基于深度学习模型结合分水岭算法的稀土晶体观测方法技术

一种基于深度学习模型结合分水岭算法的稀土晶体观测方法，包括以下步骤：步骤1：准备稀土晶体结构图像数据集，将整个数据集划分成训练集和测试集；步骤2，对训练集图像进行数据增强；步骤3，使用训练集对改进的

【技术实现步骤摘要】
基于深度学习模型结合分水岭算法的稀土晶体观测方法


[0001]本专利技术涉及一种基于深度学习模型结合分水岭算法的稀土晶体观测方法，属于人工智能
、
深度学习
、
图像处理
、
晶体结构分析领域
。

技术介绍

[0002]稀土晶体在能源
、
材料
、
电子等领域具有广泛的应用前景
。
由于稀土元素的特殊电子结构和磁性性质，稀土晶体被广泛用于发光材料
、
储能材料
、
催化剂
、
磁性材料等领域，对于改善能源效率
、
提升材料性能以及推动科学技术发展起到重要作用
。
[0003]然而，稀土晶体的复杂结构和粘连问题给其观测和分析带来了挑战
。
传统的人工观测方法耗时耗力且容易出错，特别是当晶体数量庞大
、
形状多样
、
相互粘连时更加困难
。
图像处理和深度学习方法在稀土晶体分析中具有巨大潜力，可以提高观测效率和准确性
。
[0004]传统的图像分割方法在处理复杂晶体结构时效果有限，容易受到边界模糊和形状变化的影响，导致分割结果不准确
。
目前，基于深度学习的图像分割技术在各个领域都有着广泛的应用
。
然而，基于深度学习方法通常需要大量的标注数据进行训练，在稀土晶体研究中，获取大规模标注数据集是非常困难的，因为稀土晶体数量有限且各异
。
另外，深度学习方法在面对晶体之间可能存在粘连
、
形状变化和噪声等问题时，也存在的局限性
。

技术实现思路

[0005]为了克服深度学习方法和传统方法在处理复杂稀土晶体结构时的局限性，通过结合深度学习方法和传统图像处理技术，本专利技术提供了一种基于深度学习模型结合分水岭算法的稀土晶体观测方法
。
实现对稀土晶体的高效
、
准确的观测和分析，为稀土晶体研究提供了一种有效的技术手段
。
[0006]本专利技术解决其技术问题采用以下技术方案：
[0007]一种基于深度学习模型结合分水岭算法的稀土晶体观测方法，其中深度学习分割模型可以为任意现有分割模型，包括以下步骤：
[0008]步骤1：准备稀土晶体结构图像数据集，将整个数据集划分成训练集和测试集；
[0009]步骤2：对步骤1所得到的训练集图像进行随机数据增强；
[0010]步骤3：使用步骤2得到的训练集对改进的
Unet3+
深度学习模型进行训练，并在测试集上根据图像分割评价指标对分割模型进行评估，得到最终图像分割模型，使用该模型对晶体结构图进行预测得到原始分割结果图；
[0011]步骤4：针对步骤3获得的原始分割结果图，利用分水岭算法对原始分割结果图进行后处理，以处理晶体结构粘连而导致难以观测的问题；
[0012]步骤5：对步骤4分水岭算法后处理得到最终分割结果图进行观测，使用
OpenCV
库统计所有连通区域的特征信息，单个连通区域表示一个晶体，所述特征信息包括晶体总数
、
晶体密度
、
晶体平均直径
、
晶体平均面积和晶体面积占比
。
[0013]进一步，所述步骤4的过程如下：
[0014]4.1
：对原始分割结果图进行预处理，包括去噪
、
平滑和增强等操作，以改善图像质量和凸显晶体结构；
[0015]4.2
：对
4.1
步骤获得的图像进行开运算获得背景区域，同时对
4.1
步骤获得的图像距离变换确定前景区域；
[0016]4.3
：结合步骤
4.2
步骤得到的前景和背景区域，确定未知区域；
[0017]4.4
：创建标签并标记各个区域；
[0018]4.5
：实施分水岭算法，获得优化后的最终分割结果图
。
[0019]再进一步，所述步骤5中，使用
OpenCV
库中的
connectedComponents
函数统计分割结果中所有连通分量，实现晶体计数功能，并计算这些连通区域的像素点个数与原始图片尺寸之比得到晶体密度
、
晶体平均面积
、
面积占比，最后将每个晶体都示作等效圆计算其直径，即通过带入晶体面积到圆的面积公式中获得其估计直径；最终，完成观测
。
[0020]优选的，所述步骤1中，训练集和测试集划分比例为8：
2。
当然，也可以是其他比例
。
[0021]本专利技术的有益效果为：充分利用了深度学习方法在图像分割方面的优势，同时引入了分水岭算法作为后处理步骤，克服了传统方法在处理晶体粘连和边界模糊问题时的不足
。
通过综合应用两种方法，实现了对稀土晶体的高效
、
准确的观测和分析，能够为稀土晶体研究提供一种有效的分析手段，推动相关领域的发展和应用
。
附图说明
[0022]图1为本专利技术所述的方法总体框图；
[0023]图2为本专利技术所述方法中深度学习模型输出的原始分割结果图；
[0024]图3为本专利技术所述方法中分水岭算法优化过程图
。
具体实施方式
[0025]本实施例中以
Unet3+
模型作为深度学习分割模型，实际实施时可替换为任意其他分割模型，下面结合附图对本专利技术作进一步描述
。
[0026]参照图1～图3，一种基于深度学习模型结合分水岭算法的稀土晶体观测方法，其中深度学习分割模型可以为任意现有分割模型，包括以下步骤：
[0027]步骤1：准备稀土晶体结构图像数据集，将整个数据集划分成训练集和测试集，划分比例为8：2；
[0028]步骤2：对步骤1所得到的训练集图像进行
50
％概率的随机数据增强，其中使用的经典图像数据增强包括随机尺度缩放
、
随机平滑滤波
、
随机椒盐噪声
、
尺寸为
256
×
256
的随机填充裁剪
、
随机垂直水平翻转和随机亮度变换，针对晶体形状规则十分不规律的现象，应用弹性形变数据增强方法，包括仿射变换
、
随机位移场和控制变形；
[0029]步骤3：使用步骤2得到的训练集对分割模型进行训练，并在测试集上根据图像分割评价指标
(IoU)
对分割模型进行评估，得到最终图像分割模型
。
其中，使用余弦衰减策略，初始学习率为
0.01
，采用动量
SGD
优化器，动量因子为
0.9
，批次大小<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习模型结合分水岭算法的稀土晶体观测方法，其特征在于，所述方法包括以下步骤：步骤1：准备稀土晶体结构图像数据集，将整个数据集划分成训练集和测试集；步骤2：对步骤1所得到的训练集图像进行随机数据增强；步骤3：使用步骤2得到的训练集对改进的
Unet3+
深度学习模型进行训练，并在测试集上根据图像分割评价指标对分割模型进行评估，得到最终图像分割模型，使用该模型对晶体结构图进行预测得到原始分割结果图；步骤4：针对步骤3获得的原始分割结果图，利用分水岭算法对原始分割结果图进行后处理，以处理晶体结构粘连而导致难以观测的问题；步骤5：对步骤4分水岭算法后处理得到最终分割结果图进行观测，使用
OpenCV
库统计所有连通区域的特征信息，单个连通区域表示一个晶体，所述特征信息包括晶体总数
、
晶体密度
、
晶体平均直径
、
晶体平均面积和晶体面积占比
。2.
如权利要求1所述的基于深度学习模型结合分水岭算法的稀土晶体观测方法，其特征在于，所述步骤4的过程如下：
4.1
：对原始分割结果图进行预处理，包括去噪
、
平滑和增强等操作，以改善图像质量和凸显晶体结构...

【专利技术属性】
技术研发人员：张辉煌，陈琦，胡海根，周乾伟，管秋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：