【技术实现步骤摘要】
基于迁移学习的二维材料晶格图像分类方法和系统
[0001]本专利技术涉及图像处理
，具体涉及一种基于迁移学习的二维材料晶格图像分类方法和系统。
技术介绍
[0002]二维材料因其特殊的量子效应和先进的材料性能被广泛应用和研究。自扫描隧道显微镜(STM)是表征二维材料表面和吸附物的重要工具，STM除了提供原子见解外，还可用于表征电子结构、分子轨道形状以及振动和磁激发，并用于操纵吸附物和吸附原子，以及催化和量子信息处理应用。但是，在利用STM图像进行二维材料分类时，现有技术缺乏有效的分类手段，导致分类准确性较差，分类效率较低。
[0003]因此，提供一种基于迁移学习的二维材料晶格图像分类方法和系统，以期实现根据晶格类型对二维材料的STM图的自动分类和分类预测，以保证分类准确性和分类效率，就成为本领域技术人员亟待解决的问题。
技术实现思路
[0004]为此，本专利技术实施例提供一种基于迁移学习的二维材料晶格图像分类方法和系统，以至少部分解决现有技术中晶格图像分类准确性差、分类效率低的技术问题，以实现根...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习的二维材料晶格图像分类方法，其特征在于，所述方法包括：获取待分类的原始图像；将所述原始图像输入预先训练的图像分类模型中，以得到所述原始图像对应的各类型晶格的预测准确度；提取各所述预测准确度中的准确度最高值，以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果；其中，所述图像分类模型是基于卷积神经网络利用晶格图像样本进行训练得到的；晶格图像样本为从数据库中收集到多张二维材料的STM晶格图，其晶格类型共包含五类，分别为正方形、矩形、菱形、平行四边形和六边形，并将选取的二维STM图按照晶格类型打上对应的5种分类的标签。2.根据权利要求1所述的基于迁移学习的二维材料晶格图像分类方法，其特征在于，提取各所述预测准确度中的准确度最高值，以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果，之后还包括：将所述分类结果存储为表格文件，并以可视化的方式输出所述表格文件。3.根据权利要求1所述的基于迁移学习的二维材料晶格图像分类方法，其特征在于，基于卷积神经网络利用晶格图像样本进行训练，以得到的所述图像分类模型，具体包括：获取多条晶格图像样本，并构成样本数据集，所述样本数据集中包括多种类型晶格对应的晶格图像样本；将所述样本数据集按预设比例划分为训练集、验证集和测试集；使用卷积神经网络架构对所述训练集进行训练，以得到初始分类模型；利用所述验证集对所述初始分类模型进行优化，以得到优化后的图像分类模型；利用所述测试集对所述图像分类模型进行结果测试。4.根据权利要求3所述的基于迁移学习的二维材料晶格图像分类方法，其特征在于，获取多条晶格图像样本，并构成样本数据集，具体包括：获取n条晶格图像样本，...
【专利技术属性】
技术研发人员：李龙，
申请(专利权)人：苏州创腾软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。