申请/专利权人：长春理工大学

申请日：2023-12-18

公开（公告）日：2024-03-15

公开（公告）号：CN117710505A

主分类号：G06T11/00

分类号：G06T11/00;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明属于卷积神经网络图像预测和虚拟仿真技术领域，尤其为一种基于VGG16的AFM虚拟系统成像预测方法。本发明使用预训练的VGG16模型作为特征提取器，并通过整合残差编码器和批归一化优化了模型结构，同时使用Adam优化器提高了训练效率。根据欧拉伯努利梁理论建立了探针微悬臂梁在轻敲模式下的振动方程，并使用有限元方法在Unity3D中模拟振动响应，将虚拟样本置于虚拟AFM中进行扫描，以获得四象限光斑数据并将其作为预测模型的输入量，预测U和V通道的信息，最终使用SSIM指标评估模型预测准确率，确保高质量输出。本发明有效提升了AFM图像预测的准确性，降低了操作复杂性和成本，为科研和教育机构提供了一种经济高效的AFM学习和研究工具。

主权项：1.一种基于VGG16的AFM虚拟系统成像预测方法，其特征在于：包括以下步骤：S1、采用YUV色彩空间代替标准RGB色彩空间，以便更准确地预测地形图，‘Y’分量代表灰度值，而‘U’和‘V’分量则捕捉图像的色调和饱和度；S2、收集大量的样本形貌图，构成数据集，确保模型能够在多样化的数据上进行有效训练，并在实际应用中具有良好的泛化能力；S3、基于欧拉伯努利梁理论建立了AFM微悬臂梁在轻敲模式下的振动方程，并利用有限元方法在Unity3D中模拟了振动响应，得到的四象限光斑数据作为卷积神经网络的输入，输出预测形貌图的U和V通道信息；S4、使用预训练的VGG16模型作为特征提取器，包含13个卷积层和3个全连接层，每个卷积层使用3x3内核，有效捕获样品形貌图细节特征；S5、设计残差编码器，包括针对残差设计的附加卷积层，使用1x1和3x3的过滤器及跳跃连接；S6、采用Adam优化器进行模型训练，结合了RMSProp和Momentum优化算法的优点，通过规范化参数更新来增强训练过程的有效性；S7、采用单尺度结构相似性SSIM作为评估模型预测精度的指标，从而确保模型在实际应用中能够提供高质量的预测结果。

全文数据：

权利要求：

百度查询： 长春理工大学 一种基于VGG16的AFM虚拟系统成像预测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD