[發明專利]一種基于數據與模型聯合驅動的陶瓷材料晶粒分割算法

有效

• 申請號: 202010836869.5
• 申請日: 2020-08-19
• 公開（公告）號: CN111915630B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 雷濤;李云彤;加小紅;周文政;袁啟斌;王成兵
• 申請（專利權）人: 陜西科技大學
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/13;G06T7/62;G06T5/30;G06N3/0464
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 強宏超

本發明公開了一種基于數據與模型聯合驅動的陶瓷材料晶粒分割算法，首先通過卷積神經網絡輸出圖像輪廓；其次利用魯棒分水嶺變換實現圖像中晶粒的預分割，解決了相關技術分水嶺算法存在的過分割以及分割區域個數與輪廓精度難以平衡的問題；最后根據卷積神經網絡輸出的圖像輪廓對預分割結果進行優化，本發明利用魯棒分水嶺變換聯合卷積神經網絡來構建分割模型，能夠實現陶瓷材料晶粒尺寸的自動測量，而且具有較高的計算效率和準確性，在基于掃描電鏡圖像的陶瓷材料分析領域具有廣泛的應用前景。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種基于數據與模型聯合驅動的陶瓷材料晶粒分割算法。

背景技術

陶瓷是一種多晶材料，研究人員通常利用掃描電子顯微鏡(Scanning?ElectronMicroscope,SEM)對陶瓷樣品掃描成像，通過分析圖像中晶粒的尺寸分布來估計陶瓷材料樣品的物理屬性。掃描電子顯微鏡的工作原理是通過高壓將電子束打在樣品表面，電子與樣品表面材料相互作用產生電信號，對電信號接收處理后顯示成像結果。陶瓷材料的SEM圖像由材料區域(即晶粒)和晶粒間的空隙(即晶界)組成，由于陶瓷是一種絕緣材料，不具備導電的性質，在成像時容易被高壓電擊穿。為了避免此類情況，需要控制晶粒尺寸盡可能小，即同樣大小的面積內存在更多的晶界，使高壓電從晶界導出，保護陶瓷樣本不被擊穿。然而晶粒尺寸直接決定了陶瓷材料的性能，因此需要統計SEM圖像中晶粒尺寸大小的分布情況，便于得到實驗條件與晶粒尺寸之間的分布關系，進而間接構建實驗條件與材料性能之間的對應關系。當前，SEM圖像中的晶粒分析主要依靠人工手段，測量結果具有明顯的局限性：首先，一幅圖像中晶粒個數眾多，人工統計耗時耗力，測量難度大、效率低；其次，晶粒大小形狀不規則，人工測量易受主觀因素影響導致結果不準確。因此如何提高工作效率以及晶粒尺寸測量的準確性仍然是一個具有挑戰性的課題。

為了獲取陶瓷材料的晶粒尺寸分布，首先需要分析陶瓷材料的SEM圖像，該類圖像具有以下幾個特點：圖像邊緣信息豐富但紋理信息缺失，圖像中的晶粒大小不均勻且形狀不規則，圖像的對比度較低。基于上述特點，利用圖像分割技術實現對晶粒的分割，然后統計晶粒的大小分布是一種可行的方法。常用的圖像分割方法分為無監督圖像分割方法和有監督圖像分割方法。

無監督圖像分割方法包含基于像素的圖像分割方法、基于輪廓的圖像分割方法和基于區域的圖像分割方法。在無監督圖像分割算法中，基于像素分類的圖像分割、基于區域信息的圖像分割都依賴于圖像的紋理特征，而陶瓷材料SEM圖像中的紋理信息缺失，導致這兩類方法難以實現有效的圖像分割。鑒于此類圖像邊緣信息豐富，我們將采用基于輪廓的圖像分割策略。在此類方法中，分水嶺是最為流行的一種算法。然而傳統的分水嶺變換對噪聲敏感，分割結果存在過分割問題，為了解決這個問題，學者們提出了形態學重建算法，通過腐蝕和膨脹運算修正梯度圖像，再對修正后的梯度圖像進行分水嶺變換，達到克服過分割問題的目的。相關技術的形態學重建算法(Adaptive?Morphological?Reconstruction,AMR)通過對梯度圖像執行組合形態學開閉運算，在保持大的目標不被平滑的同時有效濾除小目標，可以得到很好地重建效果。但是該算法的重建結果受梯度重建的結構元參數r影響較大，如果r取值較小，分割結果仍然存在過分割，如果r取值較大，結構元素對梯度的平滑導致分割結果的輪廓精度較低。

隨著深度學習的不斷快速發展，圖像語義分割越來越受到學者們的關注。與傳統的圖像分割不同，圖像語義分割本質上是對圖像的像素進行分類，將輸入圖像中的每個像素分配一個語義類別，以得到像素化的密集分類。針對圖像的輪廓預測，相關技術采用富卷積特征網絡(Richer?Convolutional?Features,RCF)，該網絡在每一個卷積層都計算其損失函數，且將所有層的特征信息進行融合得到最終的特征，其中深層次的特征可以輸出更多的輪廓信息，淺層次的特征可以為深層次特征補充細節。但是由于SEM圖像具有非常高的分辨率，現有圖像分割算法對SEM圖像分割耗時較長，并且SEM圖像采集設備高昂，很難像常規圖像一樣形成海量數據集，因此難以直接利用深度卷積神經網絡實現端到端的目標分割。所以如何快速獲得陶瓷材料SEM圖像的準確分割結果還需進一步研究。

發明內容