本發(fā)明屬于圖像處理，具體涉及一種基于改進centernet的加氫催化劑圖像識別方法。

背景技術：

1、隨著個人計算機、英特網和其他通訊技術等信息科技的發(fā)展和廣泛應用，人類社會進入信息時代，信息的數字化已成為信息傳送、處理和存儲的最有效的方法。而數字圖像在電子顯微鏡領域也取得了長足的進展。把電鏡所獲得的各種圖像，實時地轉變成數字信號進行處理和分析，是現代電子顯微鏡圖像處理的必然發(fā)展趨勢。透射電子顯微鏡方法可以明確給出加氫催化劑的活性相信息，且活性相片晶平均層數統計結果與催化劑的活性有良好的關聯性，對加氫催化劑電鏡圖像進行準確識別與分割后進行分組分層，可以通過催化劑層數分布信息判斷催化劑活性大小。

2、傳統測定催化劑活性的方法包括轉換頻率法，反應速率法，活化能和轉化率等。但上述測定方法多存在測定困難，要求反應轉化率不太高和不準確的局限性。因此出現了將電鏡圖片轉變成數字信號進行處理和分析的方法?；诖?，本發(fā)明提出一種基于改進centernet的加氫催化劑圖像識別方法，改進的形態(tài)學方法結合梯度閾值分割方法，能更好地保留圖像中的催化劑信息，提高分割精度，為今后催化劑關鍵參數的確定提供條件。

技術實現思路

1、為克服上述技術問題，本發(fā)明提供了一種基于改進centernet的加氫催化劑圖像識別方法，解決加氫催化劑圖像因粘附、堆疊等原因導致識別精度低問題。

2、本發(fā)明采用下述技術方案：

3、一種基于改進centernet的加氫催化劑圖像識別方法，包括以下步驟：

4、s1.對催化劑進行硫化之后，轉移至tem中觀察以完成電鏡設備圖像采集；

5、s2.采用邊緣檢測和形態(tài)學算法提取對比度較強的邊緣以進行邊緣增強；

6、s3.采用resnet-50作為骨干網絡進行特征提取，采用空間可分離卷積核進行催化劑邊緣的多尺度特征提取，引入注意力模塊自適應調整權值，突出催化劑的目標特征；將fpn(特征金字塔網絡)添加到骨干網絡中，用于深和淺特征融合，分割條紋的粘合區(qū)域，得到fpncnet(改進后的centernet)；

7、s4.使用fpncnet進行圖像識別。

8、優(yōu)選的，l1、l2和l3的特征圖首先通過s-aspp模塊調整采樣率和增加感受野，然后通過連接1x1的卷積與后層的輸入，將不同尺度的特征融合在一起。

9、優(yōu)選的，在上采樣階段，特征金字塔網絡使用淺層和深層特征來提高網絡對小物體檢測的準確性。

10、優(yōu)選的，在l2、l3和l4層引入ca注意機制，捕捉跨通道、方向感知和位置敏感信息，抑制冗余特征信息，提高特征提取效率，使模型能夠更準確地定位和識別感興趣對象。

11、優(yōu)選的，利用3x3卷積對最終特征圖進行合并，消除上采樣過程帶來的重疊效應，從而生成最終特征圖完成檢測任務。

12、與現有技術相比，本發(fā)明的有益效果是：

13、本發(fā)明基于改進centernet的加氫催化劑圖像識別方法優(yōu)于傳統的催化劑識別網絡模型，改進模型具有良好的特征提取能力和泛化能力，對于加氫催化劑圖像的識別工作具有一定的指導作用。

技術特征：

1.一種基于改進centernet的加氫催化劑圖像識別方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于改進centernet的加氫催化劑圖像識別方法，其特征在于，l1、l2和l3的特征圖首先通過s-aspp模塊調整采樣率和增加感受野，然后通過連接1x1的卷積與后層的輸入，將不同尺度的特征融合在一起。

3.根據權利要求2所述的一種基于改進centernet的加氫催化劑圖像識別方法，其特征在于，在上采樣階段，特征金字塔網絡使用淺層和深層特征來提高網絡對小物體檢測的準確性。

4.根據權利要求3所述的一種基于改進centernet的加氫催化劑圖像識別方法，其特征在于，在l2、l3和l4層引入ca注意機制，捕捉跨通道、方向感知和位置敏感信息，抑制冗余特征信息，提高特征提取效率，使模型能夠更準確地定位和識別感興趣對象。

5.根據權利要求4所述的一種基于改進centernet的加氫催化劑圖像識別方法，其特征在于，利用3x3卷積對最終特征圖進行合并，消除上采樣過程帶來的重疊效應，從而生成最終特征圖完成檢測任務。

技術總結
本發(fā)明屬于圖像處理技術領域，公開了一種基于改進CenterNet的加氫催化劑圖像識別方法：S1.對催化劑進行硫化之后，轉移至TEM中觀察以完成電鏡設備圖像采集；S2.采用邊緣檢測和形態(tài)學算法提取對比度較強的邊緣以進行邊緣增強；S3.采用Resnet50作為骨干網絡進行特征提取，采用空間可分離卷積核進行催化劑邊緣的多尺度特征提取，引入注意力模塊自適應調整權值，突出催化劑的目標特征；將FPN添加到骨干網絡中，用于深和淺特征融合，分割條紋的粘合區(qū)域，得到FPNCNet(改進后的CenterNet)；S4.使用FPNCNet進行圖像識別。本發(fā)明方法優(yōu)于傳統的催化劑識別網絡模型，改進模型具有良好的特征提取能力和泛化能力，對于加氫催化劑圖像的識別工作具有一定的指導作用。

技術研發(fā)人員：王竹筠,孫天賀,祈樂陽,劉斌,王凱,穆柏
受保護的技術使用者：沈陽航空航天大學
技術研發(fā)日：
技術公布日：2025/1/6