[发明专利]用于分析观测对象的类别的方法和装置

说明书

技术领域

本发明的示例性实施例一般地涉及数据分析和处理技术，并且特别涉及用于分析观测对象的类别的方法和装置。

背景技术

颗粒分析在众多行业和领域(例如包括汽车业、化工业、矿业、林业、农业、营养业、制药业、能源业、综合产业等)中都具有相当的重要性。以汽车业为例，可以针对从汽车的组件或零部件上落下的颗粒来进行计数，也可以测量这些颗粒的大小。举例来说，可以使用显微镜(诸如扫描型电子显微镜)来获取有关这些颗粒的数量和大小的信息。如果颗粒的尺寸过大，那么可以认为该组件或零部件的质量不好。另外，还可以根据颗粒的大小来对这些颗粒进行分类。但是，仅根据颗粒的大小无法跟踪颗粒的来源，也不知道颗粒是从什么组件落下来的。因此，提供一种能够对诸如颗粒这样的观测对象进行分类的有效方案是值得期待的。

发明内容

根据本发明示例性实施例的第一方面，一种用于分析观测对象的类别的方法可以包括：获取一个或多个观测对象的特征信息；根据所述一个或多个观测对象的特征信息，利用基于神经网络的分类策略来实施对所述一个或多个观测对象的分类预测；以及至少部分地基于所述分类预测的结果，确定所述一个或多个观测对象的相应类别。

根据本发明示例性实施例的第二方面，一种用于分析观测对象的类别的装置可以包括：信息获取模块，用于获取一个或多个观测对象的特征信息；分类预测模块，用于根据所述一个或多个观测对象的特征信息，利用基于神经网络的分类策略来实施对所述一个或多个观测对象的分类预测；以及类别确定模块，用于至少部分地基于所述分类预测的结果，确定所述一个或多个观测对象的相应类别。

根据本发明示例性实施例的第三方面，一种用于分析观测对象的类别的装置可以包括：至少一个处理器和存储了计算机程序代码的至少一个存储器。所述至少一个存储器和所述计算机程序代码可被配置为与所述至少一个处理器一起促使所述装置至少实施以下操作：获取一个或多个观测对象的特征信息；根据所述一个或多个观测对象的特征信息，利用基于神经网络的分类策略来实施对所述一个或多个观测对象的分类预测；以及至少部分地基于所述分类预测的结果，确定所述一个或多个观测对象的相应类别。

根据本发明示例性实施例的前述任意方面，所述一个或多个观测对象的特征信息可以包括所述一个或多个观测对象的能谱信息。举例来说，所述能谱信息可以是归一化的能谱信息。在示例性实施例中，所述能谱信息可以是能量色散谱仪(Energy Dispersive Spectrometer，EDS)能谱信息。

根据本发明示例性实施例的前述任意方面，所述获取一个或多个观测对象的特征信息可以包括：收集所述一个或多个观测对象的位置信息，其中，所述位置信息指示了所述一个或多个观测对象的位置；以及根据所述位置信息来提取所述一个或多个观测对象的特征信息。

根据本发明示例性实施例的前述任意方面，所述一个或多个观测对象的相应类别可以指示以下至少一项：所述一个或多个观测对象的来源、所述一个或多个观测对象的材质、所述一个或多个观测对象的大小，以及所述一个或多个观测对象的组成部分。

根据本发明示例性实施例的前述任意方面，所述基于神经网络的分类策略可以包括基于支持向量机(Support Vector Machine,SVM)的算法。

根据本发明示例性实施例的前述任意方面，所述基于神经网络的分类策略可以通过网络训练过程来定义特征信息与对象类别之间的映射关系。

根据本发明示例性实施例的前述任意方面，所述网络训练过程可以包括：获取一个或多个训练对象的特征信息，其中，所述一个或多个训练对象的相应类别是已知的；至少部分地基于所述一个或多个训练对象的特征信息和相应类别，计算与所述映射关系相关联的训练网络的一个或多个参数；以及将具有所计算出的一个或多个参数的所述训练网络确定为所述神经网络，用于预测所述一个或多个观测对象的分类结果。

根据本发明示例性实施例的前述任意方面，可以至少部分地基于序列最小优化(Sequential Minimum Optimization,SMO)原理来计算所述一个或多个参数。

举例来说，可以通过显微镜的至少一部分(诸如显微镜的一个或多个部件)来实施根据本发明示例性实施例的第一方面的方法。类似地，根据本发明示例性实施例的第二和/或第三方面的装置可以是显微镜的至少一部分或者可以在通信上耦合于所述显微镜。所述显微镜可以是带电粒子显微镜或电子显微镜(诸如扫描型电子显微镜)。