本发明涉及图像处理,具体涉及一种基于迁移学习的二维材料晶格图像分类方法和系统。
背景技术:
1、二维材料因其特殊的量子效应和先进的材料性能被广泛应用和研究。自扫描隧道显微镜(stm)是表征二维材料表面和吸附物的重要工具,stm除了提供原子见解外,还可用于表征电子结构、分子轨道形状以及振动和磁激发,并用于操纵吸附物和吸附原子,以及催化和量子信息处理应用。但是,在利用stm图像进行二维材料分类时,现有技术缺乏有效的分类手段,导致分类准确性较差,分类效率较低。
2、因此,提供一种基于迁移学习的二维材料晶格图像分类方法和系统,以期实现根据晶格类型对二维材料的stm图的自动分类和分类预测,以保证分类准确性和分类效率,就成为本领域技术人员亟待解决的问题。
技术实现思路
1、为此,本发明实施例提供一种基于迁移学习的二维材料晶格图像分类方法和系统,以至少部分解决现有技术中晶格图像分类准确性差、分类效率低的技术问题,以实现根据晶格类型对二维材料的stm图的自动分类和分类预测,从而保证分类准确性和分类效率的技术效果。
2、为了实现上述目的,本发明实施例提供如下技术方案:
3、本发明提供一种基于迁移学习的二维材料晶格图像分类方法,所述方法包括:
4、获取待分类的原始图像;
5、将所述原始图像输入预先训练的图像分类模型中,以得到所述原始图像对应的各类型晶格的预测准确度;
6、提取各所述预测准确度中的准确度最高值,以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果;
7、其中,所述图像分类模型是基于卷积神经网络利用晶格图像样本进行训练得到的。
8、在一些实施例中,提取各所述预测准确度中的准确度最高值,以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果,之后还包括:
9、将所述分类结果存储为表格文件,并以可视化的方式输出所述表格文件。
10、在一些实施例中,基于卷积神经网络利用晶格图像样本进行训练,以得到的所述图像分类模型,具体包括:
11、获取多条晶格图像样本,并构成样本数据集,所述样本数据集中包括多种类型晶格对应的晶格图像样本;
12、将所述样本数据集按预设比例划分为训练集、验证集和测试集;
13、使用卷积神经网络架构对所述训练集进行训练,以得到初始分类模型;
14、利用所述验证集对所述初始分类模型进行优化,以得到优化后的图像分类模型;
15、利用所述测试集对所述图像分类模型进行结果测试。
16、在一些实施例中,获取多条晶格图像样本,并构成样本数据集,具体包括:
17、获取n条晶格图像样本,其中,n为正整数;
18、对所述晶格图像样本进行数据预处理,以得到n行2列的csv格式的表格文件;
19、所述表格文件中的所有晶格图像样本构成所述样本数据集。
20、在一些实施例中,将所述样本数据集按预设比例划分为训练集、验证集和测试集,之后还包括:
21、分别对所述训练集、所述验证集和所述测试集进行数据增强,所述数据增强包括图旋转、移位和旋转。
22、在一些实施例中,分别对所述训练集、所述验证集和所述测试集进行数据增强,具体包括:
23、分别对所述训练集、所述验证集和所述测试集中的晶格图像样本进行白化变换,以得到白化后图像;
24、将所述白化后图像依次进行随机旋转、随机移动和随机翻转,以完成数据增强。
25、本发明还提供一种基于迁移学习的二维材料晶格图像分类系统,所述系统包括:
26、图像获取单元,用于获取待分类的原始图像;
27、分类预测单元,用于将所述原始图像输入预先训练的图像分类模型中,以得到所述原始图像对应的各类型晶格的预测准确度;
28、结果生成单元,用于提取各所述预测准确度中的准确度最高值,以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果;
29、其中,所述图像分类模型是基于卷积神经网络利用晶格图像样本进行训练得到的。
30、本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上所述方法的步骤。
31、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
32、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
33、本发明所提供的基于迁移学习的二维材料晶格图像分类方法,通过获取待分类的原始图像,将所述原始图像输入预先训练的图像分类模型中,以得到所述原始图像对应的各类型晶格的预测准确度;提取各所述预测准确度中的准确度最高值,以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果;其中,所述图像分类模型是基于卷积神经网络利用晶格图像样本进行训练得到的。这样,在对二维材料进行晶格图像分类时,可以通过预先训练的图像分类模型预测准确度,继而提取预测准确度最高时对应的晶格类型作为该图像的分类结果,从而解决了现有技术中晶格图像分类准确性差、分类效率低的技术问题,以实现根据晶格类型对二维材料的stm图的自动分类和分类预测,从而保证分类准确性和分类效率的技术效果。
1.一种基于迁移学习的二维材料晶格图像分类方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于迁移学习的二维材料晶格图像分类方法,其特征在于,提取各所述预测准确度中的准确度最高值,以所述准确度最高值对应的晶格类型作为所述原始图像的分类结果,之后还包括:
3.根据权利要求1所述的基于迁移学习的二维材料晶格图像分类方法,其特征在于,基于卷积神经网络利用晶格图像样本进行训练,以得到的所述图像分类模型,具体包括:
4.根据权利要求3所述的基于迁移学习的二维材料晶格图像分类方法,其特征在于,获取多条晶格图像样本,并构成样本数据集,具体包括:
5.根据权利要求3所述的基于迁移学习的二维材料晶格图像分类方法,其特征在于,将所述样本数据集按预设比例划分为训练集、验证集和测试集,之后还包括:
6.根据权利要求4所述的基于迁移学习的二维材料晶格图像分类方法,其特征在于,分别对所述训练集、所述验证集和所述测试集进行数据增强,具体包括:
7.一种基于迁移学习的二维材料晶格图像分类系统,其特征在于,所述系统包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述方法的步骤。