Томакова Римма Александровна, доктор технических наук, профессор, профессор кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Researcher ID: O-6164-2015
Rimma A. Tomakova, Dr. of Sci. (Engineering), Professor, Professor of the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Researcher ID: O-6164-2015
Псарев Данила Викторович, магистрант кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Danila V. Psarev, Undergraduate of the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Неручев Юрий Анатольевич, доктор физико-математических наук, профессор кафедры физики и нанотехнологий, научный руководитель научно-исследовательского центра физики конденсированного состояния
ул. Радищева, д. 33, г. Курск 305000
Yury A. Neruchev, Dr. of Sci. (Physics and Mathematics), Professor of the Department of Physics and Nanotechnology, Scientific Supervisor of the Research Center for Condensed Matter Physics
33 Radishcheva Str., Kursk 305000
Старков Вадим Артемович, студент кафедры программной инженерии
ул. 50 лет Октября, д. 94, г. Курск 305040
Vadim A. Starkov, Student of the Department of Software Engineering
50 Let Oktyabrya Str. 94, Kursk 305040
Цель исследования заключается в разработке приложения, предназначенного для автоматического распознавания формы частиц нанопорошка и установления их размеров на основе нейросетевых технологий, обеспечивающего упрощение процесса подготовки документации при его изготовлении.
Методы. Для определения физических свойств нанопорошков при их изготовлении необходимо проведение анализа распределения частиц по размерам. Предложена методология определения распределения частиц нанопорошка по размерам на основе сверотчных нейронных сетей. Для обработки используются изображения, полученные с помощью электронной микроскопии, что позволяет значительно ускорить подготовку произведенных порошков к продаже. Собранный для обучения сверточных нейронных сетей датасет содержит как реальные изображения образцов различных видов нано порошков, так и аугментированные данные, а также сгенерированные изображения. При разработке приложения был использован язык Python, графическая среда программирования LabVIEW, сверточная нейронная сеть YOLO и различные библиотеки языка Python.
Результаты. В результате проведенных исследований была получена обученная на собранном датасете нейросетевая модель, которая выполняет распознавание разнообразных частиц на изображениях и устанавливает количественные оценки этих частиц. Для работы с нейросетевой моделью был создан программный интерфейс, который позволяет проводить анализ образцов нанопорошка.
Заключение. Разработанное приложение позволяет в автоматическом режиме определять средний размер частиц порошка на основе полученных изображений нанопорошков с помощью электронной микроскопии, а также строить графики распределения частиц, составляющих нанопорошок, по размерам. Это значительно упрощает работу производителям нанопорошков и облегчает подготовку необходимой документации для произведенного продукта.
The purpose of the research is to develop an application capable of automatically determining the particle size distribution of nanopowder using neural network technology in order to simplify the process of preparing documentation during its manufacture.
Methods. To determine the physical properties of nanopowders during their fabrication, it is necessary to analyze the particle size distribution. A methodology for determining the size distribution of nanopowder particles based on light neural networks is proposed. Images obtained by electron microscopy are used for processing, which allows to speed up the preparation of manufactured powders for sale. The dataset collected for training contains real images of samples of different powders, augmented data and generated images. The Python language, LabVIEW graphical programming environment, YOLO convolutional neural network and various Python language libraries were used in the development.
Results. The study resulted in a model trained on the collected dataset that is capable of recognizing particles in images. A software interface was created to work with the model to analyze nanopowder samples.
Conclusion. The developed application allows to automatically determine the size of each powder particle on the basis of the obtained images, as well as to build graphs of their size distribution. This greatly simplifies the work of nanopowder producers and facilitates the preparation of the necessary documentation for the produced product.
The authors declare that there are no conflicts of interest present.