一种基于深度学习的扫描隧道显微镜图像质量评价方法技术

本发明专利技术公开了一种基于深度学习的扫描隧道显微镜图像质量评价方法，包括如下步骤：控制探针逼近标准样品，进行扫描成像；将扫描后的图像进行数据预处理，然后送入预先训练好的模型进行检测；使用卷积神经网络进行质量评估，以此对显微镜图像的成像结果进行判断。本发明专利技术对STM成像进行全自动分析评价，自动分类出可用的效果好的图像，提升了扫描效率；自动判断显微镜图像并进行分类，降低了对STM操作人员的技术要求；无需参考图像，实现快速、高效的预测图像质量分数。

【技术实现步骤摘要】

本专利技术涉及扫描隧道显微镜，尤其涉及一种基于深度学习的扫描隧道显微镜图像质量评价方法。

技术介绍

1、扫描隧道显微镜(scanning tunneling microscope，简称stm)是一种使用原子尺度的探针来观察物质表面的高分辨率显微镜。它的基本结构包括步进马达、扫描头、前置放大器以及相关的电子学控制单元和配套的控制软件。其基本原理是基于量子隧穿效应、压电效应和逆压电效应。它的专利技术对纳米科学和纳米技术的发展起到了重要作用，并在凝聚态物理学、材料科学、表面化学等领域产生了深远的影响。

2、然而，由于扫描隧道显微镜的扫描速度较慢，并且扫描出来的图像可能存在模糊失真等问题，此时并不能很好的反应我们想要得到的原子信息，科研人员需要将扫描出来的图像进行评估，从而筛选可用的图像。但是，人工筛选无疑需要耗费额外的人力以及时间成本，因此，如果能够stm的扫描过程与当下的深度学习算法相结合，实现自动的对stm图像质量评价分析好坏并分类，就可以极大的提升扫描效率，便于科研人员分析。

3、在图像质量评价系统中，具体可以分为以人类视觉系统(h本文档来自技高网...

【技术保护点】

1.一种基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，所述步骤(3)的卷积神经网络包括主干网络、特征融合模块、质量回归预测模块以及softmax分类器模块。

3.根据权利要求2所述的基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，所述主干网络以大规模数据集ImageNet上预训练好ResNeSt-50为基础，提出了spilt-Attention模块，取主干网络后四个阶段的输出特征构建特征金字塔，并将这些特征按分辨率由大及小依次记为stagel、s...

【技术特征摘要】

1.一种基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，所述步骤(3)的卷积神经网络包括主干网络、特征融合模块、质量回归预测模块以及softmax分类器模块。

3.根据权利要求2所述的基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，所述主干网络以大规模数据集imagenet上预训练好resnest-50为基础，提出了spilt-attention模块，取主干网络后四个阶段的输出特征构建特征金字塔，并将这些特征按分辨率由大及小依次记为stagel、stage2、stage3、stage4特征。

4.根据权利要求2所述的基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，所述特征融合模块采用多尺度特征融合，在bisenet特征融合的基础上，改进了适合stm原子图像质量评价算法的特征融合模块，利用自注意力模块来计算一个权重向量对特征重新加权。

5.根据权利要求4所述的基于深度学习的扫描隧道显微镜图像质量评价方法，其特征在于，所述自注意力模块将输入进行通道压缩，展平成一维，对分支f(x)的特征图进行转置...

【专利技术属性】
技术研发人员：郭颖，朱琳琳，严舒，黄骏，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：