用于材料表征图像分析的视觉模型及其分析方法技术

本发明专利技术提供了一种用于材料表征图像分析的视觉模型及其分析方法。本发明专利技术通过对显微图像大数据进行收集与标记，构建材料表征图像数据集；并利用该数据集进行高通量深度学习，构建基于深度学习的神经网络模型和动态统计模型，从而对原子或晶格缺陷进行识别与定位，并自动标注晶格间距、分类统计材料微观颗粒的真实形态、定量分析材料的组织动力学。通过上述方式，本发明专利技术能够实现对材料表征图像的自动化高通量分析，并根据材料的微观形貌及其微观动力学对材料的宏观性质进行计算与推导，有利于推动材料学的理论发展和技术进步，具有较高的实际应用价值。

【技术实现步骤摘要】
用于材料表征图像分析的视觉模型及其分析方法
本专利技术涉及材料表征图像分析
，尤其涉及一种用于材料表征图像分析的视觉模型及其分析方法。
技术介绍
材料组分决定微观结构，微观结构决定宏观理化性质。近年来，原子力显微镜(AFM)、扫描透射电子显微镜(STEM)以及冷冻电镜(Cryo-SEM)等高端表征技术的最新进展使人们能够以原子级的空间分辨率观察材料的微观演化规律，这些手段与高速摄像技术的耦合更是提高了表征技术的时间分辨率，这使得原子级别的动力学现象得以直接观测。原位电镜研究的物理化学现象已经非常广泛，包括缺陷演化、位错迁移、物相转化等，甚至可以观测电磁热力多场耦合极端冲击条件下的瞬态物相变化。然而，材料科学表征的成功不仅需要探索性的研究和仪器的改进，还需要将这些仪器所产生的大量数据及时有效地处理，以推断描述材料微观结构的动力学和热力学等特定信息。虽然高时空分辨率材料数据采集的能力在不断提升，从这些高端表征图像中推断出的关于过程动力学和热力学的信息却很少，人工分析在体量和速度上的固有局限性阻碍了高端表征技术的深层次利用。因此，亟需开发一个针对材料表征图像的视觉模型，从而代替人工对材料表征图像进行自动分析。公开号为CN112132785A的专利提供了一种二维材料的透射电镜图像识别、分析方法及系统。该专利通过将透射电镜图像中像素大于设定阈值的像素点确定为原子中心，并根据透射电镜图像和原子半径，采用多条等高线的多椭圆拟合法确定原子位置，进而将原子进行连接，得到原子结构图，并以此确定二维材料的形貌、角度以及键长。然而，该专利提供的方法仅能用于对二维材料的透射电镜图像进行分析，适用范围较窄；且对于原子位置的识别需要已知原子半径才能进行，对于未知的透射电镜图像则难以自动进行识别，实际应用受限。有鉴于此，有必要设计一种改进的用于材料表征图像分析的视觉模型及其分析方法，对不同尺度下的各类微观表征图片进行自动分析，实现对材料微观缺陷的检测和跟踪，并进一步从这些观察结果中提取微观结构反应机理，以解决上述问题。
技术实现思路
针对上述现有技术的缺陷，本专利技术的目的在于提供一种用于材料表征图像分析的视觉模型及其分析方法。通过对显微图像大数据进行收集与标记，构建材料表征图像数据集；并利用该数据集进行高通量深度学习，构建基于深度学习的神经网络模型和动态统计模型，对原子或晶格缺陷进行识别与定位，并自动标注晶格间距、分类统计材料微观颗粒的真实形态、定量分析材料的组织动力学，实现对材料表征图像的自动化高通量分析。为实现上述目的，本专利技术提供了一种材料表征图像的分析方法，包括如下步骤：对材料表征图像样本进行收集与标记，构建材料表征图像数据集；建立初始神经网络模型，并利用所述材料表征图像数据集对其进行训练，得到基于深度学习的神经网络模型；并构建动态统计模型；将待分析的材料表征图像输入所述基于深度学习的神经网络模型和所述动态统计模型中，并对输出的结果进行识别与分析，完成原子识别和晶面间距标注、微观颗粒形貌统计以及微观结构运动轨迹跟踪。作为本专利技术的进一步改进，所述材料表征图像数据集包括由标记有原子种类和晶体结构参数的第一材料表征图像组成的第一数据集、由标记有微观颗粒的边缘和中心点的第二材料表征图像组成的第二数据集以及由标记有微观结构特征的第三材料表征图像组成的第三数据集。作为本专利技术的进一步改进，所述基于深度学习的神经网络模型包括由所述第一数据集训练得到的第一神经网络模型以及由所述第二数据集训练得到的第二神经网络模型。作为本专利技术的进一步改进，所述第一神经网络模型的训练包括如下步骤：S1、将所述第一数据集内任一所述第一材料表征图像的像素矩阵输入所述初始神经网络模型中，像素值依次经卷积层、池化层、全连接层和全卷积层运算后，得到输出像素矩阵；S2、将步骤S1得到的所述输出像素矩阵与步骤S1中使用的所述第一材料表征图像的像素矩阵对比，并计算损失函数值；S3、重复步骤S1～S2，将所述第一数据集内的其他所述第一材料表征图像的像素矩阵依次输入所述初始神经网络模型中，得到与每张所述第一材料表征图分别对应的损失函数值；再根据各损失函数值计算损失梯度，并采用链式法对所述初始神经网络模型中的网络参数进行调整，得到调整后的神经网络模型；S4、以所述调整后的神经网络模型代替所述初始神经网络模型，重复步骤S1～S3对所述网络参数进行调整，直至得到的损失函数值处于预定的阈值范围内，即完成对所述第一神经网络模型的训练。作为本专利技术的进一步改进，所述第一神经网络模型输出的结果包括分割后的原子图像、晶格图像以及识别的原子种类和晶体结构参数，所述晶体结构参数包括晶面间距、晶胞参数和晶向；对所述第一神经网络模型输出的结果进行识别与分析时，还包括对原子缺陷和晶格缺陷类型的判断。作为本专利技术的进一步改进，所述第二数据集内的所述第二材料表征图像根据如下方式得到：对含有微观颗粒的材料表征图像进行降噪预处理后，将图像中的所述微观颗粒与背景分离，并对每个所述微观颗粒的边缘和中心点进行人工标注；当所述微观颗粒相互重叠或邻接时，采用多种图像变换方式对其进行分离与提取。作为本专利技术的进一步改进，所述第二神经网络模型用于对所述微观颗粒的边缘和中心进行识别与分离，并输出所述微观颗粒的形态特征；所述形态特征包括等效直径、面积、周长和曲率；对所述第二神经网络模型输出的结果进行识别与分析时，还包括建立所述形态特征与材料宏观性质之间的关联数据库。作为本专利技术的进一步改进，所述第三数据集内的所述第三材料表征图像中标记的所述微观结构特征包括微观结构的轮廓和类别；所述动态统计模型用于对所述第三数据集或所述第二神经网络模型输出数据中的微观结构的位置及去向进行识别与跟踪。作为本专利技术的进一步改进，所述动态统计模型输出的结果包括微观结构的运动轨迹；对所述动态统计模型输出的结果进行识别与分析时采用了非监督的方式，用于识别与不同能量状态的材料结构，并根据所述运动轨迹定量分析材料的组织动力学，以便对材料的宏观特性进行计算与推导。为实现上述目的，本专利技术还提供了一种用于材料表征图像分析的视觉模型，包括用于完成原子识别和晶面间距标注的第一神经网络模型、用于统计微观颗粒形貌的第二神经网络模型以及用于跟踪微观结构运动轨迹的动态统计模型。本专利技术的有益效果是：(1)本专利技术通过对显微图像大数据进行收集与标记，构建了材料表征图像数据集；并利用该数据集进行高通量深度学习，构建了基于深度学习的神经网络模型和动态统计模型。在此基础上，本专利技术能够利用该神经网络模型和动态统计模型对材料表征图像进行处理，从而对材料表征图像中的原子或晶格缺陷进行识别与定位，并自动标注晶格间距、分类统计材料微观颗粒的真实形态、定量分析材料的组织动力学，实现对材料表征图像的自动化高通量分析。并且，通过对神经网络模型和动态统计模型输出结果的进一步识别与分析，还能够探寻宏观性质与微观形貌结构的对应关系，进而定量计算甚至推导宏观特性，并分本文档来自技高网...

【技术保护点】
1.一种材料表征图像的分析方法，其特征在于，包括如下步骤：/n对材料表征图像样本进行收集与标记，构建材料表征图像数据集；/n建立初始神经网络模型，并利用所述材料表征图像数据集对其进行训练，得到基于深度学习的神经网络模型；并构建动态统计模型；/n将待分析的材料表征图像输入所述基于深度学习的神经网络模型和所述动态统计模型中，并对输出的结果进行识别与分析，完成原子识别和晶面间距标注、微观颗粒形貌统计以及微观结构运动轨迹跟踪。/n

【技术特征摘要】
1.一种材料表征图像的分析方法，其特征在于，包括如下步骤：
对材料表征图像样本进行收集与标记，构建材料表征图像数据集；
建立初始神经网络模型，并利用所述材料表征图像数据集对其进行训练，得到基于深度学习的神经网络模型；并构建动态统计模型；
将待分析的材料表征图像输入所述基于深度学习的神经网络模型和所述动态统计模型中，并对输出的结果进行识别与分析，完成原子识别和晶面间距标注、微观颗粒形貌统计以及微观结构运动轨迹跟踪。


2.根据权利要求1所述的材料表征图像的分析方法，其特征在于：所述材料表征图像数据集包括由标记有原子种类和晶体结构参数的第一材料表征图像组成的第一数据集、由标记有微观颗粒的边缘和中心点的第二材料表征图像组成的第二数据集以及由标记有微观结构特征的第三材料表征图像组成的第三数据集。


3.根据权利要求2所述的材料表征图像的分析方法，其特征在于：所述基于深度学习的神经网络模型包括由所述第一数据集训练得到的第一神经网络模型以及由所述第二数据集训练得到的第二神经网络模型。


4.根据权利要求3所述的材料表征图像的分析方法，其特征在于：所述第一神经网络模型的训练包括如下步骤：
S1、将所述第一数据集内任一所述第一材料表征图像的像素矩阵输入所述初始神经网络模型中，像素值依次经卷积层、池化层、全连接层和全卷积层运算后，得到输出像素矩阵；
S2、将步骤S1得到的所述输出像素矩阵与步骤S1中使用的所述第一材料表征图像的像素矩阵对比，并计算损失函数值；
S3、重复步骤S1～S2，将所述第一数据集内的其他所述第一材料表征图像的像素矩阵依次输入所述初始神经网络模型中，得到与每张所述第一材料表征图分别对应的损失函数值；再根据各损失函数值计算损失梯度，并采用链式法对所述初始神经网络模型中的网络参数进行调整，得到调整后的神经网络模型；
S4、以所述调整后的神经网络模型代替所述初始神经网络模型，重复步骤S1～S3对所述网络参数进行调整，直至得到的损失函数值处于预定的阈值范围内，即完成对所述第一神经网络模型的...

【专利技术属性】
技术研发人员：徐佐，曹元成，沙武鑫，朱志华，武汉琦，程丹芃，
申请(专利权)人：华中科技大学，中信戴卡股份有限公司，
类型：发明
国别省市：湖北;42