[发明专利]一种基于深度学习的氦泡分割计数方法

说明书

本发明涉及一种基于深度学习的氦泡分割计数方法，通过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。与现有技术相比，本发明提高了合金氦泡的识别准确率和计数效率，可降低人工识别产生的人为计数误差，大幅节省分析人员工作时间。同时，该方法能够处理形态各异的不同演化时期的氦泡图像，并能克服成像过程中光照条件不均匀和尺度不一致等问题，实现更加可靠的氦泡识别和计数分析。该方法还可以根据用户的特定需求对所获取的TEM图像进行氦泡形态和尺寸等进行统计分析，极大提升了透射电镜在材料辐照性能方面的研究能力。

技术领域

本发明涉及一种图像识别方法，尤其是涉及一种基于深度学习的氦泡分割计数方法。

背景技术

镍基合金因为其优异的耐熔盐腐蚀性及良好的高温力学性能成为熔盐堆结构材料的潜力候选者，而该材料在熔盐堆内受到中子和其它射线的辐照会发生高温氦脆现象，这是影响其在堆内服役性能的主要问题之一。这种高温氦脆主要是由于辐照产生的氦在合金晶界处聚集形成氦泡，晶界处氦泡的不断演变长大导致材料极其容易发生晶间断裂。例如在熔盐堆运行的高温条件下，慢中子与镍基合金中的10B发生(n,α)反应，快中子与合金中的Ni、Fe等核素发生(n,α)反应,都会使合金材料在产生材料缺陷的同时产生He。这些He原子在应力作用下，迁移到晶界并聚集形成空洞或氦泡，引起材料晶间断裂致使其延展性大大降低。

氦脆行为严重影响金属的抗拉性能、蠕变性能以及缩短材料的疲劳寿命。因此在材料制备过程中需要准确了解氦泡在材料中的形成与生长演化机制，评估高温辐照后氦泡的演化对材料硬化程度的贡献。而研究氦泡的生长演化及其对材料辐照硬化的贡献都需要统计氦泡的形态、尺寸、及密度分布。因此，对氦泡进行准确统计是对材料辐照硬化研究结果定量化中重要的一环。目前，镍基材料在高温辐照后的氦脆现象，通常采用透射电子显微镜(TEM)换焦观测法进行识别和确认：当TEM处于“欠焦”状态下，氦泡在获取的数字图像中显示为白色斑点，当TEM处于“过焦”条件下，氦泡在图像中的同样位置显示为黑色斑点。

目前，TEM数字图片中氦泡的识别和计数，普遍采用的方法是使用Nano Measurer或IPP软件，将数字图像导入软件，进行人工手动标记和软件自动标注。人工手动标记方法需要标注人员具备一定的先验知识，能够根据TEM的过欠焦影像特性辨别氦泡及氦泡的重叠，不同的标注人员标注产生的结果往往都不一样，因此人工手动标记存在很大的主观性和不一致性，且人工标注和统计非常耗时，不适合大规模的氦泡识别和数据统计分析。虽然已有的软件自动标注方法利用图像处理技术分析TEM图像，通过划分氦泡与非氦泡区域氦泡的个数及其尺寸的自动计算，提高了氦泡计数的效率，但实际中氦泡与非氦泡区域的差异性很小，且图像中非氦泡区域象素的背景灰度值分布不均，因此基于传统图像处理技术的氦泡与非氦泡区域的识别划分很困难，导致使用者往往更加愿意采用人工标注的方法进行氦泡的计数和分析。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种不受成像条件限制，能对不同尺度TEM图像进行的基于深度学习的氦泡分割计数方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的氦泡分割计数方法，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。

进一步的，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。

进一步的，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。

进一步的，所述的n为奇数，奇数大小的卷积核(矩阵)是对称的，方便设计各种算法，在处理图像时能够对等的遍历所有像素。