最小样本值设置为3。
进一步地，所述的步骤4具体包括：针对每个氦泡聚类团簇采用高斯混合模型进行分析，得到氦泡的数量、位置以及尺寸数据。
进一步地，所述的高斯混合模型中样本点的权重值采用像素点的像素值。
进一步地，所述的步骤4中得到氦泡的数量、位置以及尺寸数据的具体过程包括：针对每个氦泡聚类团簇采用高斯混合模型进行分析，得到氦泡中心点和像素点分布方差信息，并根据得到的氦泡中心点和像素点分布方差信息进一步最终得到氦泡的半径和面积。
进一步地，所述的步骤1中的电子显微镜图像采用任意尺寸的电子显微镜图像。
与现有技术相比，本发明具有以下优点：
(1)本发明基于无监督的机器学习对氦泡的电镜图像进行识别、分析和统计，不需要预先准备大量的图片并人工标记；
(2)本发明通过直方图数据分析自动确定本底背景像素阈值，能处理不同本底背景的氦泡电镜图像；
(3)本发明对输入图片的尺寸没有限制，能处理任意尺寸的氦泡电镜图像；
(4)本发明通过高斯混合模型分析氦泡团簇，能识别重叠氦泡，并给出氦泡的位置；
(5)本发明能识别人工不易发现的比较暗的氦泡，提高了氦泡电镜图像的召回率。
(6)本发明需要调整的模型参数极少，可解释性强。
附图说明
图1为本发明实施例方法的流程图；
图2为本发明实施例对氦泡电镜图像处理各阶段效果演化图；
图3为本发明实施例中最终分析结果与原显微镜图像叠加的效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
如图1所示为本发明实施例方法的流程图，本发明方法过程包括：获取高温电子辐照合金产生氦泡的透射电子显微镜图像，自动识别并去除图像背景本底，分析并去除图像中的噪点，再将图像中的氦泡进行聚类，并对每个聚类团簇进行分析，得到氦泡的位置、数量等信息。
其中，所述的自动识别和去除本底方法，通过变换操作，将氦泡图像数据由三通道转换为单通道，得到二维数组数据。
所述的自动识别和去除本底方法，通过分析氦泡图像的直方图，确定图像背景本底的阈值，将阈值之下的像素全置为0，阈值之上的像素减去阈值。
所述的噪点去除方法，通过统计图像中每个非0像素的周围像素值，将阈值之下的点设置为噪点并去除。
针对噪点识别与去除方法，统计每个像素周围8个位置的非0像素值得数量，并将噪点阈值设置为3。
通过聚类算法将去除噪点后的图像中的像素团簇聚类，得到氦泡团簇数据。
针对氦泡团簇聚类算法，采用DBSCAN算法对像素点聚类，将聚类半径设置为1，并将网格对角距离定义为1，最小样本阈值设置为3，设置氦泡像素点团簇的阈值，其阈值随所分析图像比例尺大小而变化，图像比例尺大则设置大的团簇阈值，比例尺小则设置小的团簇阈值，抛弃小于阈值的团簇数据。
针对氦泡团簇数据采用高斯混合模型对其进行分析，得到氦泡团簇中氦泡的数量和氦泡的中心点位置，针对高斯混合模型，将像素点的像素值作为样本点的权重值，根据高斯混合模型所得到的氦泡中心点和像素点分布方差等信息，计算氦泡的半径大小并面积。
本发明方法中的电子显微镜图像可以是任意尺寸。
实际实施例
一种基于机器学习的氦泡电镜图像分析与统计方法，包括：去除氦泡电镜图像的本底像素，并去除噪点，然后对氦泡像素点进行聚类，最后分析统计每个氦泡团簇并得到氦泡的数量和位置。本实例包括以下步骤：
步骤1：分析氦泡电镜图像的直方图数据，确定图像的本底背景阈值，将阈值之下的像素设置为0，阈值之上的像素减去阈值；
步骤2：对所步骤1得到的图像数据进行去噪处理；
步骤3：对去噪后的图像数据进行聚类，得到氦泡团簇数据；
步骤4：分析每个氦泡团簇，得到每个氦泡团簇中氦泡的数量和位置。
步骤1中本底背景像素阈值选择为直方图数据积分统计量的97％处；
步骤2中去噪处理的阈值设置为3；
氦泡团簇聚类算法采用DBSCAN算法，并将聚类半径和最小样本值分别设置为1和3；
步骤4中采用高斯混合模型分析氦泡团簇，并将像素值作为样本权重值。
本领域的技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。
采用本发明实施例方法对氦泡电镜图像处理各阶段效果演化图如图2所示，最终叠加的效果如图3所示。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，该方法包括以下步骤：
步骤1：获取电子辐照合金产生氦泡的透射电子显微镜图像；
步骤2：针对氦泡电镜图像分别经通道转换、直方图分析去除背景和去除噪点处理后得到氦泡像素矩阵；
步骤3：针对氦泡像素矩阵采用聚类算法进行聚类，得到对应的氦泡聚类团簇；
步骤4：针对每个氦泡聚类团簇进行分析，得到氦泡的数量、位置以及尺寸数据。
2.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤2中的通道转换的过程具体包括：通过变换操作，将氦泡电镜图像数据由三通道转换为单通道，得到二维数组数据。
3.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤2中的直方图分析去除背景的过程具体包括：通过分析氦泡电镜图像的直方图，确定图像背景本底的阈值，将阈值之下的像素全置为0，阈值之上的像素减去阈值。
4.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤2中的去除噪点的过程具体包括：通过统计氦泡电镜图像中每个非零像素的周围像素值，将阈值之下的点设置为噪点并去除。
5.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤3具体包括：针对氦泡像素矩阵采用DBSCAN聚类算法进行聚类，得到对应的氦泡聚类团簇。
6.根据权利要求5所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的DBSCAN聚类算法中的聚类半径设置为1，最小样本值设置为3。
7.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤4具体包括：针对每个氦泡聚类团簇采用高斯混合模型进行分析，得到氦泡的数量、位置以及尺寸数据。
8.根据权利要求7所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的高斯混合模型中样本点的权重值采用像素点的像素值。
9.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤4中得到氦泡的数量、位置以及尺寸数据的具体过程包括：针对每个氦泡聚类团簇采用高斯混合模型进行分析，得到氦泡中心点和像素点分布方差信息，并根据得到的氦泡中心点和像素点分布方差信息进一步最终得到氦泡的半径和面积。
10.根据权利要求1所述的一种基于机器学习的氦泡电镜图像统计分析方法，其特征在于，所述的步骤1中的电子显微镜图像采用任意尺寸的电子显微镜图像。
CN202010479881.5A 2020-05-30 2020-05-30 一种基于机器学习的氦泡电镜图像统计分析方法 Active CN111724351B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010479881.5A CN111724351B (zh) 2020-05-30 2020-05-30 一种基于机器学习的氦泡电镜图像统计分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010479881.5A CN111724351B (zh) 2020-05-30 2020-05-30 一种基于机器学习的氦泡电镜图像统计分析方法

Publications (2)

Publication Number Publication Date
CN111724351A true CN111724351A (zh) 2020-09-29
CN111724351B CN111724351B (zh) 2023-05-02

Family

ID=72565478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010479881.5A Active CN111724351B (zh) 2020-05-30 2020-05-30 一种基于机器学习的氦泡电镜图像统计分析方法

Country Status (1)

Country Link
CN (1) CN111724351B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090226057A1 (en) * 2008-03-04 2009-09-10 Adi Mashiach Segmentation device and method
CN104718552A (zh) * 2012-09-13 2015-06-17 多伦多大学理事会 用于胎儿和母体红细胞计数的系统和方法
CN105719294A (zh) * 2016-01-21 2016-06-29 中南大学 一种乳腺癌病理学图像有丝分裂核自动分割方法
CN106651839A (zh) * 2016-11-16 2017-05-10 中国科学院地质与地球物理研究所 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法
CN107529658A (zh) * 2017-07-12 2018-01-02 湖州师范学院 高噪声显微图像下的自动检测微管方法
WO2019000653A1 (zh) * 2017-06-30 2019-01-03 清华大学深圳研究生院 一种图像目标识别方法及装置
CN110141208A (zh) * 2019-04-12 2019-08-20 上海健康医学院 一种动态静态图像相结合的血流成像系统和方法
CN110473212A (zh) * 2019-08-15 2019-11-19 广东工业大学 一种融合显著性和超像素的电镜硅藻图像分割方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090226057A1 (en) * 2008-03-04 2009-09-10 Adi Mashiach Segmentation device and method
CN104718552A (zh) * 2012-09-13 2015-06-17 多伦多大学理事会 用于胎儿和母体红细胞计数的系统和方法
CN105719294A (zh) * 2016-01-21 2016-06-29 中南大学 一种乳腺癌病理学图像有丝分裂核自动分割方法
CN106651839A (zh) * 2016-11-16 2017-05-10 中国科学院地质与地球物理研究所 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法
WO2019000653A1 (zh) * 2017-06-30 2019-01-03 清华大学深圳研究生院 一种图像目标识别方法及装置
CN107529658A (zh) * 2017-07-12 2018-01-02 湖州师范学院 高噪声显微图像下的自动检测微管方法
CN110141208A (zh) * 2019-04-12 2019-08-20 上海健康医学院 一种动态静态图像相结合的血流成像系统和方法
CN110473212A (zh) * 2019-08-15 2019-11-19 广东工业大学 一种融合显著性和超像素的电镜硅藻图像分割方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MICHAEL REITER等: "Clustering of cell populations in flow cytometry data using a combination of Gaussian mixtures", 《PATTERN RECOGNITION》 *
王鑫等: "基于聚类方法的运动气泡声发射信号分析", 《化工学报》 *

Also Published As

Publication number Publication date
CN111724351B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
CN110245635B (zh) 一种煤和矸石的红外图像识别方法
CN114299066B (zh) 基于显著性特征预提取与图像分割的缺陷检测方法和装置
CN114627102B (zh) 一种图像异常检测方法、装置、系统及可读存储介质
CN111179273A (zh) 一种基于深度学习的白细胞核质自动分割方法及系统
CN111783819B (zh) 小规模数据集上基于感兴趣区域训练改进的目标检测方法
CN111899274B (zh) 一种基于深度学习tem图像分割的粒径分析方法
CN106053316A (zh) 土体微观结构孔隙分布及分形程序与计算方法
CN111210402A (zh) 人脸图像质量评分方法、装置、计算机设备及存储介质
CN116030052A (zh) 电脑显示板层压工序蚀刻质量检测方法
CN112529090A (zh) 一种基于改进YOLOv3的小目标检测方法
CN116310882A (zh) 基于高分辨率遥感影像的林业信息识别方法
CN117115715A (zh) 一种基于流重构和帧预测结合的视频异常检测方法
CN116953006A (zh) 一种铸造材料扫描电镜图像缺陷识别与量化方法
CN111724351B (zh) 一种基于机器学习的氦泡电镜图像统计分析方法
CN113052234A (zh) 一种基于图像特征和深度学习技术的玉石分类方法
CN110119739B (zh) 一种冰晶图片的自动分类方法
US20230169637A1 (en) Method for grain size analysis
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN113724223B (zh) 基于光学显微镜的YOLOv3数据集制作方法及系统
CN107491746B (zh) 一种基于大梯度像素分析的人脸预筛选方法
CN113989567A (zh) 垃圾图片分类方法及装置
CN112257706A (zh) 一种基于花蕊局部特征的花卉识别方法
CN111639716B (zh) 基于密度偏差抽样的数据样本选择方法及装置
CN111709908B (zh) 一种基于深度学习的氦泡分割计数方法

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