一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法制造技术

本发明专利技术公开了一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，首先通过卷积神经网络输出图像轮廓；其次利用鲁棒分水岭变换实现图像中晶粒的预分割，解决了相关技术分水岭算法存在的过分割以及分割区域个数与轮廓精度难以平衡的问题；最后根据卷积神经网络输出的图像轮廓对预分割结果进行优化，本发明专利技术利用鲁棒分水岭变换联合卷积神经网络来构建分割模型，能够实现陶瓷材料晶粒尺寸的自动测量，而且具有较高的计算效率和准确性，在基于扫描电镜图像的陶瓷材料分析领域具有广泛的应用前景。

【技术实现步骤摘要】
一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法
本专利技术属于图像处理
，具体涉及一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法。
技术介绍
陶瓷是一种多晶材料，研究人员通常利用扫描电子显微镜(ScanningElectronMicroscope,SEM)对陶瓷样品扫描成像，通过分析图像中晶粒的尺寸分布来估计陶瓷材料样品的物理属性。扫描电子显微镜的工作原理是通过高压将电子束打在样品表面，电子与样品表面材料相互作用产生电信号，对电信号接收处理后显示成像结果。陶瓷材料的SEM图像由材料区域(即晶粒)和晶粒间的空隙(即晶界)组成，由于陶瓷是一种绝缘材料，不具备导电的性质，在成像时容易被高压电击穿。为了避免此类情况，需要控制晶粒尺寸尽可能小，即同样大小的面积内存在更多的晶界，使高压电从晶界导出，保护陶瓷样本不被击穿。然而晶粒尺寸直接决定了陶瓷材料的性能，因此需要统计SEM图像中晶粒尺寸大小的分布情况，便于得到实验条件与晶粒尺寸之间的分布关系，进而间接构建实验条件与材料性能之间的对应关系。当前，SEM图像中的晶粒分析主要依靠人工手段，测量结果具本文档来自技高网...

【技术保护点】
1.一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，包括以下步骤：/n1)输入扫描电镜图像f，利用RCF网络输出对应的梯度图像g

【技术特征摘要】
1.一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，包括以下步骤：
1)输入扫描电镜图像f，利用RCF网络输出对应的梯度图像grcf；
2)利用结构边缘算法获得扫描电镜图像f对应的梯度图像g；
3)利用鲁棒分水岭变换对梯度图像g进行预分割，得到预分割结果f0；
4)利用基于形态学的轮廓优化方法对预分割结果f0进行优化，得到优化后结果f1；
5)利用分水岭变换对梯度图像grcf进行分割，得到结果frcf，根据结果frcf对优化后结果f1进行优化，得到最终结果f2；
6)根据最终结果f2，统计晶粒面积分布，并计算晶粒尺寸。


2.根据权利要求1所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤2)中设定图像灰度方差阈值η，计算图像灰度值方差var，若图像灰度值方差var小于等于图像灰度方差阈值η，则利用结构边缘算法输出对应的梯度图像g；若图像灰度值方差var大于图像灰度方差阈值η，则先对扫描电镜图像f进行预处理使图像灰度值均匀化，再利用结构边缘算法输出对应的梯度图像g。


3.根据权利要求2所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述图像灰度方差阈值η＝1.5×103。


4.根据权利要求2所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤2)中预处理采用多尺度Retinex算法，模型为：



Rn(x,y)＝logIn(x,y)-log[Fn(x,y)*In(x,y)]



其中，RMSR是多尺度Retinex算法输出的反射图像；N＝3，n取1、2、3，分别表示低、中、高三个尺度；wn表示权重系数，w1＝w2＝w3＝1/3；Rn(x,y)表示多尺度的反射图像，In(x,y)表示实验图像，其中，x表示横坐标，y表示纵坐标；Fn(x,y)是高斯环绕函数，其中，K的取值满足∫∫Fn(x,y)dxdy＝1；cn表示高斯环绕空间常数，其中，c...

【专利技术属性】
技术研发人员：雷涛，李云彤，加小红，周文政，袁启斌，王成兵，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：陕西;61