相关实验视频
Updated: Jun 15, 2025
09:32
Electrospun Nanofiber Scaffolds with Gradations in Fiber Organization
Published on: April 19, 2015
9.8K
基于卷积神经网络的纳米纤维膜图像中的几何特征提取用于表面粗度预测.
Dong Hee Kang1,2, Na Kyong Kim3, Wonoh Lee1
1Department of Mechanical Engineering, Chonnam National University, 77 Youngbong-ro, Buk-Gu, Gwangju, 61186, Republic of Korea.
Heliyon
|August 22, 2024
概括
这项研究引入了一种使用卷积神经网络 (CNN) 来分析图像中的膜表面粗度的新型人工智能方法. 该方法准确地提取几何特征,提供比传统技术更全面的表面表征.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 图像分析 图像分析
背景情况:
- 传统的表面粗度测量方法 (例如,原子力显微镜,光学分析仪) 在分析多孔膜方面存在局限性,因为分析区域和深度分辨率有限.
- 扫描电子显微镜 (SEM) 图像,当与先进的特征提取相结合时,可以在各种分辨率上进行更广泛的表面粗度分析.
研究的目的:
- 开发和验证一种基于人工智能的方法,从膜图像中提取平均表面粗度.
- 利用卷积神经网络 (CNN) 模型来分析几何特征并提高表面粗度测量的准确性.
主要方法:
- 使用图像预处理技术,通过放大像素强度差异来增强几何图案.
- 基于特征地图的CNN模型被用于从膜图像中提取特征.
- 统计分析和大小谱被用来分类表面粗度,并预测对数平均表面粗度值.
主要成果:
- 在测试数据集上,CNN模型实现了4.80%的平均绝对百分比误差 (MAPE),用于预测对数平均表面粗度.
- 几何图案和大小光谱分析证实了表面粗度的分类.
- 该方法通过分析几何图案来证明有效的间接表面测量.
结论:
- 拟议的基于CNN的特征提取与统计分析相结合,为测量表面粗性提供了一种有价值的间接方法.
- 这种方法有效地从不规则的像素图案中揭示了表面几何学的隐藏物理特征.
- 该技术减少了结构特征分析中的随机性误差,并提供了对表面地形的更全面的理解.
