С.А. Корчагин1

1 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

1 sakorchagin@fa.ru

Постановка проблемы. Для определения качества и состава нанокомпозитов, а также класса, к которому принадлежит материал, требуется проводить трудоемкий анализ. Создание системы компьютерного зрения для классификации нанокомпозитов может существенно упростить этот процесс, сократить время и снизить затраты на обработку изображений топографии поверхностей материалов.

Цель. Разработать систему компьютерного зрения, позволяющую проводить автоматическую классификацию нанокомпозитов по изображениям топографии поверхности материалов.

Результаты. Разработана система компьютерного зрения, которая позволяет проводить автоматическую классификацию нанокомпозитов с высокой точностью. Предложена модель машинного обучения, которая показала наилучшие результаты для данной задачи по сравнению с известными моделями.

Практическая значимость. Разработанная система компьютерного зрения может быть использована в новых поколениях микроскопов, позволяющих проводить автоматическую классификацию нанокомпозитов.

Корчагин С.А. Система компьютерного зрения для автоматической классификации нанокомпозитов // Информационно-измерительные и управляющие системы. 2023. Т. 21. № 5. С. 16−26. DOI: https://doi.org/10.18127/j20700814-202305-03

1. Ayed E.B. et al Vinyltriethoxysilane-functionalized starch nanocrystals as Pickering stabilizer in emulsion polymerization of acrylic monomers. Application in nanocomposites and pressure-sensitive adhesives // Journal of Colloid and Interface Science. 2020. Т. 578. P. 533−546.
2. Bharadwaz A., Jayasuriya A.C. Recent trends in the application of widely used natural and synthetic polymer nanocomposites in bone tissue regeneration // Materials Science and Engineering. 2020. Т. 110. P. 110698.
3. Корчагин С.А., Терин Д.В. Метод моделирования диэлектрической проницаемости анизотропного иерархически построенного нанокомпозита с периодической структурой // Письма в Журнал технической физики. 2021. Т. 47. № 16. С. 3−5.
4. Milosev I., Kapun B. He corrosion resistance of Nitinol alloy in simulate physiological solutionsn // Mater. Sci. Eng. 2012. V. 32. P. 1087−1090.
5. Othman N.H., Ismail M.C., Mustapha M., Sallih N., Kee K.E., Jaal R.A. Graphene-based polymer nanocomposites as barrier coatings for corrosion protection // Progress in Organic Coatings. 2019. V. 135. P. 82−99.
6. Kausar A. Corrosion prevention prospects of polymeric nanocomposites: A review // Journal of Plastic Film & Sheeting. 2019. V. 35 (2). P. 181−202.
7. Liu H., Jian R., Chen H., Tian X., Sun C., Zhu J., Wang C. Application of biodegradable and biocompatible nanocomposites in electronics: Current status and future directions // Nanomaterials. 2019. V. 9(7). P. 950.
8. Han L., Cui S., Yu H.Y., Song M., Zhang H., Grishkewich N., Tam K.M. Self-healable conductive nanocellulose nanocomposites for biocompatible electronic skin sensor systems // ACS Applied Materials & Interfaces. 2019. V. 11(47). P. 44642−44651.
9. Данилюк И.Р. и др. Гранулометрический анализ нанокомпозитных пленок по изображениям атомно-силовой микроскопии // Новое в Магнетизме и Магнитных Материалах. 2021. С. 73−75.
10. Сарманова О.Э. и др. Метод ы машинного обучения в решен и и задачимониторинга выведения тераностическихфлуоресцентных нанокомпозитов из организма // Математические методы распознавания образов. 2017. Т. 18. № 1. С. 160−161.
11. Liu B., Vu-Bac N., Rabczuk T. A stochastic multiscale method for the prediction of the thermal conductivity of Polymer nanocomposites through hybrid machine learning algorithms // Composite Structures. 2021. Т. 273. С. 114269.
12. Shen Z.H., Bao Z.W., Cheng X.X., Li B.W., Liu H.X., Shen Y., Nan C.W. Designing polymer nanocomposites with high energy density using machine learning // npj Computational Materials. 2021. V. 7. № 1. P. 1−9.
13. Liu B., Vu-Bac N., Rabczuk T. A stochastic multiscale method for the prediction of the thermal conductivity of Polymer nanocomposites through hybrid machine learning algorithms // Composite Structures. 2021. V. 273. P. 114269.
14. Najjar I.M. R., Sadoun A.M., Alsoruji G.S., Abd Elaziz M., Wagih A. Predicting the mechanical properties of Cu–Al2O3 nanocomposites using machine learning and finite element simulation of indentation experiments // Ceramics International. 2022. V. 48. № 6. P. 7748−7758.
15. Qiao C., Li D., Guo Y., Liu C., Jiang T., Dai Q., Li D. Evaluation and development of deep neural networks for image super-resolution in optical microscopy // Nature Methods. 2021. V. 18. № 2. P. 194−202.
16. Bostan E., Heckel R., Chen M., Kellman M., Waller L. Deep phase decoder: self-calibrating phase microscopy with an untrained deep neural network // Optica. 2020. V. 7. № 6. P. 559−562.
17. Dong Y., Li M., Li J. Image retrieval based on improved Canny edge detection algorithm // Proceedings International Conference on Mechatronic Sciences, Electric Engineering and Computer (MEC). IEEE. 2013. С. 1453−1457.
18. Проскурин А.В. Категоризация изображений на основе самоорганизующейся нейронной сети // Решетневские чтения. 2014. Т. 2. № 18. С. 274−276.
19. Chary V.S.K. et al. Artificial Special Visual Geometry Group-16 (VGG) Learning Model for Analysing Accuracy and Precision of SARS-COV-2 Forecasting // International Conference on Computer Communication and Informatics (ICCCI). IEEE. 2023. С. 1−5.
20. Wu Z., Shen C., Van Den Hengel A. Wider or deeper: Revisiting the resnet model for visual recognition // Pattern Recognition. 2019. Т. 90. С. 119−133.
21. Recht B. et al. Do imagenet classifiers generalize to imagenet? // International conference on machine learning. PMLR. 2019. С. 5389−5400.
22. Zhu Y., Newsam S. Densenet for dense flow // IEEE international conference on image processing (ICIP). 2017. С. 790−794.
23. Koonce B., Koonce B. EfficientNet // Convolutional Neural Networks with Swift for Tensorflow: Image Recognition and Dataset Categorization. 2021. С. 109−123.
24. Zhang Y., Ruan K., Gu J. Flexible sandwich‐structured electromagnetic interference shielding nanocomposite films with excellent thermal conductivities // Small. 2021. Т. 17. № 42. С. 2101951.
25. Bradski G. The openCV library // Dr. Dobb's Journal: Software Tools for the Professional Programmer. 2000. Т. 25. № 11. С. 120−123.
26. Багаев И.И. Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля tensorflow // Математическое и программное обеспечение систем в промышленной и социальной сферах. 2020. Т. 8. № 1. С. 15−22.
27. Jia Y. et al. Caffe: Convolutional architecture for fast feature embedding // Proceedings of the 22nd ACM international conference on Multimedia. 2014. С. 675−678.
28. Chaton T. et al. Torch-Points3D: A modular multi-task framework for reproducible deep learning on 3D point clouds // IEEE International Conference on 3D Vision (3DV). 2020. С. 1−10.
29. Bergstra J. et al. Theano: Deep learning on gpus with python // NIPS 2011. BigLearning Workshop. Granada. Spain. Granada: Citeseer. 2011. Т. 3.
30. Андриянов Н.А., Андриянов Д.А. О важности аугментации данных при машинном обучении в задачах обработки изображений в условиях дефицита данных // Информационные технологии и нанотехнологии (ИТНТ-2020): сб. тр. по материалам VI Междунар. конф. и молодеж. шк. (г. Самара, 26−29 мая): в 4 т. Тек. 2020.
31. Zhao B. et al. Achieving wideband microwave absorption properties in PVDF nanocomposite foams with an ultra-low MWCNT content by introducing a microcellular structure // Journal of Materials Chemistry C. 2020. Т. 8. № 1. С. 58−70.
32. Demir-Kavuk O. et al. Prediction using step-wise L1, L2 regularization and feature selection for small data sets with large number of features //BMC bioinformatics. 2011. Т. 12. С. 1−10.
33. Rolnick D., Kording K. Reverse-engineering deep relu networks // International Conference on Machine Learning. PMLR. 2020. С. 8178−8187.
34. Wang F. et al. Additive margin softmax for face verification // IEEE Signal Processing Letters. 2018. Т. 25. № 7. С. 926−930.
35. Newell N. et al. Biomechanics of the human intervertebral disc: a review of testing techniques and results // Journal of the mechanical behavior of biomedical materials. 2017. Т. 69. С. 420−434.