[發明專利]一種基于深度學習的氦泡分割計數方法

在審

• 申請號: 202010386872.1
• 申請日: 2020-05-09
• 公開（公告）號: CN111709908A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 孫九愛;吳忠航;張地大;朱天寶;林俊;劉仁多
• 申請（專利權）人: 上海健康醫學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 王懷瑜

1.一種基于深度學習的氦泡分割計數方法，其特征在于，包括：獲取包含氦泡的單張圖像，采用深度學習的全卷積神經網絡，將圖像分割為氦泡區域和非氦泡區域，并實現氦泡自動計數。

2.根據權利要求1所述的一種基于深度學習的氦泡分割計數方法，其特征在于，所述的全卷積神經網絡包括卷積層、池化層和反卷積層，訓練樣本包括原始圖像和分割標注圖像，所述的分割標注圖像將原始圖像分為氦泡區域和非氦泡區域。

3.根據權利要求2所述的一種基于深度學習的氦泡分割計數方法，其特征在于，所述的卷積層采用尺寸大小為n×n像素的卷積核與原始圖像中的局部數據進行加權求和運算，直到卷積完所有的輸入數據。

4.根據權利要求3所述的一種基于深度學習的氦泡分割計數方法，其特征在于，所述的n為奇數。

5.根據權利要求2所述的一種基于深度學習的氦泡分割計數方法，其特征在于，所述的池化層采用最大池化法，所述的反卷積層采用上采樣方法，將經過卷積和池化層后縮減的圖像還原到原始圖像的大小。

6.根據權利要求2所述的一種基于深度學習的氦泡分割計數方法，其特征在于，訓練前，將原始圖像和分割標注圖像通過旋轉、平移和變形進行數據增強，從而增加數據庫中包含樣本的數量。

7.根據權利要求1所述的一種基于深度學習的氦泡分割計數方法，其特征在于，圖像分割過程中，采用最小二乘法進行多項式曲線擬合，獲得光滑的氦泡邊緣。

8.根據權利要求1所述的一種基于深度學習的氦泡分割計數方法，其特征在于，該方法還包括：結合用戶特定的統計分析需求，實現氦泡統計分析。

9.根據權利要求8所述的一種基于深度學習的氦泡分割計數方法，其特征在于，所述的統計分析包括：將氦泡數量、形態特征和分布特征，采用排序和聚類進行統計分析。

10.根據權利要求1所述的一種基于深度學習的氦泡分割計數方法，其特征在于，所述的原始圖像為使用透射電子顯微鏡方法獲取的TEM數字圖像，圖像的尺寸不固定。