首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于深度学习的磷灰石裂变径迹人工智能识别方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:吉林大学

摘要:本发明涉及图像识别检测技术领域,尤其涉及一种基于深度学习的磷灰石裂变径迹人工智能识别方法,包括S1:获取磷灰石裂变径迹图像;S2:对灰石裂变径迹图像进行截取,获得样本图像;S3:对样本图像中的裂变径迹进行标注生成标签集,标签集和样本图像共同组成数据集,并划分为训练集和测试集;S4:构建RAFasterR‑CNN网络模型,并对权重矩阵参数进行初始化;S5:基于训练集和数据集对RAFasterR‑CNN网络模型进行训练合测试;S6:将待检测的磷灰石裂变径迹图像输入至RAFasterR‑CNN网络模型进行预测。本发明能够有效提升裂变径迹识别的效率和准确性,并且直接计算出裂变径迹的长度和夹角参数。

主权项:1.一种基于深度学习的磷灰石裂变径迹人工智能识别方法,其特征在于,包括如下步骤:S1:通过外探测器法分别在光学显微镜下拍摄得到磷灰石裂变径迹图像以及在Zeiss显微镜下拍摄得到磷灰石裂变径迹图像;S2:使用固定窗口在所述灰石裂变径迹图像上进行截取,以获得内容不重叠的样本图像;S3:使用数据标注工具对所述样本图像中的裂变径迹进行标注,并附加每个径迹的长度信息和夹角信息,从而生成标签集,所述标签集和所述样本图像共同组成数据集,并将所述数据集划分为训练集和测试集;S4:构建RAFasterR-CNN网络模型,并对所述RAFasterR-CNN网络模型的权重矩阵参数进行初始化;步骤S4具体包括如下步骤:S41:使用Resnet-50网络结构代替标准RAFasterR-CNN网络模型中的VGG16网络结构,以此构建特征提取网络,通过所述特征提取网络剔除所述训练集的样本图像中的冗余信息,提取裂变径迹识别所需的有用信息,得到特征图像;S42:向所述特征提取网络中添加注意力机制模块,实现注意力机制;S43:通过全卷积网络构建区域候选网络,通过所述区域候选网络生成和调整含有裂变径迹的目标定位候选框,得到区域提案;S44:构建兴趣域池化层,通过所述兴趣域池化层提取所述特征提取网络和所述区域候选网络的输出特征信息,得到固定大小的区域特征图;S45:构建分类、回归和参数计算模块,所述分类、回归和参数计算模块利用所述特征图像和所述区域提案计算每个径迹的长度信息和夹角信息,并通过边框回归获取所检测出的磷灰石的准确位置;S46:对所述特征提取网络及所述区域候选网络的权重矩阵参数进行初始化;S5:基于所述训练集对所述RAFasterR-CNN网络模型进行训练;S6:基于所述测试集对完成训练的RAFasterR-CNN网络模型进行测试;S7:将待检测的磷灰石裂变径迹图像调整至与所述样本图像相同大小,并输入至完成测试的RAFasterR-CNN网络模型中进行预测。

全文数据:

权利要求:

百度查询: 吉林大学 基于深度学习的磷灰石裂变径迹人工智能识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。