【摘 要】
：
纳米电介质是一种具有性能可编辑潜力的新型电介质,其通过在聚合物基中均匀填充纳米颗粒可以获得优异的介电特性,被认为是未来最有潜力的电介质材料。然而,纳米填料团聚会导致纳米电介质无法达到预期的性能,甚至导致纳米电介质性能的严重退化。目前,团聚对材料的影响程度很难量化,是一个亟待解决的难题。使用扫描电子显微镜（SEM）拍摄纳米电介质图像并进行处理是一种分析团聚现象的有效手段。然而,受限于该领域图像处理的
论文部分内容阅读
纳米电介质是一种具有性能可编辑潜力的新型电介质,其通过在聚合物基中均匀填充纳米颗粒可以获得优异的介电特性,被认为是未来最有潜力的电介质材料。然而,纳米填料团聚会导致纳米电介质无法达到预期的性能,甚至导致纳米电介质性能的严重退化。目前,团聚对材料的影响程度很难量化,是一个亟待解决的难题。使用扫描电子显微镜（SEM）拍摄纳米电介质图像并进行处理是一种分析团聚现象的有效手段。然而,受限于该领域图像处理的局限性,如常用的二值化方法具有低效和不准确的缺点,导致SEM图像的价值难以被充分挖掘,这也使得团聚量化工作受到进一步的阻碍。近年来,深度学习在图像领域展现了远超其他算法的杰出性能。本文基于深度学习中的语义分割算法提出了对纳米电介质SEM图像进行团聚识别的新方法,构建了在精度和泛化能力上均远超经典方法的纳米团聚识别模型。本文搭建了SEM图像数据集,基于此开展了三种核心语义分割算法模型的研究与实验。三种网络均可以准确高效识别SEM图像中的团聚,具体如下:（1）本文提出了基于像素块分类网络的中心像素分类网络。该网络以SEM图像中每个像素为中心裁剪像素块,通过卷积神经网络（CNN）对像素块分类,从而间接实现了SEM图像的像素级分类。该网络的优势在于不受SEM图像数据量少的限制,且能够以0.837的平均交并比（MIoU）精准识别图中的团聚与基料。（2）本文提出了基于多尺度特征的全卷积分割网络。首先利用数据增强扩充SEM图像数量,使其满足全卷积网络（FCN）的训练要求,进而实现了快速端到端SEM图像团聚与基料的语义分割。同时,采用了金字塔池化来检测多尺度的团聚,最终实现了0.059秒快速分割一张图像,且MIoU达到了0.777。（3）本文提出了无监督拟合网络。该网络利用超像素分割进行细粒度的预分割,而后用自编码卷积神经网络拟合每个超像素的分割结果,来学习并优化分割效果。该网络以5.806秒每张图像的处理速度实现了0.747的MIoU精确度。本文的对比实验显示,人工设定阈值的二值化方法的MIoU仅为0.688,远小于本文提出的三种网络。同时,本文对三个网络进行了性能与泛化能力评估,三个网络都可解决半结晶化基料中团聚难以区分的问题,且能够在多倍率SEM图像中检测团聚。最后,本文基于语义分割结果提出了一种量化团聚数量和面积的方案。本文的工作对进一步的团聚分析和纳米电介质发展有着积极的推动作用。
其他文献
水下主动电场成像是仿生弱电鱼建立电场探测周围环境的生物机制而诞生的一门新型水下成像技术。简易的电极传感器装置通过运动扫频的方式获取实验物体不同方向的频率转折点（FIP）信息,利用这些FIP能够实现对实验物体的轮廓成像。结构复杂的电极传感器阵列装置通过简单的运动扫描方式,测量扫描区域内不同位置的幅值变化信息,然后根据这些幅值变化信息同样能够对水下物体形状进行成像。本文对这两种水下主动电场成像方法进行
以人类动作分析为核心的视频分析技术是智能监控,图像/视频自动标注和智能人机交互等诸多领域中的重要技术,有着广泛的应用场景和研究价值。当前人类动作识别技术多集中在固定视角下的动作识别,然而,在现实应用中,摄像头在部署过程中会出现视角复杂多变的情况,在某些人与移动机器人交互的场景中,甚至可能出现相机不断移动的情况,这类型的问题在本文统一称之为自由视点动作识别问题。当前的工作大多只是在单一视角或者固定的
随着现代无线通信技术的迅猛发展,物联网已经渗透到人们生活中的方方面面。物联网中各个行业独立发展缺少交互,因此各设备及其提供的服务均具有较强的异构性,设备的识别控制、服务匹配以及消息传输方面都会遇到众多复杂的问题。解决上述问题的核心在于解决异构问题。本文对物联网中设备属性进行分析研究,提出了一种基于功能属性的设备描述机制,基于该设备描述机制,设计了异构物联网系统中设备服务的识别、注册、控制及匹配架构
近年来,随着车联网和无线技术的发展,车载信息娱乐应用的不断涌现,车联网中内容需求也正以惊人的速度增长。为了满足车联网中如此高的内容需求,边缘缓存技术得到了广泛的关注。通过在网络边缘,如基站和路侧单元上部署缓存资源,在边缘节点上缓存部分流行内容以提供内容下载服务,能够有效缓解核心网络压力,减少内容请求时延。然而,由于边缘节点缓存资源有限、内容请求分布不均匀以及车辆高速移动导致网络拓扑动态变化等问题,
图像融合是图像处理领域中的一个重要分支,可以将来自不同的传感器对于同一场景中的信息采集后得到的图像数据进行处理,保留各自数据中的有用信息并剔除掉冗余的信息,得到含有集成信息的高质量图像。图像融合在军用和民用领域都发挥着重要的作用。深度学习目前发展势头迅猛,在图像处理领域具有非常广泛的应用,但是在图像融合领域,深度学习方法对比传统方法并没有明显的优势,原因主要有两点:一、图像融合领域没有绝对意义上最
近年来,利用深度神经网络（Deep Neural Networks,DNNs）进行医学图像分割取得了显著的进展。然而,深度神经网络通常需要大量的数据和标注进行训练,对于医学图像,图像采集设备及患者隐私等问题导致数据与标注都代价高昂且难以获取。为解决此问题,本文提出了一种基于距离度量学习（Distance Metric Learning,DML）的小样本（单样本和少样本）医学图像通用分割框架。现有的
计算机断层成像（Computed Tomography,CT）是一种通过X射线扫描待成像物体并采集投影数据实现内部结构成像的技术。由于X射线对人体健康的危害大,近年来,学者们研究利用传统CT重建方法基于稀疏角度X光重建CT,进而降低X射线使用剂量,但是在两个角度的重建中无法生成可理解的断层图像。而基于深度学习的图像重建方法对X光在二维空间的变化提取能力有限,且不同角度的重建结果不一致。本文通过分析
随着多媒体技术的不断发展和进步,以视频监控、远程会议和高清电视为代表的视频应用在人们的生产生活中发挥着重要的作用。然而由于当前计算机和网络系统中传输带宽、存储空间、系统输入输出性能等因素的种种限制,很多视频系统普遍存在着分辨率较低和图像质量差的问题。为了提升视频帧的图像分辨率和整体质量,视频超分辨率技术受到越来越多研究者的关注。视频超分辨率旨在通过对低分辨率视频进行一系列技术处理,增加其像素密度并
随着市场经济与科学技术的迅速发展,在人工智能的强大引擎驱动下,井喷式的出现了大量的机器学习应用场景。而监督学习表现良好则需要大量的有标签的标注数据,该任务开销庞大且繁琐无聊,故迁移学习在智能时代受到越来越多的关注。在迁移学习的相关技术中,多源领域自适应是重要的关键技术之一。多源领域自适应研究如何通过利用多个源领域知识学习目标领域,加强领域自适应能力,缓解了负向迁移。近年来,得益于人工智能和计算机视
近年来,通过计算机视觉的方法对目标物体表面进行三维重建一直是研究热点。本文以市场上常见的激光双目三维成像系统为研究对象,对该系统中涉及的关键技术:立体匹配和点云拼接,展开深入的研究,提出了重建过程中的关键步骤的优化思路,并根据优化的思路方法设计了针对性的实验来验证算法的有效性。具体来说,在立体匹配的激光光条中心提取的阶段,提出了利用方向模板的方法来优化灰度重心法在激光光条走向变化较大时的光条中心提