金属电池通过变压器-CNN分割进行质量控制
Jerome Quenum1,2, Iryna V Zenyuk3, Daniela Ushizima2,4,5
1Department of Electrical Engineering and Computer Science, Berkeley College of Engineering, University of California, Berkeley, CA 94720, USA.
Journal of imaging
|June 27, 2023
概括
金属电池面临着由树岩形成带来的挑战. 一个新的AI模型TransforCNN有效地对X射线图像中的这些缺陷进行细分,改进了电池分析.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 人工智能的人工智能
背景情况:
- 金属电池 (LMB) 提供高能量密度,但受到树形成的阻碍.
- X射线计算机断层扫描 (XCT) 对于非破坏性观察树形态至关重要.
- 从XCT数据中准确地3D重建树突,需要强大的图像细分.
研究的目的:
- 介绍TransforCNN,一种基于变压器的新型神经网络,用于XCT数据中的树突的语义细分.
- 将TransforCNN的性能与现有的细分算法 (U-Net,Y-Net,E-Net) 进行定量比较.
主要方法:
- 基于变压器的神经网络 (TransforCNN) 的开发和应用,用于语义细分.
- 使用金属电池的XCT数据对TransforCNN与U-Net,Y-Net和E-Net进行比较分析.
- 使用过分细分指标的评估,例如平均交叉与联盟 (mIoU) 和平均子相似系数 (mDSC).
主要成果:
- 与U-Net,Y-Net和E-Net相比,TransforCNN在细分树突中表现出优异的性能.
- 定量评估显示TransforCNN在mIoU和mDSC指标中具有显著的优势.
- 定性可视化证实了TransforCNN在捕获复杂的树结构方面的有效性.
结论:
- TransforCNN提供了一个强大而准确的解决方案,用于XCT图像中细分树突.
- 这一进步有助于更好地进行定量分析,并更好地了解LMB中的树岩形成.
- 拟议的方法有可能加速开发和商业化更安全,更有效的LMBs.
