邀请报告
面向材料科学文献的命名实体识别及关系抽取的研究与应用
中国材料大会2025，E06材料基因工程分会, 2024年7月5-8日
中国，广州
Research on machine learning methods for material image mining and material properties
8th Asian Materials Data Symposium IAMDS2024 (第八届亚洲材料数据会议), 2024年11月13-16日
中国，宁德
面向材料图像挖掘材料性能的机器学习方法研究
c, 2024年11月13-17日
中国，宁德
基于材料图像挖掘材料性能的研究
中国材料大会2024，E06材料基因工程分会, 2024年7月9-11日
中国，广州
（口头报告）面向材料文献和材料图像的挖掘方法研究与应用
中国材料大会2023，E06材料基因工程分会, 2023年7月7-10日
中国，深圳
获奖情况
2023-2024学年上海大学本科生全程导师书院精品项目，书院导师实践项目（重点）：融合人工智能技术激发学习兴趣的学生培养方法探索，结项优秀 (2024年10月)
2024年度中国钢研集团悬赏征算项目三等奖，铁路机车车辆损伤图像自动识别APP，获奖者 韩越兴 参与团队：葛嘉浩，包胜奇 (2024年11月25日)
中国计算机学会 CCF杰出会员 编号：CCF-MEM-DM-2024-00222 (2024年10月)
上海大学教职工年度考核 优秀 (2024年8月)
2023年度上海市计算机学会优秀硕士学位论文提名奖，姓名：李睿祺，单位：上海大学，论文题目：基于非完全标注的复杂纹理图像分割方法研究，指导教师：韩越兴 (2024年3月)
2023年中国大学生计算机设计大赛，第16届，把手与药兮--谁寻本草，三等奖，作者：杨若弘 项楠 梁丹丹，指导教师：韩越兴 (2023年7-8月)
凡科优秀评审专家称号 (2023年7月16日)
2022年犀牛鸟中学科学人才培养计划优胜奖 (2022年11月)
上海大学本科优秀毕业设计（论文）指导教师奖 阮礼恒 (2022年7月)
2021年度上海大学突出贡献奖 (2022年3月)
2021年度上海市教育系统第十三届比翼双飞模范佳侣 （2022年评选） (2022年1月)
开源软件
使用深度学习预测掺杂Al2O3的四方相YSZ涂层的热导率
项目介绍：材料的性能与材料微观结构密切相关，不少期刊/会议论文中也明确结构直接决定性能。利用深度学习方法分析材料微观结构图像，从而建立回归模型预测出材料的性能是一种非常优秀的方法，然而，当下的许多工作中仅仅做到了将在其他视觉任务上表现优异的方法直接迁移到材料图像领域，预测材料性能，如，将在coco，ImageNet表现优异的resnet，alexnet等直接迁移到材料图像上，将最终的分类网络换成输出值为1个类别（性能值）的网络，然后加以训练，用以预测材料性能。 然而，在材料类的论文中，也明确了影响材料性能的不仅仅局限于材料图像的某些具体结构，事实上，全局特征和局部特征一样非常重要，局部特征细致刻画了材料的纹理，晶界密度以及孔隙率等，而全局特征则考虑了不同特征之间的长程依赖，可以发现材料中不同位置之间的相互作用关系，综合考虑更全面的信息，建立更加完整的映射关系。本程序所构建的网络同时考虑了局部网络分支和全局网络分支，分别对材料图像的局部特征和全局特征进行提取，并提出了专门的特征融合模块，对特征进行精细化融合处理，最终准确预测性能。
https://github.com/han-yuexing/RCFNet_Conv_Resnet50_MHSA/tree/main基于聚类方法的陶瓷表面电子扫描电镜图像分析
软件介绍：陶瓷表面纳米结构是异常复杂多变的，根据材料组成成份的细微不同，就会使得材料图像巨大的变化。本研究平台是针对陶瓷(HfB2−B4C)各种区域分割和识别为目的而开发的软件平台，如图1所示。其中，通过找到区域边界，从而可以识别出每个区域，然后再进一步识别出每个区域中的子区域。
https://github.com/han-yuexing/Analysis-of-SEM-image-of-ceramic-surface-based-on-clustering-method基于深度学习方法的材料表面原子力显微镜图像分析
软件介绍：为了对DNA机器人形态进行研究，研究人员利用原子力显微镜拍摄出机器人的AFM图像。由于AFM图像多噪声及被观察的DNA机器人大规模重叠，所以需要对DNA纳米机器人进行分类和识别。AFM图像中的DNA机器人包含三种不同的DNA形态：平行、反平行和交叉。因为它们是由DNA大分子制成的，并且是在液体中拍摄的，因此，识别任务的困难之一就是AFM图像中这些纳米机器人的形状多样且灵活。尽管纳米结构科学和技术在许多领域得到了迅速发展，但由于成本高昂，仍然难以获得足够的纳米物体样本，从而阻碍了材料领域深度学习方法的发展。基于以上情况，设计了一个基于迁移学习和卷积神经网络的DNA机器人识别软件。
https://github.com/han-yuexing/Image-Analysis-of-Atomic-Force-Microscope-on-Material-Surface-Based-on-Deep-Learning-Method菊池带边界识别与搜索
软件介绍：电子背散射花样能够通过分析反映出晶体的结构和取向等信息，其准确性依赖于对花样位置和花样轴心线的确定。项目研究了一种新的处理菊池带花样的方法，能够快速准确地对图像中的菊池带及其轴线和交点进行标注。首先通过Canny算子进行边缘轮廓提取，在对其结果进一步使用Radon变换直线检测后得到每条菊池带的两条边缘并合并得其中心线。随后使用概率霍夫变换方法检测原始图像边缘线段。在对所得中心线和线段结果使用双向筛选算法进行选取配对后，使用双曲线拟合菊池带边缘。图5和图6展示了菊池带花样的直线与线段检测结果，图7展示了两条菊池带花样的配对结果。菊池带边界的最终检测结果如图8所示。
https://github.com/han-yuexing/Identification-and-search-of-Kikuchi-zone-boundary涂层上特殊区域铺展率的计算和识别
软件介绍：本软件完成了基于数学形态学的片层轮廓自动提取及铺展形貌参数的计算，用最大类间方差法求取二值分割阈值，运用均值滤波和形态学操作为图片去噪，并保证单个片层的连通性。通过轮廓提取来获得片层边缘信息，最后根据所提取出的轮廓计算片层的实度参数。本软件可以精确识别出片层轮廓，且具有很强的抗噪声干扰能力，有效提升了科研人员的研究效率。
https://github.com/han-yuexing/Calculation-and-identification-of-spread-rate-of-special-area-on-coating基于深度学习VGG模型对带有虚拟边界的材料图像进行分割
软件介绍：新材料的研发是推动材料科学发展的重要动力，而材料基因工程是一门目前材料科学领域的前沿交叉学科，能够缩短新材料的研发周期及降低时间人力成本，对材料图像微观结构分割与识别能够为材料基因工程中的数据库构建提供数据基础。本方法提出一种基于复杂纹理特征融合的材料图像分割方法，选择并改进FCN作为基础网络，实现了对各相纹理相似的材料图像精确分割。网络分为编码和解码阶段，使用VGG16(VGG block)作为骨干网络，在解码阶段，使用级联的特征融合模块融合了分别来自高层和低层的特征图的语义信息；然后将融合的特征图放入多尺度学习模块(Multi-scale block)进一步提取纹理信息；在解码阶段，对于每层恢复的特征图使用注意力机制模块(Attention block)对特征图附加权重，通道注意力机制保留重要的特征图，空间注意力机制保留重要特征图中的关键纹理信息。同时，对于材料图像中数据分布不平衡的问题，本章选择并改进Dice损失，优化分割结果。
https://github.com/han-yuexing/Segmentation-of-material-image-with-virtual-boundary-based-on-depth-learning-VGG-model基于机器学习的晶体结构识别方法
软件介绍：由于原子运动使得晶体结构发生变化，进而导致塑性形变。晶体材料的塑性形变与材料性能具有密切相关，研究材料形变机理对分析材料的性能以及理解形变机制具有极其重要的作用。然而，目前晶体结构识别常常面临样本数据不足的问题，且现有的一些方法并不能识别出所有的晶体结构。针对晶体结构中的小样本问题以及现存方法的不足，本研究提出了一种基于机器学习的晶体结构识别方法。
https://github.com/han-yuexing/Crystal-structure-recognition-method-based-on-machine-learning2205二相不锈钢粗化行为分析
软件介绍：在制备材料时，一些析出的沉淀物会影响材料的性能，其中，析出物的尺寸和分布对性能有很大的影响。例如双相不锈钢，具有很好的机械性能和耐腐蚀性，这些优秀的性能归因于形成的铁氧体和奥氏体，但是在制备过程中容易产生一些次生相，如σ相。为了便于分析，可以在制备过程中采集图像进行处理。基于深度学习的良好性能以及它们在材料研究上的成功应用，本程序提供了多个分割网络，以及它们在一些数据集上训练得到的模型，帮助使用者更便捷地用深度学习算法处理材料图像。相间能量是通过奥斯特瓦尔德粗化机制，根据各个时刻沉淀物的半径计算得到。
https://github.com/han-yuexing/Roughening-Behavior-Analysis-Procedure-for-2205-Duplex-Stainless-Steel