CN111899274B - 一种基于深度学习tem图像分割的粒径分析方法 - Google Patents
一种基于深度学习tem图像分割的粒径分析方法 Download PDFInfo
- Publication number
- CN111899274B CN111899274B CN202010778762.XA CN202010778762A CN111899274B CN 111899274 B CN111899274 B CN 111899274B CN 202010778762 A CN202010778762 A CN 202010778762A CN 111899274 B CN111899274 B CN 111899274B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- layer
- neural network
- path
- network architecture
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 50
- 230000011218 segmentation Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003917 TEM image Methods 0.000 title claims abstract description 23
- 238000003921 particle size analysis Methods 0.000 title claims abstract description 17
- 239000002105 nanoparticle Substances 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于深度学习TEM图像分割的粒径分析方法，包括以下步骤：S1：准备数据集，对数据集中的图像待进行标注，按一定的比例将已标注的图像分为训练集和验证集；S2：构建深度学习神经网络架构，采用训练集对深度学习神经网络架构进行训练，采用验证集数据验证深度学习神经网络架构性能，然后将训练好的深度学习神经网络架构和参数进行储存；S3：利用步骤S2得到的深度学习神经网络架构对待分析图像进行语义分割；S4：针对处理后的语义分割图像中颗粒的直径进行直方图统计，将直方图作为纳米颗粒粒径分析的结果。本发明解决了现有技术中利用人工标记与测量TEM图像中纳米颗粒直径，费时耗力且不准确的问题。
Description
技术领域
本发明涉及材料科学领域，具体而言，尤其涉及一种基于深度学习TEM图像分割的粒径分析方法。
背景技术
在材料科学领域，纳米颗粒的粒径(粒子直径)分析是影响催化材料性能的关键性因素之一，会影响化学活性和吸附能力等。如何检测颗粒粒径成为纳米材料制备和应用等方面需要首要解决的问题。
目前，研究人员主要通过透射电子显微镜来获取材料的图像，直接获取纳米颗粒形状及粒径分布等信息。在之前的做法中，通过人工标注的方法来分析TEM图像中的纳米颗粒的粒径分布，比如利用ImageJ软件，过程非常繁琐且标注数量不能达到统计样本数量的需求，其次颗粒的大小和尺寸不均匀，无法准确、定量、大规模的统计纳米颗粒直径；另外还有一类方法是利用图像处理的方法提取图像中颗粒特征，包括检测边缘的霍夫圆检测算法、特征空间分类等算法，但是这类算法移植性较差且需要同时了解材料学和图像处理领域的知识，可实现性差。
发明内容
根据上述提出现有技术中获取纳米颗粒形状及粒径分布等信息的方法过程繁琐、可实现性差的问题，而提供一种基于深度学习TEM图像分割的粒径分析方法。本发明主要利用深度学习网络架构对TEM图像进行语义分割，得到前景是纳米颗粒的二值化图像，最终统计分析语义分割后图像中大量纳米颗粒的粒径。
本发明采用的技术手段如下：
一种基于深度学习TEM图像分割的粒径分析方法，包括以下步骤：
S1：准备数据集，对数据集中的图像待进行标注，将图像上的纳米颗粒部分作为前景，其余部分作为背景，然后分别采用不同颜色进行标注，得到标注图像，按一定的比例将已标注的图像分为训练集和验证集；
S2：构建深度学习神经网络架构，采用训练集对深度学习神经网络架构进行训练，采用验证集数据验证深度学习神经网络架构性能，然后将训练好的深度学习神经网络架构和参数进行储存；
S3：利用步骤S2得到的深度学习神经网络架构对待分析图像进行语义分割；
S4：针对处理后的语义分割图像中纳米颗粒的直径进行直方图统计，将直方图作为纳米颗粒粒径分析的结果。
进一步地，步骤S2中的深度学习神经网络架构包括收缩路径和扩张路径，其中，扩张路径包括金字塔池化操作。
进一步地，收缩路径包括以下具体步骤：输入TEM图像，进行3×3卷积操作，以及，3×3、步长为1的可分离卷积模块操作，得到第一层特征；然后连续进行4次3×3、步长为2的可分离卷积模块操作，分别得到第二层特征、第三层特征、第四层特征和第五层特征，完成下采样过程得到图像的每一高层特征。
进一步地，扩张路径包括以下具体步骤：
首先将收缩路径得到的第五层特征进行金字塔池化，然后再与收缩路径的第五层特征进行1×1卷积操作，得到扩张路径第五层的输出；
接着进行2×2上采样，与收缩路径第四层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第四层的输出；
接着进行2×2上采样，与收缩路径第三层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第三层的输出；
接着进行2×2上采样，与收缩路径第二层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第二层的输出；
接着进行2×2上采样，与收缩路径第一层特征进行1×1卷积操作模块、3×3卷积操作模块、1×1卷积操作和soft-max操作，得到最终的输出图像。
进一步地，采用的soft-max操作如下式所示：
其中，pn(x)表示特征信道n在每一个像素点位置x时的概率值；an(x)表示特征信道n在每一个像素点位置x时的激活值；N表示图像中分割的类别数目。
进一步地，金字塔池化操作包括以下具体步骤：
针对输入分别进行1×1、2×2、4×4和8×8平均池化，然后每一条支路进行1x1卷积、批量标准化、Relu函数激活和调整尺寸，分别得到四条支路的输出，再将四条支路输出进行1x1卷积操作，包括1x1卷积、批量标准化、Relu函数激活，得到最终金字塔池化操作的输出。
进一步地，步骤S2中的深度学习神经网络架构采用交叉熵损失函数作为损失函数，如下式所示：
其中，H(p,q)表示交叉熵；i表示像素的种类，i＝1代表前景纳米颗粒，i＝2代表背景；p(xi)代表像素x为种类i时的实际概率，例如，当像素x是前景纳米颗粒，则p(x1)＝1,p(x2)＝0；q(xi)代表像素x为种类i时，神经网络输出图像中此像素的预测概率。
进一步地，步骤S4中采用下式得到纳米颗粒的直径信息：
其中S为每个纳米颗粒的面积，d为每个纳米颗粒的直径。
与现有技术相比，本发明至少具有以下优点：
本发明提供的基于深度学习TEM图像分割的粒径分析方法，突破了传统电镜微区表征的限制，可以实现海量材料纳米颗粒粒径信息统计，建立微观纳米颗粒到宏观材料性能的桥梁，可靠且本质，基于深度学习的网络架构，实现了端到端的语义分割，纳米颗粒的识别与分割自动且泛化能力强，节省了大量的人力和财力成本。
基于上述理由本发明可在材料科学领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述基于深度学习TEM图像分割的粒径分析方法流程示意图。
图2为TEM原始图像。
图3为图2的标注结果。
图4为神经网络架构说明图。
图5为可分离卷积模块操作流程图。
图6为金字塔池化操作流程图。
图7为图2的语义分割结果。
图8为图7剔除边缘不完整颗粒后的示意图。
图9为粒径分析直方图统计结果。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
实施例1
如图1所示，本发明提供了一种基于深度学习TEM图像分割的粒径分析方法，包括以下步骤：
S1：准备数据集，对数据集中的图像待进行标注，将图像上的纳米颗粒部分作为前景，其余部分作为背景，然后分别采用不同颜色进行标注，得到标注图像，按一定的比例将已标注的图像分为训练集和验证集；
S2：构建深度学习神经网络架构，采用训练集对深度学习神经网络架构进行训练，采用验证集数据验证深度学习神经网络架构性能，然后将训练好的深度学习神经网络架构和参数进行储存；
S3：利用步骤S2得到的深度学习神经网络架构对待分析图像进行语义分割；
S4：针对处理后的语义分割图像中纳米颗粒的直径进行直方图统计，将直方图作为纳米颗粒粒径分析的结果。
进一步地，步骤S2中，利用训练集对深度学习神经网络架构进行训练时，每一个训练周期查看训练集的损失函数输出值，且每一训练周期同时查看验证集的损失函数的输出值，若验证集的损失函数输出值不是一直变小，而是有增大趋势的时候，尽早停止训练，节省训练时间，在网络训练好之后，将网络架构和参数利用程序进行储存。
进一步地，步骤S2中的深度学习神经网络架构包括收缩路径和扩张路径，其中，扩张路径包括金字塔池化操作。
下面结合具体实例说明本发明所述的基于深度学习TEM图像分割的粒径分析方法。
待分析的TEM原始图像如图2所示，图中纳米颗粒为暗色部分，基底为浅色部分。为了统计颗粒粒径分布，需要识别出图像中的暗色部分。
为了训练深度学习神经网络，需要准备数据集用作网络的训练。
对如图2所示的每张原始图像进行标注，图片中深色的部分是纳米颗粒即需要识别的对象，作为前景标记为白色，而基底作为背景标记为黑色，得到标注图像，如图3所示。
在本实施例中，选择100张大小为512×512像素的图像进行标注，其中，选择70张作为训练集，30张作为验证集，验证集的作用是提高神经网络的泛化能力，因为训练集上网络性能好，不意味着网络泛化能力强。
构建如图4所示的深度学习神经网络架构，本发明中的深度学习神经网络架构融合了语义分割网络U-Net和金字塔场景解析网络的特征，提出一种金字塔池化U-Net网络。
如图4所示，深度学习神经网络架构包括收缩路径和扩张路径：
在本实施例中，为了减少计算成本，收缩路径的卷积部分，采用步长分别为1和2的深度可分离卷积模块，可分离卷积模块操作流程如图5所示，依次经过3×3深度可分离卷积、批量标准化、Relu激活函数、1×1卷积、批量标准化和Relu激活函数处理的步骤。
进一步地，收缩路径包括以下具体步骤：输入TEM图像，进行3×3卷积操作，以及，3×3、步长为1的可分离卷积模块操作，得到第一层特征；然后连续进行4次3×3、步长为2的可分离卷积模块操作，分别得到第二层特征、第三层特征、第四层特征和第五层特征，完成下采样过程得到图像的每一高层特征。
进一步地，扩张路径包括以下具体步骤：
首先将收缩路径得到的第五层特征进行金字塔池化，然后再与收缩路径的第五层特征进行1×1卷积操作，得到扩张路径第五层的输出；
接着进行2×2上采样，与收缩路径第四层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第四层的输出；
接着进行2×2上采样，与收缩路径第三层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第三层的输出；
接着进行2×2上采样，与收缩路径第二层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第二层的输出；
接着进行2×2上采样，与收缩路径第一层特征进行1×1卷积操作模块、3×3卷积操作模块、1×1卷积操作和soft-max操作，得到最终的输出图像。
进一步地，采用的soft-max操作如下式所示：
其中，pn(x)表示特征信道n在每一个像素点位置x时的概率值；an(x)表示特征信道n在每一个像素点位置x时的激活值；N表示图像中分割的类别数目；本实施例中N为2，因为仅有前景纳米颗粒和背景两个类别；
进一步地，金字塔池化操作具体步骤如图6所示：
针对输入分别进行1×1、2×2、4×4和8×8平均池化，然后每一条支路进行1x1卷积、批量标准化、Relu函数激活和调整尺寸，分别得到四条支路的输出，再将四条支路输出进行1x1卷积操作，包括1x1卷积、批量标准化、Relu函数激活，得到最终金字塔池化操作的输出。
进一步地，构建深度学习神经网络架构后，步骤S2中的深度学习神经网络架构采用交叉熵损失函数作为损失函数，如下式所示：
其中，H(p,q)表示交叉熵；i表示像素的种类，i＝1代表前景纳米颗粒，i＝2代表背景；p(xi)代表像素x为种类i时的实际概率，例如，当像素x是前景纳米颗粒，则p(x1)＝1,p(x2)＝0；q(xi)代表像素x为种类i时，神经网络输出图像中此像素的预测概率。
进一步地，将待分析的TEM图像输入到深度学习神经网络架构进行预测，得到每张图像的语义分割结果。图7为原始图像图2的语义分割结果。
得到所有TEM图像的语义分割结果的图像后，由于图像边缘的颗粒不是一个完整的颗粒，因此需要将其剔除，只统计图像内部的颗粒。图8即为剔除图7中出现在图像边缘的不完整颗粒后的处理结果。
进一步地，语义分割图像中的颗粒不一定是严格的圆形，步骤S4中采用下式得到纳米颗粒的直径信息：
其中S为每个纳米颗粒的面积，d为每个纳米颗粒的直径；
最后针对大量处理后的语义分割图像中颗粒的直径进行直方图统计，得到的结果如图9所示，最终将直方图作为纳米颗粒粒径分析的结果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (5)
1.一种基于深度学习TEM图像分割的粒径分析方法，其特征在于，包括以下步骤：
S1：准备数据集，对数据集中的图像待进行标注，将图像上的纳米颗粒部分作为前景，其余部分作为背景，然后分别采用不同颜色进行标注，得到标注图像，按一定的比例将已标注的图像分为训练集和验证集；
S2：构建深度学习神经网络架构，采用训练集对深度学习神经网络架构进行训练，采用验证集数据验证深度学习神经网络架构性能，然后将训练好的深度学习神经网络架构和参数进行储存；
S3：利用步骤S2得到的深度学习神经网络架构对待分析图像进行语义分割；
S4：针对处理后的语义分割图像中纳米颗粒的直径进行直方图统计，将直方图作为纳米颗粒粒径分析的结果；
步骤S2中的深度学习神经网络架构包括收缩路径和扩张路径，其中，扩张路径包括金字塔池化操作；
收缩路径包括以下具体步骤：输入TEM图像，进行3×3卷积操作，以及，3×3、步长为1的可分离卷积模块操作，得到第一层特征；然后连续进行4次3×3、步长为2的可分离卷积模块操作，分别得到第二层特征、第三层特征、第四层特征和第五层特征，完成下采样过程得到图像的每一高层特征；
扩张路径包括以下具体步骤：
首先将收缩路径得到的第五层特征进行金字塔池化，然后再与收缩路径的第五层特征进行1×1卷积操作，得到扩张路径第五层的输出；
接着进行2×2上采样，与收缩路径第四层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第四层的输出；
接着进行2×2上采样，与收缩路径第三层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第三层的输出；
接着进行2×2上采样，与收缩路径第二层特征进行1×1卷积操作、金字塔池化操作、1×1卷积操作和3×3卷积操作模块，得到扩张路径第二层的输出；
接着进行2×2上采样，与收缩路径第一层特征进行1×1卷积操作模块、3×3卷积操作模块、1×1卷积操作和soft-max操作，得到最终的输出图像。
2.根据权利要求1所述的基于深度学习TEM图像分割的粒径分析方法，其特征在于，采用的soft-max操作如下式所示：
其中，pn(x)表示特征信道n在每一个像素点位置x时的概率值；an(x)表示特征信道n在每一个像素点位置x时的激活值；N表示图像中分割的类别数目。
3.根据权利要求1所述的基于深度学习TEM图像分割的粒径分析方法，其特征在于，金字塔池化操作包括以下具体步骤：
针对输入分别进行1×1、2×2、4×4和8×8平均池化，然后每一条支路进行1x1卷积、批量标准化、Relu函数激活和调整尺寸，分别得到四条支路的输出，再将四条支路输出进行1x1卷积操作，包括1x1卷积、批量标准化、Relu函数激活，得到最终金字塔池化操作的输出。
4.根据权利要求1所述的基于深度学习TEM图像分割的粒径分析方法，其特征在于，步骤S2中的深度学习神经网络架构采用交叉熵损失函数作为损失函数，如下式所示：
其中，H(p,q)表示交叉熵；i表示像素的种类，i＝1代表前景纳米颗粒，i＝2代表背景；p(xi)代表像素x为种类i时的实际概率，当像素x是前景纳米颗粒，则p(x1)＝1,p(x2)＝0；q(xi)代表像素x为种类i时，神经网络输出图像中此像素的预测概率。
5.根据权利要求1所述的基于深度学习TEM图像分割的粒径分析方法，其特征在于，步骤S4中采用下式得到纳米颗粒的直径信息：
其中S为每个纳米颗粒的面积，d为每个纳米颗粒的直径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010778762.XA CN111899274B (zh) | 2020-08-05 | 2020-08-05 | 一种基于深度学习tem图像分割的粒径分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010778762.XA CN111899274B (zh) | 2020-08-05 | 2020-08-05 | 一种基于深度学习tem图像分割的粒径分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111899274A CN111899274A (zh) | 2020-11-06 |
| CN111899274B true CN111899274B (zh) | 2024-03-29 |
Family
ID=73245879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010778762.XA Active CN111899274B (zh) | 2020-08-05 | 2020-08-05 | 一种基于深度学习tem图像分割的粒径分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899274B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408188A (zh) * | 2021-05-24 | 2021-09-17 | 浙江大学衢州研究院 | 一种卷积神经网络识别afm图象预测材料性能的方法 |
| CN113409266A (zh) * | 2021-06-17 | 2021-09-17 | 陕西科技大学 | 一种金刚砂颗粒检测及计数方法及系统 |
| CN113592829B (zh) * | 2021-08-04 | 2024-05-17 | 清华大学 | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
| CN113920500B (zh) * | 2021-09-18 | 2024-06-14 | 广东石油化工学院 | 一种基于tem图的纳米分子的结构稳定性检测方法及系统 |
| CN114140453B (zh) * | 2021-12-08 | 2024-04-12 | 广州医科大学附属第一医院（广州呼吸中心） | 一种基于神经网络的剪影血管造影术的分割方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
| CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
| WO2019162204A1 (en) * | 2018-02-23 | 2019-08-29 | Asml Netherlands B.V. | Deep learning for semantic segmentation of pattern |
| WO2019224823A1 (en) * | 2018-05-22 | 2019-11-28 | Ramot At Tel-Aviv University Ltd. | Method and system for imaging and image processing |
| CN111316294A (zh) * | 2017-09-15 | 2020-06-19 | 沙特阿拉伯石油公司 | 使用神经网络推断烃储层的岩石物理特性 |
-
2020
- 2020-08-05 CN CN202010778762.XA patent/CN111899274B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111316294A (zh) * | 2017-09-15 | 2020-06-19 | 沙特阿拉伯石油公司 | 使用神经网络推断烃储层的岩石物理特性 |
| WO2019162204A1 (en) * | 2018-02-23 | 2019-08-29 | Asml Netherlands B.V. | Deep learning for semantic segmentation of pattern |
| WO2019224823A1 (en) * | 2018-05-22 | 2019-11-28 | Ramot At Tel-Aviv University Ltd. | Method and system for imaging and image processing |
| CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
| CN110147794A (zh) * | 2019-05-21 | 2019-08-20 | 东北大学 | 一种基于深度学习的无人车室外场景实时分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 深度卷积神经网络图像语义分割研究进展;青晨;禹晶;肖创柏;段娟;;中国图象图形学报(06);全文 * |
| 煤岩微观相态FCN智能识别与分形重构;薛东杰;唐麒淳;王傲;易海洋;张弛;耿传庆;周宏伟;;岩石力学与工程学报(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111899274A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899274B (zh) | 一种基于深度学习tem图像分割的粒径分析方法 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
| CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
| CN109615604B (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
| CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
| CN111161213B (zh) | 一种基于知识图谱的工业产品缺陷图像分类方法 | |
| CN110991439A (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
| Xing et al. | Investigation of a novel automatic micro image-based method for the recognition of animal fibers based on wavelet and Markov random field | |
| CN112529090A (zh) | 一种基于改进YOLOv3的小目标检测方法 | |
| CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
| CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
| CN115731400A (zh) | 基于自监督学习的x光图像异物检测方法 | |
| CN113792666B (zh) | 一种基于扫描电镜图像的混凝土分类方法及系统 | |
| CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN111767919B (zh) | 一种多层双向特征提取与融合的目标检测方法 | |
| CN115082741B (zh) | 基于图像处理的废旧纺织品分类方法 | |
| CN115100656B (zh) | 空白答题卡识别方法、系统、存储介质及计算机设备 | |
| CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
| CN114897823B (zh) | 一种细胞学样本图像质量控制方法、系统及存储介质 | |
| CN112906707B (zh) | 一种表面缺陷图像的语义分割方法、装置及计算机设备 | |
| Hezil et al. | Vehicle license plate detection using morphological operations and deep learning | |
| CN113177574B (zh) | 用于材料表征图像分析的视觉模型及其分析方法 | |
| CN107609585A (zh) | 一种基于卷积神经网络的体液细胞显微图像识别方法 | |
| CN114092441A (zh) | 一种基于双重神经网络的产品表面缺陷检测方法及系统 |
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 |