Автоматическое распознавание частиц на цифровых изображениях

Цель исследования – разработка и сравнение различных методов и алгоритмов для эффективного анализа частиц на основе их визуальных характеристик. Автоматическое распознавание частиц на цифровых изображениях является актуальной проблемой в области научных исследований. В работе рассматриваются два принципиально разных подхода – анализ градиентов оттенков серого и метод машинного обучения.
Методы. Методология исследования включает анализ изображений частиц, полученных осаждением из коллоидных растворов после лазерной абляции и изображений частиц порошка для селективного лазерного плавления. Материалы получены на электронном микроскопе Quanta 200 3D (FEI). Для анализа применяется бинаризация по пороговой яркости, методы распознавания контуров оператором Кенни и алгоритм Хафа для объединения точек границы в связанные контуры. Для сравнения использовано нейросетевое решение U-Net, для обучения нейросети был создан генератор датасета. В качестве данных для генерации используются вырезанные вручную изображения частиц порошка алюмелевого сплава и микрои наночастиц различных металлов.
Результаты исследования показывают, что метод Хафа обеспечивает распознавание количества частиц на уровне 80%, а метод машинного обучения достигает 95%-ной точности распознавания формы частиц. Оба метода могут быть применены для анализа микро- и наночастиц, включая частицы неправильной формы.
Заключение. Выводы работы подтверждают, что нейронные сети являются оптимальным решением для автоматического распознавания частиц на цифровых изображениях. Однако для создания датасета достаточного объема необходимо разработать генератор размеченных изображений, что требует детального исследования предметной области. 

1. Гуляев П. В., Шелковников Е. Ю., Ермолин К. С. Обработка и распознавание изображений реперных отметок для локализации зонда в сканирующем туннельном микроскопе // Химическая физика и мезоскопия. 2018. Т. 20, № 3. С. 437–445.

2. Многопоточная архитектура программного обеспечения обработки многоканальных медицинских сигналов / М. Б. Мяснянкин, А. А. Кузьмин, В. В. Серебровский, Е. А. Алдохин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 2. С. 76–97.

3. Аллаберганов А. А. Метод распознавания текстовой информации из цифровой формы (изображение), определение очередности нанесения реквизитов // Закон и право. 2020. № 4. С. 187–193.

4. Гундин А. А., Гундина М. А., Чешкин А. Н. Обработка цифровых изображений при дефектоскопии поверхностей промышленных объектов // Наука и техника. 2016. Т. 15, № 3. С. 225–232.

5. Лапко А. В., Лапко В. А. Непараметрические алгоритмы оценивания состояний природных объектов // Автометрия. 2018. Т. 54, № 5. С. 33–38. https://doi.org/10.15372/AUT20180504.

6. Арлазаров В. В., Булатов К. Б., Усков А. Б. Модель системы распознавания объектов в видеопотоке мобильного устройства // Труды Института системного анализа Российской академии наук. 2018. Спецвыпуск. С. 73–82.

7. Борзов С. М., Потатуркин О. И. Исследование эффективности спектрально-пространственной классификации данных гиперспектральных наблюдений // Автометрия. 2017. Т. 53, № 1. С. 32–42.

8. Inception-v4, Inception-Resnet and the impact of residua connections on earning / C. Szegedy, S. Ioffe, V. Vanhouc e [et a .] // Proceedings of the AAAI Conference on Artificia Inteigence. San Francisco, Ca ifornia, USA: AAAI Press, 2017. P. 4278–4284.

9. Automatic Detection and Counting of Circu ar Shaped Over apped Objects Using Circu ar Hough Transform and Contour Detection / Jianjun Ni, Zubair Khan, Shihao Wang, Kang Wang, Syed Kamran Haider // 12th Wor d Congress on Inte igent Contro and Automation (WCICA). Gui in, China: IEEE, 2016. P. 2902–2906.

10. Конаныхин А. Ю., Конаныхина Т. Н., Панищев В. С. Методы улучшения выделенной области изображения при быстродействующей обработке символьной информации // Известия Юго-Западного государственного университета Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 4. С. 106–116.

11. Местецкий Л. Непрерывная морфология бинарных изображений. Фигуры, скелеты, циркуляры. М.: Физматлит, 2009. 286 с.

12. Распознавание символьной информации для автоматизации производственных процессов / В. С. Панищев, М. И. Труфанов, О. Г. Добросердов, О. О. Хомяков // Известия Юго-Западного государственного университета. 2021. Т. 25, № 1. С. 122–137. https://doi.org/10.21869/2223-1560-2021-25-1-122-137.

13. Hybrid Neura Networ Architecture for Mu ti-Labe Object Recognition using Feature Fusion / Divya Meena S., Veeramachaneni Gayathri Siva Sameeraja, Nagineni Sai Lasya, Mada Sathvi a, Ve uru Harshitha, J. Shee a // Procedia Computer Science. 2022. N 215. P. 78–90.

14. Manaswi N. K. Deep Learning with App ications Using Python. New Yor , USA: Springer Science – Business Media, 2018. 219 p.

15. PDAtt-Unet: Pyramid Dua -Decoder Attention Unet for COVID-19 infection segmentation from CT-scans / F. Bougourzi, C. Distante, F. Dornai a, A. Ta eb-Ahmed // Medica Image Ana ysis. 2023. N 86 (17). P. 102797.

16. Low-cost automated who e smear microscopy screening system for detection of acid fast baci i / Y. N. Law, H. Jian, N. W. S. Lo [et a .] // PLoS One. 2018. N 1 (13). P. 1–8.

17. Полковникова Н. А. Нейросетевые системы автоматического распознавания морских объектов // Эксплуатация морского транспорта. 2019. № 4. С. 207–219. https://doi.org/10.34046/aumsuomt94/29.

18. Абдулкадиров Р. И., Ляхов П. А. Новый подход к обучению нейронных сетей с помощью натурального градиентного спуска с импульсом на основе распределений дирихле // Компьютерная оптика. 2023. № 1. С. 160–170.

19. Попов Г. А., Попова Т. А. Сравнение алгоритмов распознавания объектов // Инновация в информатике. 2020. Т. 14, № 2. С. 21–25.

20. Ronneberger O., Fischer P., Brox T. U-Net: Convo utiona Networ s for Biomedica Image Segmentation // Medica Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer, 2015. P. 234–241. https://doi.org/10.1007/978-3-319-245744-28.