在图像中识别二维合组件:一个值处理方法与机器学习对比
Ludia T Khusainova1, Konstantin S Kolegov2
1Mathematical Modeling Lab, Astrakhan Tatishchev State University, 20a Tatishchev str., Astrakhan City, Astrakhan Region, Russia, 414056.
The European physical journal. E, Soft matter
|February 17, 2026
概括
本研究比较了在涂料中识别合体组件的方法. 机器学习,特别是YOLOv8,实现了97%的准确性,超过了用于分类粒子结构的传统值分析 (67%).
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 物理化学 物理化学
背景情况:
- 在光子学和功能性涂料中,体系统至关重要.
- 这些系统的物理性质是由它们结构的形态学决定的.
- 准确识别合颗粒组件对于控制材料特性至关重要.
研究的目的:
- 为了比较图像值分析和机器学习用于识别合组件的有效性.
- 将合体组件分为以下类别:孤立颗粒,二极体,链条和集群.
- 评估YOLOv8模型对此识别任务的性能.
主要方法:
- 使用OpenCV库进行图像值分析.
- 采用机器学习方法,使用YOLOv8模型.
- 在一个定制的二维合涂层数据集上训练了YOLOv8模型.
主要成果:
- 机器学习方法 (YOLOv8) 实现了97%的高精度.
- 图像值分析方法的准确性约为67%.
- YOLOv8模型在分类体粒子排列方面被证明是优越的.
结论:
- 与值分析相比,机器学习为识别合组件提供了更准确的方法.
- 开发的YOLOv8模型和算法可以使材料科学家和工程师受益.
- 这项研究为表征体材料提供了有价值的工具.
更多相关视频
09:27Measuring the Shape and Size of Activated Sludge Particles Immobilized in Agar with an Open Source Software Pipeline
Published on: January 30, 2019
7.5K
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.6K