[发明专利]基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法和系统

权利要求书

1.一种基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法，其特征在于，方法包括：

步骤一：获取扫描电子显微镜图像，即SEM图像，以及相应的操作文件，构建相应的SEM图像样本库；

步骤二：对步骤一构建的SEM图像样本库中的原始图像进行实例分割标注，构建SEM图像实例分割数据集；

步骤三：构建Mask RCNN实例分割模型；

步骤四：利用步骤二得到的SEM图像实例分割数据集对步骤三构建的Mask RCNN实例分割模型进行训练及参数调整；

步骤五：利用步骤四训练后的Mask RCNN实例分割模型完成对SEM图像样本的分子筛实例分割；

步骤六：根据步骤五得到的SEM图像分子筛实例分割的结果计算SEM图像中分子筛粒径大小，从而实现对分子筛粒径的统计。

2.根据权利要求1所述的基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法，其特征在于，步骤一进一步包括：

先将SEM图像以及相应的操作文件按照实验批次整理到相应文件夹下，再对整理结果做简单筛选，包括剔除图像信息缺失或操作文件信息缺失的样本；

其中SEM图像及相应的操作文件产生于对相关分子筛的扫描电子显微镜操作过程，SEM图像以灰度图像为主但不限于灰度图像，操作文件中具有相应的比例尺信息。

3.根据权利要求1所述的基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法，其特征在于，步骤二进一步包括：

首先，在步骤一所构建的SEM图像样本库中，随机选取用于构建有标签的样本，将所有样本分为训练集和测试集；

然后，对SEM图像中的分子筛采用多边形的方式标注其轮廓，在标注过程中对SEM中分子筛进行分类；

最后，完成实例分割标注的标签存储为json文件且以图片为基准，将所有图片的json文件统一转化成为COCO数据集格式的json文件并与对应的SEM图像对应归置。

4.根据权利要求1所述的基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法，其特征在于，步骤三构建的模型中设置的多分支神经网络包括带有特征金字塔网络的ResNet101特征提取网络、区域提议网络、感兴趣区域层、分类与边框分支、掩码分支，特征金字塔网络用于提高实例分割网络的整体分割精度。

5.根据权利要求4所述的基于Mask RCNN实例分割的SEM图像分子筛粒径统计方法，其特征在于，主干特征提取网络采用ResNet101和特征金字塔网络相结合的形式，设置输出通道n维；其中ResNet101表示隐藏层数为101的残差神经网络且去掉全连接层，特征金字塔网络在ResNet101特征提取网络的各个阶段特征的基础上引入由高层特征下采样而得到的强语义信息，使得ResNet101网络的各个阶段特征在保留相应分辨率的基础上兼具有较强的语义信息；

区域提议网络与主干网络共享特征提取网络，添加全连接网络推断候选区域位置信息和前景背景分类，并采用非最大抑制去除重叠的区域提议；

感兴趣区域层采用ROI Align从主干特征提取网络和区域提议网络获取候选区域特征并向分类与边框分支输出7×7的采样特征，向掩码分支输出14×14的采样特征；

分类与边框分支由卷积神经网络实现，利用卷积神经网络对经过ROIAlign处理后的候选区域进行分子筛类别分类与边框回归；

掩码分支由全卷积神经网络实现，利用全卷积神经网络对经过ROI Align处理后的候选区域进行掩码回归；

在图像预处理过程中将图像进行统一放缩。