[發明專利]一種基于深度神經網絡的熔滴圖像輪廓提取方法及系統

在審

• 申請號: 202110583032.9
• 申請日: 2021-05-27
• 公開（公告）號: CN113284112A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 于強;劉曉珂;陸瀟曉
• 申請（專利權）人: 中國科學院國家空間科學中心
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06K9/46;G06T3/40;G06T5/50;G06N3/04;G06N3/08
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 李彪;徐淑東

本發明公開了一種基于深度神經網絡的熔滴圖像輪廓提取方法及系統，該方法包括：將采集的低分辨率熔滴圖像輸入預先建立和訓練好的熔滴圖像輪廓提取模型，得到高分辨率的熔滴圖像和高分辨率的熔滴輪廓圖像；所述熔滴圖像輪廓提取模型為并行連接的特征提取模塊和形狀監督模塊，再串行連接重建模塊；其中，特征提取模塊，用于提取低分辨率熔滴圖像的特征信息；形狀監督模塊，用于提取低分辨熔滴圖像的形狀信息，并輸出熔滴輪廓圖像；重建模塊，用于對低分辨率熔滴圖像的特征信息和熔滴輪廓圖像進行合并，輸出重建的高分辨率的熔滴圖像。本發明的方法與現有方法相比，提高了熱物性特征量計算的準確度，將兩步式的計算過程簡化為一步降低了計算復雜度。

技術領域

本發明涉及計算機領域和空間材料領域，具體地涉及一種基于深度神經網絡的熔滴圖像輪廓提取方法及系統。

背景技術

材料熱物性是表征材料性質的重要特征量，典型的熱物理性質包括熔體密度、熱膨脹系數、表面張力、粘度系數和深過冷比熱等，在航空航天、微電子技術、新材料研發等高新技術領域，以及石油化工，鋼鐵冶金等傳統工業領域都具有明顯的科學意義和重要的工程應用價值，是技術創新、材料開發和科學研究的基礎。在空間材料實驗中，材料熱物性特征參數計算的精確度對材料開展進一步的研究尤為重要。熔滴材料密度和熱膨脹系數的計算都與其體積有關，其表面張力以及粘度系數的計算又依賴于材料密度，可知材料熱物性特征量計算的精確度取決于體積測量精度。

熔滴體積通過解析圖像獲得，因此熔滴體積測量的精確與否很大程度上取決于融滴圖像質量以及所用的輪廓提取算法。受外部條件的限制，通常獲取到的熔滴圖像都是受噪音污染嚴重的低質量圖像，導致熱物性特征量計算困難且很不準確。由于深度神經網絡的優越性，在計算機領域采用深度神經網絡進行圖像的輪廓提取越來越普遍，但是在實際應用中，深度神經網絡提取圖像的輪廓對圖像的質量和分辨率有一定的要求，對于低分辨率的圖像進行輪廓提取仍然存在準確性較差的問題。

發明內容

本發明的目的在于克服現有圖像處理算法提取輪廓不準的問題，提出了一種基于深度神經網絡的熔滴圖像輪廓提取方法及系統。

為了實現上述目的，本發明提出了一種基于深度神經網絡的熔滴圖像輪廓提取方法，所述方法包括：

將采集的低分辨率熔滴圖像輸入預先建立和訓練好的熔滴圖像輪廓提取模型，得到高分辨率的熔滴圖像和高分辨率的熔滴輪廓圖像；

所述熔滴圖像輪廓提取模型為并行連接的特征提取模塊和形狀監督模塊，再串行連接重建模塊；其中，

所述特征提取模塊，用于提取低分辨率熔滴圖像的特征信息；

所述形狀監督模塊，用于提取低分辨率熔滴圖像的形狀信息，并輸出熔滴輪廓圖像；

所述重建模塊，用于對低分辨率熔滴圖像的特征信息和熔滴輪廓圖像進行合并，輸出重建的高分辨率的熔滴輪廓圖像。

作為上述方法的一種改進，所述特征提取模塊F_feature的輸入為低分辨率熔滴圖像LR，輸出為特征信息Y_feature，滿足下式：

Y_feature＝F_feature(LR)

所述特征提取模塊包括依次連接的第一卷積層、第二卷積層、兩個結構相同的殘差塊和第三卷積層；其中，

所述第一卷積層和第二卷積層，用于提取低分辨率熔滴圖像淺層的特征信息，其中，第一卷積層卷積核尺寸大小為3*3，特征通道數量為3，步長為1；第二卷積層卷積核尺寸大小為5*5，特征通道數量為64，步長為2；

所述兩個結構相同的殘差塊，用于提取低分辨熔滴圖像深層的特征信息并避免發生梯度消失與梯度爆炸，每個殘差塊均包括兩個卷積層、兩個標準化層和兩個激活函數層；其中，卷積層的尺寸大小為3*3，特征通道數量64，步長為1，激活函數層的激活函數為PReLU；