本发明属于材料缺陷检测，具体是指一种基于深度学习的位错柏氏矢量智能分析方法。
背景技术：
1、位错是晶体材料中的常见线性缺陷，位错形成、分布和演化对材料力学性能以及材料内部扩散和相变过程有深远影响，柏氏矢量(burgers vector)是反映位错附近原子错排位移大小和方向的一个重要基础参量，与材料的晶体结构和层错能等物理性质密切相关。
2、目前，透射电子显微镜是表征材料中位错最重要和最广泛的手段之一。基于透射电镜衍衬成像方法，在不同衍射矢量下采集系列位错衍衬图像，综合考虑衍射矢量和相应图像中位错的可见性信息，进而判断确定位错的柏氏矢量。实际分析过程中，需要研究者人工将获取的系列衍射矢量位错图像进行对中并判断可见性。由于获取系列位错图像的采集衍射条件常常不同，需要在一定角度范围内倾转样品，这就导致系列图像中相应位错形态发生不同程度和方向的畸变，对于人工分类识别和判断造成干扰。尤其是当位错密度较高、形态或组态较为复杂时，位错分类和柏氏矢量的确定变得愈加困难。
3、综上，人工识别和确定柏氏矢量的数据处理效率低，且容易受分析人员对可见性的主观判断结果所影响而导致分析偏差。因此，亟需开发一种自动化、集成化和智能化的位错特征分析方法，来实现位错柏氏矢量的快速准确确定。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的位错柏氏矢量智能分析方法，能够改善分析位错数据效率低，难以满足自动化分析位错柏氏矢量的要求。
2、为实现上述目的，本发明提供如下技术方案：
3、本发明提供一种基于深度学习的位错柏氏矢量智能分析方法，包括：
4、通过透射电镜获取样品的若干位错图像，对所述若干位错图像进行标注，获得位错信息，根据所述位错信息建立数据集，利用所述数据集训练深度学习网络模型，获得位错识别模型；
5、通过透射电镜获取样品系列衍射矢量下的位错图像集合，并记录各衍射矢量下样品杆倾转轴的倾转角度，通过所述位错识别模型获取所述位错图像集合的位错信息，结合所述倾转角度对所述位错信息进行校准，得到校准后的位错信息；
6、根据所述校准后的位错信息，获得所述各衍射矢量下的位错可见性信息；
7、根据所述各衍射矢量下的位错可见性信息，获得位错柏氏矢量。
8、可选地，通过透射电镜获取样品的若干位错图像，对所述若干位错图像进行标注，获得位错信息，根据所述位错信息建立数据集，利用所述数据集训练深度学习网络模型，获得位错识别模型包括：
9、通过标注软件对所述若干位错图像进行标注，获得位错信息，根据所述位错信息建立数据集，所述位错信息包括位错类型、位错位置和位错掩膜；
10、通过所述数据集对所述深度学习网络模型进行训练，输出训练结果，当所述训练结果稳定，结束训练，获得所述位错识别模型。
11、可选地，通过透射电镜获取样品系列衍射矢量下的位错图像集合，并记录各衍射矢量下样品杆倾转轴的倾转角度，通过所述位错识别模型获取所述位错图像集合的位错信息，结合所述倾转角度对所述位错信息进行校准，得到校准后的位错信息包括：
12、通过所述位错识别模型获取所述位错图像集合的位错信息，所述位错信息包括位错类型、位错位置和位错掩膜；
13、选取位错图像集合中的倾转角度为0°的位错图像作为参考图像，所述参考图像中的位错作为参考位错，通过将其余倾转角度下的位错图像中的位错逐一与所述参考位错进行匹配，获得各倾转角度下的匹配位错；
14、根据所述参考位错、所述倾转角度和各倾转角度下的所述匹配位错，获得各倾转角度下的平移参量；
15、根据所述平移参量对所述位错信息进行校准，获得校准后的位错信息。
16、可选地，通过将其余倾转角度下的位错图像中的位错逐一与参考位错进行匹配，获得各倾转角度下的匹配位错包括：
17、将待匹配位错与所述参考位错进行匹配计算，计算两位错的特征向量的匹配程度，所述特征向量由位错的中心点以及一定范围内的其他位错的中心点组成，计算公式如下：
18、
19、if ax>0.9,anum＝anum+1
20、其中，d1为待匹配位错的特征向量的长度，d2为参考位错的特征向量的长度，θ1为待匹配位错的特征向量的角度，θ2为参考位错的特征向量的角度，ax表示两个特征向量的匹配程度，anum表示ax>0.9的数量，若anum大于两位错的中心点的特征向量数量的最小值的一半或者2，获得匹配位错。
21、可选地，根据所述参考位错、所述倾转角度和各倾转角度下的所述匹配位错，获得各倾转角度下的平移参量包括：
22、计算所述匹配位错和所述参考位错的掩膜面积比值，获取每张位错图像所有掩膜面积比值在阈值范围内的位错掩膜的平均坐标，通过平均坐标计算x、y轴的平移参量δx、δy，计算公式如下：
23、
24、其中，xi、yi是参考位错的横坐标值和纵坐标值，xi′、yi′是对应匹配位错的横坐标值和纵坐标值，α表示在系列衍射矢量下采集位错图像时，样品杆α轴的倾转角度，β表示在系列衍射矢量下采集位错图像时，样品杆β轴的倾转角度，n为掩膜坐标的个数，px为图像宽度的一半。
25、可选地，根据所述平移参量对所述位错信息进行校准，获得校准后的位错信息包括：
26、通过如下公式进行计算：
27、
28、其中，x0、y0是原图像坐标，δx是x轴的平移参量，δy是y轴的平移参量，px是图像宽度的一半，x1、y1是校准后的图像坐标，α表示在系列衍射矢量下采集位错图像时，样品杆α轴的倾转角度，β表示在系列衍射矢量下采集位错图像时，样品杆β轴的倾转角度。
29、可选地，根据所述校准后的位错信息，获得所述各衍射矢量下的位错可见性信息包括：
30、计算其余倾转角度下的位错图像和所述参考图像中的每个位错检测框的交并比；
31、判断所述位错检测框的交并比大于阈值时，计算位错的掩膜面积交并比、掩膜的外接四边形角度的差值以及外接四边形的长宽比例的差值；
32、判断所述掩膜面积交并比大于阈值，所述外接四边形角度的差值以及长宽比例的差值小于阈值时，视为两个位错匹配，记录对应衍射矢量下位错可见，若未检测到匹配的位错，则记录对应衍射矢量下位错消光。
33、可选地，根据所述各衍射矢量下的位错可见性信息，获得位错柏氏矢量包括：
34、通过消光规律确定位错柏氏矢量，具体公式如下：
35、g·b＝0
36、其中，g指采集位错图像的衍射矢量，b指单个位错的柏氏矢量。
37、可选地，所述深度学习网络模型采用swin mask2former。
38、综上所述，本发明具有以下至少一种有益效果：
39、1.本发明提供的基于深度学习的位错柏氏矢量智能分析方法，通过位错信息建立数据集训练深度学习网络模型，获得位错识别模型，能够实现位错信息的快速智能化识别和标注；
40、2.本发明提供的基于深度学习的位错柏氏矢量智能分析方法，结合特定的校准方法，对各倾转角度下的位错信息进行校准，能够快速、准确地实现位错信息的校准，从而改善了倾转角度下投影图像而导致的位错偏移，尤其有利于改善位错密度较高、形态或组态较为复杂时，位错信息难以准确确定的缺陷。
41、3.本发明提供的一种基于深度学习的位错柏氏矢量智能分析方法，结合消光规律分析位错柏氏矢量，方法简单，准确性高，有利于提高位错图像分析效率，实现自动化位错图像柏氏矢量分析。
1.一种基于深度学习的位错柏氏矢量智能分析方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，通过透射电镜获取样品的若干位错图像，对所述若干位错图像进行标注，获得位错信息，根据所述位错信息建立数据集，利用所述数据集训练深度学习网络模型，获得位错识别模型包括：
3.根据权利要求1或2所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，通过透射电镜获取样品系列衍射矢量下的位错图像集合，并记录各衍射矢量下样品杆倾转轴的倾转角度，通过所述位错识别模型获取所述位错图像集合的位错信息，结合所述倾转角度对所述位错信息进行校准，得到校准后的位错信息包括：
4.根据权利要求3所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，通过将其余倾转角度下的位错图像中的位错逐一与参考位错进行匹配，获得各倾转角度下的匹配位错包括：
5.根据权利要求3所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，根据所述参考位错、所述倾转角度和各倾转角度下的所述匹配位错，获得各倾转角度下的平移参量包括：
6.根据权利要求3所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，根据所述平移参量对所述位错信息进行校准，获得校准后的位错信息包括：
7.根据权利要求3所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，根据所述校准后的位错信息，获得所述各衍射矢量下的位错可见性信息包括：
8.根据权利要求1或2所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，根据所述各衍射矢量下的位错可见性信息，获得位错柏氏矢量包括：
9.根据权利要求1或2所述的基于深度学习的位错柏氏矢量智能分析方法，其特征在于，所述深度学习网络模型采用swin mask2former。
