[发明专利]一种基于深度学习的氦泡分割计数方法

权利要求书

1.一种基于深度学习的氦泡分割计数方法，其特征在于，包括：获取包含氦泡的单张图像，采用深度学习的全卷积神经网络，将图像分割为氦泡区域和非氦泡区域，并实现氦泡自动计数。

2.根据权利要求1所述的一种基于深度学习的氦泡分割计数方法，其特征在于，所述的全卷积神经网络包括卷积层、池化层和反卷积层，训练样本包括原始图像和分割标注图像，所述的分割标注图像将原始图像分为氦泡区域和非氦泡区域。

3.根据权利要求2所述的一种基于深度学习的氦泡分割计数方法，其特征在于，所述的卷积层采用尺寸大小为n×n像素的卷积核与原始图像中的局部数据进行加权求和运算，直到卷积完所有的输入数据。

4.根据权利要求3所述的一种基于深度学习的氦泡分割计数方法，其特征在于，所述的n为奇数。

5.根据权利要求2所述的一种基于深度学习的氦泡分割计数方法，其特征在于，所述的池化层采用最大池化法，所述的反卷积层采用上采样方法，将经过卷积和池化层后缩减的图像还原到原始图像的大小。

6.根据权利要求2所述的一种基于深度学习的氦泡分割计数方法，其特征在于，训练前，将原始图像和分割标注图像通过旋转、平移和变形进行数据增强，从而增加数据库中包含样本的数量。

7.根据权利要求1所述的一种基于深度学习的氦泡分割计数方法，其特征在于，图像分割过程中，采用最小二乘法进行多项式曲线拟合，获得光滑的氦泡边缘。

8.根据权利要求1所述的一种基于深度学习的氦泡分割计数方法，其特征在于，该方法还包括：结合用户特定的统计分析需求，实现氦泡统计分析。

9.根据权利要求8所述的一种基于深度学习的氦泡分割计数方法，其特征在于，所述的统计分析包括：将氦泡数量、形态特征和分布特征，采用排序和聚类进行统计分析。

10.根据权利要求1所述的一种基于深度学习的氦泡分割计数方法，其特征在于，所述的原始图像为使用透射电子显微镜方法获取的TEM数字图像，图像的尺寸不固定。