Sistema automático de segmentación de materia extraña para polvo de polímero superabsorbente: aplicación de aprendizaje de representación adversaria de difusión
Autores: Chen, Ssu-Han; Youh, Meng-Jey; Chen, Yan-Ru; Jang, Jer-Huan; Chen, Hung-Yi; Cao, Hoang-Giang; Hsueh, Yang-Shen; Liu, Chuan-Fu; Liu, Kevin Fong-Rey
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Sistema automático de segmentación de materia extraña para polvo de polímero superabsorbente: aplicación de aprendizaje de representación adversaria de difusión
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Inspecciones de muestreo
Control de calidad
Polímeros superabsorbentes
Sistema de detección automática
Aprendizaje de representación adversarial de difusión
Detección de cuerpos extraños
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En las industrias actuales, las inspecciones por muestreo de la calidad de polvos, como los polímeros superabsorbentes (SAP), todavía se realizan mediante inspección visual. El tamaño de las muestras y la presencia de cuerpos extraños es de alrededor de 500 um, lo que dificulta su identificación por parte de los humanos. En el presente estudio se ha desarrollado un sistema automático de detección de cuerpos extraños para polvo. Las muestras de polvo pueden ser entregadas, distribuidas y recicladas automáticamente, y se capturan imágenes de ellas a través del hardware del sistema, mientras que el software de identificación de este sistema se desarrolló basado en el aprendizaje de representación adversaria de difusión (DARL). La imagen de fondo es una imagen de polvo libre de cuerpos extraños con un tamaño de imagen de entrada de 1024 x 1024 x 3. Dado que DARL incluye segmentación adversaria, un proceso de difusión y generación de imágenes sintéticas, el modelo DARL fue entrenado utilizando un bloque de difusión con la implementación de un mecanismo de atención U-Net y una capa de desnormalización de adaptación espacial (SPADE) a través de la adopción de una función de pérdida de una red generativa adversaria (GAN) vainilla. Este modelo fue luego comparado con modelos supervisados como una red completamente convolucional (FCN), U-Net y DeepLABV3+, así como con una segmentación de umbral Otsu no supervisada. Cabe destacar que solo se utilizó el 10% de las muestras de entrenamiento para que DARL aprendiera y la intersección sobre unión (IoU) de DARL puede alcanzar hasta un 80,15%, que es mucho más alto que el 59,00%, 53,47%, 49,39% y 30,08% para los modelos de segmentación de umbral Otsu, FCN, U-Net y DeepLABV3+. Por lo tanto, el rendimiento del modelo desarrollado en el presente estudio no se degradaría debido a un número insuficiente de muestras que contienen cuerpos extraños. En aplicaciones prácticas, no es necesario recolectar, etiquetar y diseñar características para una gran cantidad de muestras de cuerpos extraños antes de usar el sistema desarrollado.
Descripción
En las industrias actuales, las inspecciones por muestreo de la calidad de polvos, como los polímeros superabsorbentes (SAP), todavía se realizan mediante inspección visual. El tamaño de las muestras y la presencia de cuerpos extraños es de alrededor de 500 um, lo que dificulta su identificación por parte de los humanos. En el presente estudio se ha desarrollado un sistema automático de detección de cuerpos extraños para polvo. Las muestras de polvo pueden ser entregadas, distribuidas y recicladas automáticamente, y se capturan imágenes de ellas a través del hardware del sistema, mientras que el software de identificación de este sistema se desarrolló basado en el aprendizaje de representación adversaria de difusión (DARL). La imagen de fondo es una imagen de polvo libre de cuerpos extraños con un tamaño de imagen de entrada de 1024 x 1024 x 3. Dado que DARL incluye segmentación adversaria, un proceso de difusión y generación de imágenes sintéticas, el modelo DARL fue entrenado utilizando un bloque de difusión con la implementación de un mecanismo de atención U-Net y una capa de desnormalización de adaptación espacial (SPADE) a través de la adopción de una función de pérdida de una red generativa adversaria (GAN) vainilla. Este modelo fue luego comparado con modelos supervisados como una red completamente convolucional (FCN), U-Net y DeepLABV3+, así como con una segmentación de umbral Otsu no supervisada. Cabe destacar que solo se utilizó el 10% de las muestras de entrenamiento para que DARL aprendiera y la intersección sobre unión (IoU) de DARL puede alcanzar hasta un 80,15%, que es mucho más alto que el 59,00%, 53,47%, 49,39% y 30,08% para los modelos de segmentación de umbral Otsu, FCN, U-Net y DeepLABV3+. Por lo tanto, el rendimiento del modelo desarrollado en el presente estudio no se degradaría debido a un número insuficiente de muestras que contienen cuerpos extraños. En aplicaciones prácticas, no es necesario recolectar, etiquetar y diseñar características para una gran cantidad de muestras de cuerpos extraños antes de usar el sistema desarrollado.