Zastosowanie metod uczenia maszynowego w analizie obrazu mikroskopowego płytek ceramicznych

• Autorzy: Gąsiński Arkadiusz , Tymowicz-Grzyb Paulina

Warianty tytułu

EN

Application of machine learning methods in the analysis of the microscopic image of ceramic tiles

• Języki publikacji: PL

Abstrakty

PL

Współczesne metody badań stosowane w nowoczesnych technikach badawczych spowodowały, że zbierane są ogromne ilości danych, które muszą być poddane dalszej analizie. Uczenie maszynowe pomaga interpretować zgromadzone dane, a po ich przetworzeniu może pomóc podjąć dalsze decyzje. Metoda ta ma coraz większe zastosowanie w kontroli jakości wyrobów. W artykule przedstawiono zastosowanie nadzorowanej wersji uczenia maszynowego w badaniach nad optymalizacją rozpoznawania faz chemicznych z obrazów mikroskopowych i obrazów składu chemicznego dla płytek ceramicznych. Stwierdzono, że w przypadku opracowanych danych z elektronowej mikroskopii skaningowej, najlepsze wyniki uzyskano dla algorytmu CART (drzewo decyzyjne). Zastosowana metodyka znacznie usprawnia przeprowadzenie badań i poprawia jakość uzyskanych analiz obrazu w odniesieniu do standardowego oprogramowania mikroskopów.

EN

Contemporary research methods used in modern research techniques often result in the collection of huge amounts of data that must be further analyzed. Machine learning helps to interpret the collected data, and after their processing, it can help you make further decisions. The article presents the use of the supervised machine learning in research on the optimization of the recognition of chemical phases from microscopic images and chemical composition images for ceramic tiles. It was found that in the case of the developed data from scanning electron microscopy, the best results were obtained for the CART algorithm (decision tree structure). The applied methodology significantly improve the conduct of research and ameliorate the quality of the obtained image analyzes.

Słowa kluczowe

PL

analiza obrazu; uczenie maszynowe; mikroskopia elektronowa

EN

image analysis; machine learning; electron microscopy

• Wydawca: Sieć Badawcza Łukasiewicz - Instytut Ceramiki i Materiałów Budowlanych
• Czasopismo: Szkło i Ceramika
• Rocznik: 2022
• Tom: R. 73, nr 2
• Strony: 34--37
• Opis fizyczny: Bibliogr. 12 poz., tab., rys.

Twórcy

autor

Gąsiński Arkadiusz

• Sieć Badawcza Łukasiewicz – Instytut Ceramiki i Materiałów Budowlanych

• https://orcid.org/0000-0003-1378-3983

autor

Tymowicz-Grzyb Paulina

• Sieć Badawcza Łukasiewicz – Instytut Ceramiki i Materiałów Budowlanych

• https://orcid.org/0000-0002-1525-3401

Bibliografia

• 1 Y. Liu, T. Zhao, W. Ju, s. Shi, Materials discovery and design using machine learning, Journal of Materiomics 3 (3) 2017.
• 2 M. Umehara, H. S. Stein, D. Guevarra, P.F. Newhouse, D.A. Boyd, J.M. Gregoire, Analyzing machine learning models to accelerate generation of fundamental materials insights. NPJ Comput. Mater., 5 (1), 2019.
• 3 Y. Liu, T. Zhao, W. Ju, S. Shi, Materials discovery and design using machine learning, J. Mater., 3 (3), pp. 159-177, 2017.
• 4 A. Pratap, N. Sardana, Machine learning-based image processing in materials science and engineering: A review, Materials Today, InPress, available online 31.01.2022.
• 5 A. Chowdhury, E. Kautz, B. Yener, D. Lewis, Image driven machine learning methods for microstructure recognition, Comput. Mater. Sci., 123, 2016.
• 6 E.A. Holm, R. Cohn, N. Gao, A.R. Kitahara, T.P. Matson, B.o. Lei, S.R. Yarasi, Overview: computer vision and machine learning for microstructural characterization and analysis, Metall. Mater. Trans. A Phys. Metall. Mater. Sci., 51 (12), 2020.
• 7 Anon, 2020. Anaconda Software Distribution, Anaconda Inc. Available at: https://docs.anaconda.com/.
• 8 C.R. Harris, K.J. Millman, S.J. van der Walt, et al, Array programming with NumPy, Nature 585, pp. 357–362, 2020.
• 9 W. McKinney, others, Data structures for statistical computing in python. In: Proceedings of the 9th Python in Science Conference, p. 51–6, 2010.
• 10 J. D. Hunter, Matplotlib: A 2D Graphics Environment, Computing in Science & Engineering, vol. 9, no. 3, pp. 90-95, 2007.
• 11 Pedregosa et al., Scikit-learn: Machine Learning in Python, JMLR 12, pp. 2825-2830, 2011.
• 12 J. Schindelin, I. Arganda-Carreras, E. Frise, V. Kaynig, M. Longair, T. Pietzsch, A. Cardona. Fiji: an open-source platform for biological-image analysis, Nature Methods, 9 (7), pp. 676–682, 2012.