一种钙钛矿晶界提取方法及提取装置

1.本发明涉及一种钙钛矿晶界提取方法及提取装置。


背景技术：

2.由于化石能源日渐枯竭以及社会发展对环保的要求越来越高，为了满足社会发展的需要，各式各样的新型能源开始出现。其中使用最广、发电量最大的新能源为太阳能，为了高效地将太阳能转换为电能，高效的换能材料是关键。近几年发展势头十分迅猛的有机无机杂化钙钛矿材料就是能量转换效率十分高的换能材料，由钙钛矿材料制成的太阳能电池的换能效率已经能够达到20％以上。钙钛矿材料的换能效率与钙钛矿材料薄膜的结晶结构和表面特征息息相关，因此对制备出来的钙钛矿材料进行晶界提取可以保证得到更高质量的材料薄膜、更高的表面平滑度、更大的晶粒尺寸以及表面覆盖率。
3.现有的晶界提取方法主要采用传统算法实现，如专利cn202011262628.0《一种基于图像处理的晶界提取与晶粒度测量方法》和专利cn201811525515.8《一种晶界提取、晶界提取模型生成方法及装置》都主要采用的是传统的图像增强滤波等方法进行材料的晶界提取。
4.虽然自动提取晶界已经经过很多年的发展，得到了不小的进步。但是仍存在一系列问题，比如传统方法提取的精度还不够、提取过程易受图像质量的影响、对于复杂的sem图像的提取效果不佳等。


技术实现要素：

5.为了解决上述技术问题，本发明提供一种算法简单、提取精度高的钙钛矿晶界提取方法，并提供一种基于attention-dexined网络的钙钛矿晶界提取装置。
6.本发明解决上述技术问题的技术方案是：一种钙钛矿晶界提取方法，包括以下步骤：
7.步骤1：采集钙钛矿sem图像；
8.步骤2：对钙钛矿sem图像进行预处理，得到由若干钙钛矿sem图像与二值晶界图像构成的训练集；
9.步骤3：将训练集作为attention-dexined网络的输入，利用监督学习方法训练attention-dexined网络，得到钙钛矿晶界提取模型；
10.步骤4：将待提取的钙钛矿晶界sem图像输入到钙钛矿晶界提取模型中，最后输出二值晶界图像。
11.上述钙钛矿晶界提取方法，所述步骤1中，采集钙钛矿sem图像的途径包括网络开源的钙钛矿sem图像与自采的钙钛矿sem图像。
12.上述钙钛矿晶界提取方法，所述步骤2的具体过程为：
13.2-1)将收集到的钙钛矿sem图像进行亮度和透明度的调整，接着在蒙版上钩画出钙钛矿sem图像的手绘晶界图像；
14.2-2)将手绘的晶界图像采用阈值化的方式先进行二值化操作，设置阈值为t＝100，勾画出的晶界图像中像素点灰度值大于100的直接赋值为255，小于100的直接赋值为0；
15.2-3)将二值化的手绘晶界图像进行图像细化处理，采用查表的细化算法，通过统计像素点8领域之内的像素值来确定是否删除该像素点；
16.2-4)将细化后的二值手绘晶界图像进行一个反色处理，直接用最大像素值255减去每个像素点的像素值，得到黑背景白线条的晶界图像；
17.2-5)将每个实际的钙钛矿sem图像和手绘的晶界图像一一对应构成训练集。
18.上述钙钛矿晶界提取方法，所述步骤3中，attention-dexined网络是通过在原有dexined网络的每个sconv卷积块和pconv卷积块后均增加一个注意力块而形成。
19.上述钙钛矿晶界提取方法，所述步骤3中，对attention-dexined网络的训练过程具体如下：
20.将训练集中的原始钙钛矿sem图像作为网络的输入，经过网络进行特征提取，在网络对钙钛矿sem图像进行特征提取处理的过程中搜集不同阶段的特征图像，然后通过损失函数的计算将不同处理阶段的不同维度特征融合，通过与目标二值晶界图像进行一个比较，再通过反向传递与随机梯度下降的方法对网络进行优化，从而得到钙钛矿晶界提取模型。
21.上述钙钛矿晶界提取方法，所述步骤3中，所述损失函数为：
[0022][0023][0024][0025][0026]
式中，ω为交叉熵损失函数的权重；y表示真实的边界图像，0表示非真实图像，1表示为真实图像；y-表示真实边界中的负例图像；y

表示真实边界中的正例图像；θ表示sigmoid方程；yn表示第n个阶段输出的边界图像；ln表示每个阶段预测的边界图像和真实边界图像的交叉熵输出；λn是平衡正例与负例的超参数；λn和ln相乘之后再进行累加就构成了我们总的损失函数
[0027]
通过损失函数的计算，将不同阶段的预测图像与真实图像进行比较，再将各个阶段的损失值进行累加，既保留了低层次的具体特征也保留了高层的抽象特征。
[0028]
本发明的有益效果在于：
[0029]
1、本发明利用深度学习强大的特征学习能力以及反向传播能力来提取钙钛矿sem图像中的晶界像素的特征，通过监督学习的方法，不断地调整网络模型地晶界图像的提取能力，相较于传统地图像处理方法去提取钙钛矿sem图像的晶界图像效果更佳同时适用性更好。
[0030]
2、考虑到钙钛矿sem图像中绝大部分为晶粒区域，晶界图像所占像素点比较少，本发明的重点是关注钙钛矿sem图像的晶界部分，所以在原有模型的基础上加入了注意力块，
加入注意力块之后，使得网络在训练的时候更加快速地对感兴趣的区域进行优化，提高了模型的提取表现同时节省了训练的时间。
附图说明
[0031]
图1为本发明实施例中钙钛矿晶界提取方法的流程图。
[0032]
图2为本发明实施例中钙钛矿sem图。
[0033]
图3为本发明实施例中钙钛矿二值晶界图。
[0034]
图4为本发明实施例中钛矿晶界提取网络的结构示意图。
具体实施方式
[0035]
下面结合附图和实施例对本发明作进一步的说明。
[0036]
如图1所示，一种钙钛矿晶界提取方法，包括以下步骤：
[0037]
步骤1：采集钙钛矿sem图像。钙钛矿sem图像可以是任何满足钙钛矿结构的材料图像，采集钙钛矿sem图像的途径包括网络开源的钙钛矿sem图像(通过搜索发表了论文中的插图)，也可以是自采的钙钛矿sem图像。
[0038]
步骤2：对钙钛矿sem图像进行预处理，得到由若干钙钛矿sem图像与二值晶界图像构成的训练集。
[0039]
其中，对钙钛矿sem图像进行预处理主要是为了方便后续网络的训练。主要分为二值化处理、细化、反色三部分，具体过程为：
[0040]
2-1)将收集到的钙钛矿sem图像进行亮度和透明度的调整，接着在蒙版上钩画出钙钛矿sem图像的手绘晶界图像；
[0041]
2-2)将手绘的晶界图像采用阈值化的方式先进行二值化操作，设置阈值为t＝100，勾画出的晶界图像中像素点灰度值大于100的直接赋值为255，小于100的直接赋值为0；
[0042]
2-3)将二值化的手绘晶界图像进行图像细化处理，采用查表的细化算法，通过统计像素点8领域之内的像素值来确定是否删除该像素点；
[0043]
2-4)将细化后的二值手绘晶界图像进行一个反色处理，直接用最大像素值255减去每个像素点的像素值，得到黑背景白线条的晶界图像；
[0044]
2-5)将每个实际的钙钛矿sem图像和手绘的晶界图像一一对应构成训练集。
[0045]
步骤3：将训练集作为attention-dexined网络的输入，利用监督学习方法训练attention-dexined网络，得到钙钛矿晶界提取模型。
[0046]
attention-dexined网络是通过在原有dexined网络的每个sconv卷积块和pconv卷积块后均增加一个注意力块而形成。具体结构如图4所示，包括：
[0047]
convn主卷积块，用于采集钙钛矿sem图像进行向下采样提取晶界特征，n表示卷积块的输入输出通道；
[0048]
maxpool最大池化块，用于经过卷积块特征提取之后的钙钛矿sem图像进行降维；
[0049]
sconv卷积块，用于卷积未经过最大池化操作的图像，并传递到接下来的网络结构；
[0050]
pconv卷积块，用于卷积经过最大池化操作的图像，并传递到接下来的网络结构；
[0051]
cbam注意力块，采用自注意力机制提取图像中的特征要素，并传递到接下来的网络结构；
[0052]
反卷积块(图4菱形部分)，用于将图像向上采用，还原图像大小。
[0053]
平均池化块(图4三角形部分)，用于平均池化特征图像。
[0054]
特征求和块(图4十字圆形部分)，用于将不同层次的特征图像进行求和。
[0055]
特征拼接块(图4实心圆形部分)，用于将不同层次的特征图像进行堆叠。
[0056]
对attention-dexined网络的训练过程具体如下：
[0057]
将训练集中的原始钙钛矿sem图像作为网络的输入，经过网络进行特征提取，在网络对钙钛矿sem图像进行特征提取处理的过程中搜集不同阶段的特征图像，然后通过损失函数的计算将不同处理阶段的不同维度特征融合，通过与目标二值晶界图像进行一个比较，再通过反向传递与随机梯度下降的方法对网络进行优化，从而得到钙钛矿晶界提取模型。
[0058]
所述损失函数为：
[0059][0060][0061][0062][0063]
式中，ω为交叉熵损失函数的权重；y表示真实的边界图像，0表示非真实图像，1表示为真实图像；y-表示真实边界中的负例图像；y

表示真实边界中的正例图像；θ表示sigmoid方程；yn表示第n个阶段输出的边界图像；ln表示每个阶段预测的边界图像和真实边界图像的交叉熵输出；λn是平衡正例与负例的超参数；λn和ln相乘之后再进行累加就构成了我们总的损失函数
[0064]
通过损失函数的计算，将不同阶段的预测图像与真实图像进行比较，再将各个阶段的损失值进行累加，既保留了低层次的具体特征也保留了高层的抽象特征。
[0065]
步骤4：将待提取的如图2所示的钙钛矿晶界sem图像输入到钙钛矿晶界提取模型中，最后输出如图3所示的二值晶界图像。