具有异质背景的现场粒子分析:一种机器学习方法
Adeeb Ibne Alam1, Md Hafizur Rahman2, Akhter Zia1
1Department of Mechanical Engineering, University of Maine, Orono, ME, 04469, United States.
Scientific reports
|May 8, 2024
概括
这项研究引入了一种新的人工智能引导的框架,用于在复杂的制造背景下准确检测颗粒. 该系统在多种异质粒子-基板接口中提高了精度和回忆,改善了过程监控.
科学领域:
- 制造业 制造业 制造业 制造业
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
背景情况:
- 传统的颗粒检测方法在制造业中与异质颗粒-基板 (HPS) 接口作斗争.
- 像大小分析器和基本深度学习模型这样的现有技术往往不足以应对复杂的背景.
研究的目的:
- 开发一个灵活的,人工智能引导的框架,用于在复杂的制造环境中进行强大的颗粒检测.
- 为了提高粒子识别在异质粒子-基板接口上的准确性和可靠性.
主要方法:
- 一个四步模块化框架,结合了预处理,人工智能模型选择,人工智能引导检测和后处理.
- 图像增强和利用于预处理;使用MobileNet转移学习作为异质性分类的模型选择器.
- 利用基于分类异质性的独特YOLO模型进行粒子识别,并使用域知识进行后处理以减少错误阳性.
主要成果:
- 由人工智能引导的框架在各种HPS条件下表现出一致的精度和回忆.
- 精度和回忆的和平均值与单个AI模型的结果相比较.
- 该系统有效地处理各种粒子和基板特性以及不同的环境照明.
结论:
- 开发的框架为复杂制造环境中的颗粒检测提供了多功能解决方案.
- 这种工具具有很大的潜力,可以在各种制造业务中推进现场过程监控.
- 应用包括3D打印,粉末金,涂料,粒子分类和半导体制造.


