Анализ размеров частиц нанопорошков с использованием нейронных сетей и электронной микроскопии

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.

1. Application of image analysis for characterization of powders / J. Michalski, T. Wejrzanowski, R. Pielaszek, K. Konopka // Materials Science – Poland. 2005. Vol. 23, N 1. P. 79‒ 86.

2. Обзор композиционных металлополимеров, упрочненных нано- и ультрадисперсными частицами / В. Н. Гадалов, О. М. Губанов, И. В. Ворначева, В. Р. Петренко, И. А. Макарова // Упрочняющие технологии и покрытия. 2021. Т. 17, № 9 (201). С. 424‒ 432.

3. Физико-химическое и математическое описание диффузионных процессов при сварке порошковых материалов / В. Н. Гадалов, О. М. Губанов, В. Р. Петренко, А. В. Филонович // Справочник. Инженерный журнал. 2023. Т. 4, № 313. С. 3‒9.

4. Kroetsch D., Wang C. Particle size distribution // Soil sampling and methods of analysis. 2008. Vol. 2. P. 713‒725.

5. Металлография металлов, порошковых материалов и покрытий, полученных электроискровыми способами / В. Н. Гадалов, В. Г. Сальников, Е. В. Агеев, Д. Н. Романенко // Управление персоналом и интеллектуальными ресурсами в России. М.: Инфра, 2011. 468 с.

6. Разработка технологии производства и термическая обработка порошкового титанового сплава TI6,1AL5,4V1,8SN / В. Н. Гадалов, О. М. Губанов, Д. С. Алымов, А. В. Филонович, И. В. Ворначева // Заготовительные производства в машиностроении. 2021. Т. 19, № 6. С. 276‒280.

7. Производитель порошков Slam Metal Powder ‒ Порошок TiAl4822. URL: https://www.slammetalpowder.com/ru/товар/tial4822-powder/ (дата обращения: 15.09.2023).

8. Google Colaboratory. URL: https://colab.research.google.com/ (дата обращения: 01.09.2023).

9. Репозиторий LabelImg. URL: https://github.com/tzutalin/labelImg (дата обращения: 02.09.2023).

10. Seaborn: statistical data visualization. URL: https://seaborn.pydata.org/ (дата обращения: 05.09.2023).

11. Метод классификации рентгенограмм на основе использования глобальной информации об их структуре / Р. А. Томакова, М. В. Томаков, И. В. Дураков, В. В. Жилин // Биомедицинская радиоэлектроника. 2016. № 9. С. 45‒51.

12. Томакова Р. А., Филист С. А., Насер А. А. Нечеткие нейросетевые технологии для выделения сегментов с патологическими образованиями и морфологическими структурами на медицинских изображениях // Биомедицинская радиоэлектроника. 2012. № 4. С. 43‒50.

13. Методы и алгоритмы контурного анализа для задач классификации сложноструктурируемых изображений / М. В. Дюдин, А. Д. Поваляев, Е. С. Подвальный, Р. А. Томакова // Вестник Воронежского государственного технического университета. 2014. Т. 10, № 3-1. С. 54‒59.

14. Томакова Р. А., Филист С. А., Томаков М. В. Гибридные технологии в интеллектуальных системах идентификации лекарственных средств // Нейрокомпьютеры: разработка, применение. 2014. № 6. С. 31‒66.

15. Программное обеспечение интеллектуальной системы классификации форменных элементов крови / Р. А. Томакова, С. А. Филист, В. В. Жилин, С. А. Борисовский // Фундаментальные исследования. 2013. Т. 10, № 2. С. 303‒307.

16. Саввин С. В., Сирота А. А. Алгоритм построения многокадрового сверхразрешения изображений в условиях аппликативных помех на основе глубоких нейронных сетей // Компьютерная оптика. 2022. Т. 46, № 1. С. 130‒138.

17. Бережнов Н. И., Сирота А. А. Универсальный алгоритм улучшения изображений с использованием глубоких нейронных сетей // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2022. № 2. С. 81‒92.

18. Tomakova R. A., Filist S. A., Pykhtin A. I. Development and Research of Methods and Algorithms for Intelligent Systems for Complex Structured Images Classification // Journal of Engineering and Applied Sciences. 2017. Vol. 12, N 22. P. 6039‒6041.

19. Клеточные процессоры в классфикаторах многоканальных изображений / С. А Филист, Р. А. Томакова, А. Н. Брежнева, И. А. Малютина, В. А. Алексеев // Радиопромышленность. 2019. № 1. С. 45‒52.

20. Сирота А. А., Дрюченко М. А., Пузатых М. С. Моделирование аппликативных помех на изображениях с использованием глубоких нейронных сетей // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2022. № 4. С. 87‒98.