【技术实现步骤摘要】
本专利技术属于图像识别，具体涉及基于深度学习的图像识别方法及系统。
技术介绍
1、电子扫描显微镜(sem)是一种利用电子束扫描样品表面，通过检测样品反射或发射的次级电子，来获取样品的形貌、组成和结构信息的仪器。sem图像具有高分辨率、高深度和高对比度的特点，能够显示出样品的微观结构和特征，sem图像在材料科学、生物学、医学、环境科学等领域有着广泛的应用。
2、但是，sem图像的分析和处理是一项复杂而耗时的工作，需要人工进行图像的预处理、特征提取、目标检测和分类等步骤，这不仅增加了人力和物力的消耗，而且容易受到人为因素的影响，导致结果的不准确和不稳定。因此，如何利用计算机自动化地对sem图像进行分析和处理，是一个亟待解决的问题。
3、近年来，深度学习作为一种强大的机器学习方法，在图像识别领域取得了显著的进展和突破，深度学习能够从大量的数据中自动学习特征和规律，从而实现复杂的任务。然而，基于深度学习的图像识别方法在应用于sem图像时，仍然存在一些问题和挑战。首先，sem图像的质量受到扫描电子束的参数、样品的制备和环境的干扰等因素的影响，导致图像存在噪声、模糊、低对比度等问题，这会影响图像的特征提取和识别效果；其次，sem图像的目标物种类繁多，形态各异，给目标检测和分类带来了困难。因此，针对sem图像特点和问题，需要设计一种适合sem图像的深度学习图像识别方法。
技术实现思路
1、基于上述技术问题，本专利技术提供基于深度学习的图像识别方法及系统，通过对扫描电子显微
2、本专利技术提供基于深度学习的图像识别方法，所述方法包括：
3、步骤s1：获取环境样品的扫描电子显微镜图像；
4、步骤s2：对所述扫描电子显微镜图像进行预处理，得到输入图像；
5、步骤s3：将所述输入图像输入到目标识别网络进行特征提取，得到识别结果，具体包括：
6、所述目标识别网络包括多尺度特征网络和检测头网络；
7、所述多尺度特征网络包括第一标准卷积层、第一激活函数层、第一最大池化层、第二标准卷积层、第二激活函数层、第二最大池化层、第三标准卷积层、第三激活函数层、第三最大池化层、第四标准卷积层、第四激活函数层、第四最大池化层、第五最大池化层、第一注意力模块、第五标准卷积层、第五激活函数层、第二注意力模块、第六标准卷积层、第六激活函数层、第一张量拼接层、第三注意力模块、第七标准卷积层、第七激活函数层、第二张量拼接层、第四注意力模块、第八标准卷积层、第八激活函数层、第三张量拼接层、第五注意力模块、第一上采样层、第二上采样层和第三上采样层；
8、所述检测头网络包括第一标准卷积激活层、第九标准卷积层、第一类别预测重塑层、第一边界回归重塑层、第二标准卷积激活层、第十标准卷积层、第二类别预测重塑层、第二边界回归重塑层、第三标准卷积激活层、第十一标准卷积层、第三类别预测重塑层、第三边界回归重塑层、第四标准卷积激活层、第十二标准卷积层、第四类别预测重塑层、第四边界回归重塑层、第五标准卷积激活层、第十三标准卷积层、第五类别预测重塑层、第五边界回归重塑层、第四张量拼接层和第五张量拼接层；
9、步骤s4：根据所述识别结果，对待测目标物进行统计分析，得到统计结果。
10、可选地，所述对所述扫描电子显微镜图像进行预处理，得到输入图像，具体包括：
11、将扫描电子显微镜图像进行去噪，得到去噪图像，像素去噪公式为：
12、
13、式中，为去噪后的图像在像素位置的像素值；为原始图像在像素位置的像素值，为在的邻域内的所有像素位置；为归一化因子；为位置和之间的相似度权重；为周围的邻域；
14、对所述去噪图像进行自适应直方图均衡化，得到均衡化图像，像素均衡化公式为：
15、
16、
17、式中，为均衡化后的直方图，表示像素值的累积分布函数值；为去噪图像的直方图中像素值的概率密度函数值；为对应用的限制函数；为经过均衡化处理后的图像的像素值；为像素值最大范围；
18、对所述均衡化图像进行边缘检测，得到边缘检测图像，公式为：
19、，
20、
21、式中，和分别为图像在水平和垂直方向上的梯度；
22、将所述边缘检测图像进行特征聚焦变换，得到输入图像，像素特征聚焦变换公式为：
23、
24、式中，为边缘检测图像在位置的像素值；为位置的像素到最近边缘的距离；为控制特征聚焦强度的参数；为经过特征聚焦变换后的图像在位置的像素值。
25、可选地，所述多尺度特征网络，具体包括：
26、将输入图像输入到所述第一标准卷积层进行卷积操作，得到特征图p1；将所述特征图p1输入到所述第一激活函数层进行激活操作，得到特征图p2；将所述特征图p2输入到所述第一最大池化层进行最大池化操作，得到特征图p3；
27、将所述特征图p3输入到所述第二标准卷积层进行卷积操作，得到特征图p4；将所述特征图p4输入到所述第二激活函数层进行激活操作，得到特征图p5；将所述特征图p5输入到所述第二最大池化层进行最大池化操作，得到特征图p6；
28、将所述特征图p6输入到所述第三标准卷积层进行卷积操作，得到特征图p7；将所述特征图p7输入到所述第三激活函数层进行激活操作，得到特征图p8；将所述特征图p8输入到所述第三最大池化层进行最大池化操作，得到特征图p9；
29、将所述特征图p9输入到所述第四标准卷积层进行卷积操作，得到特征图p10；将所述特征图p10输入到所述第四激活函数层进行激活操作，得到特征图p11；将所述特征图p11输入到所述第四最大池化层进行最大池化操作，得到特征图p12；
30、将所述特征图p12输入到所述第五最大池化层进行最大池化操作，得到特征图p13；将所述特征图p13输入到所述第一注意力模块进行注意力操作，得到特征图p28；
31、将所述特征图p12输入到所述第五标准卷积层进行卷积操作，得到特征图p14；将所述特征图p14输入到所述第五激活函数层进行激活操作，得到特征图p15；将所述特征图p15输入到所述第二注意力模块进行注意力操作，得到特征图p29；
32、将所述特征图p12输入到所述第六标准卷积层进行卷积操作，得到特征图p16；将所述特征图p16输入到所述第六激活函数层进行激活操作，得到特征图p17；将所述特征图p15进行上采样操作，得到特征图p22；将所述特征图p17和所述特征图p22输入到所述第一张量拼接层进行拼接操作，得到特征图p23；将所述特征图p23输入到所述第三注意力模块进行注意力操作，得到特征图p30；
33、将所述本文档来自技高网...
【技术保护点】
1.基于深度学习的图像识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述对所述扫描电子显微镜图像进行预处理，得到输入图像，具体包括：
3.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述多尺度特征网络，具体包括：
4.根据权利要求3所述的基于深度学习的图像识别方法，其特征在于，所述第一注意力模块，具体包括：
5.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述根据所述识别结果，对待测目标物进行统计分析，得到统计结果，具体包括：
6.基于深度学习的图像识别系统，其特征在于，所述系统包括：
7.根据权利要求6所述的基于深度学习的图像识别系统，其特征在于，所述图像处理模块，具体包括：
8.根据权利要求6所述的基于深度学习的图像识别系统，其特征在于，所述多尺度特征网络，具体包括：
9.根据权利要求8所述的基于深度学习的图像识别系统，其特征在于，所述第一注意力子模块，具体包括：
10.根据权利要求
...【技术特征摘要】
1.基于深度学习的图像识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述对所述扫描电子显微镜图像进行预处理，得到输入图像，具体包括：
3.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述多尺度特征网络，具体包括：
4.根据权利要求3所述的基于深度学习的图像识别方法，其特征在于，所述第一注意力模块，具体包括：
5.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于，所述根据所述识别结果，对待测目标物进行统计...
【专利技术属性】
技术研发人员：梁爽，闫瑞平，张居奎，张雨婷，王悦宏，李金春子，张豪，金明兰，王博，田佳豪，唐雨微，
申请(专利权)人：吉林建筑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。