System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 材料样本的处理方法、训练方法、设备、介质及程序产品技术_技高网
当前位置: 首页 > 专利查询>北京大学专利>正文

材料样本的处理方法、训练方法、设备、介质及程序产品技术

技术编号:42895534 阅读:9 留言:0更新日期:2024-09-30 15:13
本公开提供了一种材料样本的处理方法、训练方法、视频处理方法、电子设备、计算机可读存储介质及计算机程序产品,涉及图像处理技术领域。该方法包括:获得所述材料样本的光学显微镜照片;将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型;以及接收人工神经网络模型输出的所述材料样本的像素点的各向异性方向和各向异性程度信息。通过该方法,能够低成本、高效、准确地获得材料样本在各个像素点的各向异性方向和各向异性程度。

【技术实现步骤摘要】

所属的技术人员能够理解,本专利技术的各个方面可以实现为系统、方法或程序产品。因此,本专利技术的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。下面参照图14来描述根据本专利技术的这种实施方式的电子设备1400。图14显示的电子设备1400仅仅是一个示例,不应对本专利技术实施例的功能和使用范围带来任何限制。如图14所示,电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于:上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同系统组件(包括存储单元1420和处理单元1410)的总线1430。其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1410执行,使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本专利技术各种示例性实施方式的步骤。例如,所述处理单元1410可以执行如图5中所示的s502,获得材料样本的光学显微镜照片;s504,将材料样本的光学显微镜照片输入经过训练的人工神经网络模型,其中,人工神经网络模型经过训练材料样本的光学显微镜照片和训练材料样本的各向异性成像图像训练获得;s506,接收人工神经网络模型输出的材料样本的像素点的各向异性方向φ和各向异性程度doa。存储单元1420可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(ram)14201和/或高速缓存存储单元14202,还可以进一步包括只读存储单元(rom)14203。存储单元1420还可以包括具有一组(至少一个)程序模块14205的程序/实用工具14204,这样的程序模块14205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1430可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1400也可以与一个或多个外部设备1500(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1450进行。并且,电子设备1400还可以通过网络适配器1460与一个或者多个网络(例如局域网(lan),广域网(wan)和/或公共网络,例如因特网)通信。如图所示,网络适配器1460通过总线1430与电子设备1400的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是cd-rom,u盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本专利技术的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本专利技术各种示例性实施方式的步骤。描述了根据本专利技术的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本专利技术的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、rf等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本专利技术操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如matlab、python、java、c++等,还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(lan)或广域网(wan),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是cd-rom,u盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等本文档来自技高网...

【技术保护点】

1.一种材料样本的图像处理方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,接收所述人工神经网络模型输出的所述材料样本的像素点的各向异性方向Φ和各向异性程度DOA信息包括:

3.根据权利要求1或2所述的方法,其特征在于,所述光学显微镜照片包括非偏光显微镜明场照片或偏光显微镜照片。

4.根据权利要求3所述的方法,其特征在于,所述偏光显微镜照片包括基于交叉偏振的偏光显微镜照片,基于涡流延迟器的偏光显微镜照片,或LC-PolScope偏光显微镜照片。

5.根据权利要求1或2所述的方法,其特征在于,将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括:

6.根据权利要求1或2所述的方法,其特征在于,将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括:

7.根据权利要求1或2所述的方法,其特征在于,所述人工神经网络模型包括U形网络U-Net模型、生成对抗网络(Generative Adversarial Networks,GAN)或条件对抗网络(Conditional Adversarial Network,CAN)。

8.一种基于图像的神经网络训练方法,其特征在于,包括:

9.根据权利要求8所述的方法,其特征在于,基于所述训练材料样本的光学显微镜照片和各向异性成像图像训练人工神经网络包括:

10.根据权利要求8所述的方法,其特征在于,所述人工神经网络模型包括U形网络U-Net模型、生成对抗网络(Generative Adversarial Networks,GAN)或条件对抗网络(ConditionalAdversarialNetwork,CAN)。

11.根据权利要求8至10中任意一项所述的方法,其特征在于,获取所述训练材料样本的各向异性成像图像包括:

12.一种视频处理方法,其特征在于,将所述材料样本的光学显微镜下的视频替代为基于权利要求1至11中任意一项所述的方法获得所述材料样本的各向异性方向Φ和各向异性程度DOA的成像视频。

13.一种电子设备,其特征在于,包括:

14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~12中任意一项所述的方法。

15.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现如权利要求1~12中任意一项所述的方法。

...

【技术特征摘要】

1.一种材料样本的图像处理方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,接收所述人工神经网络模型输出的所述材料样本的像素点的各向异性方向φ和各向异性程度doa信息包括:

3.根据权利要求1或2所述的方法,其特征在于,所述光学显微镜照片包括非偏光显微镜明场照片或偏光显微镜照片。

4.根据权利要求3所述的方法,其特征在于,所述偏光显微镜照片包括基于交叉偏振的偏光显微镜照片,基于涡流延迟器的偏光显微镜照片,或lc-polscope偏光显微镜照片。

5.根据权利要求1或2所述的方法,其特征在于,将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括:

6.根据权利要求1或2所述的方法,其特征在于,将所述材料样本的光学显微镜照片输入经过训练的人工神经网络模型包括:

7.根据权利要求1或2所述的方法,其特征在于,所述人工神经网络模型包括u形网络u-net模型、生成对抗网络(generative adversarial networks,gan)或条件对抗网络(conditional adversarial network,can)。

8.一种基于图像的神经网络训练方法,其...

【专利技术属性】
技术研发人员:张锦童廉明郝赫刘志荣王瀛琦
申请(专利权)人:北京大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1