[发明专利]基于残差网络的分子筛SEM图像分类方法和系统

权利要求书

1.一种基于残差网络的分子筛SEM图像分类方法，其特征在于，包括如下的步骤：

构建SEM图像样本库，所述SEM图像样本库中包括多个SEM图像；

基于经过类别标注的所述多个SEM图像的全部或其中一部分，构建SEM图像类别数据集；

构建残差网络图像分类模型，并根据所述SEM图像类别数据集中的SEM图像对所述残差网络图像分类模型训练；以及

利用训练后的残差网络图像分类训练模型对所述多个SEM图像和/或重新拍摄的分子筛SEM图像进行分类，

其中，在对所述残差网络图像分类模型训练时，配置损失函数如下：

其中，t_ki为所述SEM图像类别数据集中的任一SEM图像k属于类别i的概率，y_ki为所述任一SEM图像k经过所述残差网络图像分类模型的分类结果属于类别i的概率，以及γ为用于调整所述任一SEM图像k偏重的指数系数。

2.如权利要求1所述的方法，其特征在于，所述多个SEM图像的全部或其中一部分在经过所述类别标注之前，还经过预处理，所述预处理包括调整所述多个SEM图像的大小、色彩和/或摆放方式。

3.如权利要求1或2所述的方法，其特征在于，所述类别标注包括在进行图像质量标注后进行分子筛形貌标注，其中，所述图像质量标注包括根据图像的清晰程度以及图像内容将待标注的SEM图像标注为清楚或不清楚，所述分子筛形貌标注包括将已标注图像质量的SEM图像标注为立方体、六棱柱和/或球体。

4.如权利要求1所述的方法，其特征在于，在所述构建残差网络图像分类模型之前还包括将所述SEM图像类别数据集中的SEM图像分为训练集和测试集，在构建所述残差网络图像分类模型时，根据所述训练集中的SEM图像对所述残差网络图像分类模型训练，并通过所述测试集中的SEM图像对所述训练后的残差网络图像分类训练模型进行验证。

5.如权利要求1所述的方法，其特征在于，所述残差网络图像分类模型包括残差网络特征提取网络。

6.如权利要求5所述的方法，其特征在于，所述残差网络特征提取网络的根据隐藏层的层数确定网络结构。

7.如权利要求5所述的方法，其特征在于，对所述残差网络图像分类模型训练包括设置训练参数，所述训练参数包括批量训练的大小、学习速率的大小、分类数目和/或权值衰减率。

8.如权利要求5所述的方法，其特征在于，对所述残差网络图像分类模型训练包括采用随机梯度下降法对所述损失函数进行优化。

9.一种基于残差网络的分子筛SEM图像分类系统，其特征在于，包括：

样本库构建模块，配置为构建SEM图像样本库，所述SEM图像样本库中包括多个SEM图像；

标注模块，配置为基于经过类别标注的所述多个SEM图像的全部或其中一部分，构建SEM图像类别数据集；

模型训练模块，配置为构建残差网络图像分类模型，并根据所述SEM图像类别数据集中的SEM图像对所述残差网络图像分类模型训练，其中，在对所述残差网络图像分类模型训练时，配置损失函数如下

其中，t_ki为所述SEM图像类别数据集中的任一SEM图像k属于类别i的概率，y_ki为所述任一SEM图像k根据所述残差网络图像分类模型的分类结果属于类别i的概率，以及γ为用于调整所述任一SEM图像k偏重的指数系数；以及

图像分类模块，配置为利用训练后的残差网络图像分类训练模型对所述多个SEM图像和/或重新拍摄的分子筛SEM图像进行分类。

10.如权利要求9所述的系统，其特征在于，所述标注模块还配置为，在对所述多个SEM图像的全部或其中一部分进行所述类别标注之前，对所述多个SEM图像进行预处理，所述预处理包括调整所述多个SEM图像的大小、色彩和/或摆放方式。