論文の概要: Cementron: Machine Learning the Constituent Phases in Cement Clinker from Optical Images

• arxiv url: http://arxiv.org/abs/2211.03223v1
• Date: Sun, 6 Nov 2022 21:45:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 19:09:35.770984
• Title: Cementron: Machine Learning the Constituent Phases in Cement Clinker from Optical Images
• Title（参考訳）: cementron:光学画像によるセメントクリンカーの構成相の機械学習
• Authors: Mohd Zaki, Siddhant Sharma, Sunil Kumar Gurjar, Raju Goyal, Jayadeva, N. M. Anoop Krishnan
• Abstract要約: クリンカーの微細構造を自動検出する機械学習(ML)手法を提案する。 そこで我々は,アライト粒子とベライト粒子を分別し,セメントクリンカーのアノテートデータセットを作成した。 具体的には, セメントミクロ組織上の画像検出・セグメント化モデルTectron-2を微調整し, セメント相, すなわちセメント相を検出するモデルを開発する。
• 参考スコア（独自算出の注目度）: 1.2070251470948774
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cement is the most used construction material. The performance of cement hydrate depends on the constituent phases, viz. alite, belite, aluminate, and ferrites present in the cement clinker, both qualitatively and quantitatively. Traditionally, clinker phases are analyzed from optical images relying on a domain expert and simple image processing techniques. However, the non-uniformity of the images, variations in the geometry and size of the phases, and variabilities in the experimental approaches and imaging methods make it challenging to obtain the phases. Here, we present a machine learning (ML) approach to detect clinker microstructure phases automatically. To this extent, we create the first annotated dataset of cement clinker by segmenting alite and belite particles. Further, we use supervised ML methods to train models for identifying alite and belite regions. Specifically, we finetune the image detection and segmentation model Detectron-2 on the cement microstructure to develop a model for detecting the cement phases, namely, Cementron. We demonstrate that Cementron, trained only on literature data, works remarkably well on new images obtained from our experiments, demonstrating its generalizability. We make Cementron available for public use.
• Abstract（参考訳）: セメントが最も使用される材料である。 セメントハイドレートの性能は, 質的にも定量的にも, セメントクリンカーに存在する組成相, viz. alite, belite, aluminateおよびフェライトに依存する。 伝統的に、クリンカーフェーズはドメインエキスパートと単純な画像処理技術に依存する光学画像から分析される。 しかし、画像の不均一性、位相の幾何や大きさの変化、実験的アプローチやイメージング手法の多様性は、位相を得るのを困難にしている。 本稿では,クリンカーの微細構造を自動検出する機械学習(ML)手法を提案する。 本研究では, セメントクリンカーのアノテートデータセットを, alite と belite の粒子をセグメンテーションすることによって作成する。 さらに,教師付きml法を用いてalite領域とbelite領域を識別するモデルを訓練する。 具体的には, セメント組織上に画像検出・セグメンテーションモデル検出子-2を微細化し, セメント相, すなわちセメントロンを検出するモデルを開発した。 文献データのみに基づいてトレーニングされたCementronは,本実験から得られた新たな画像に対して極めて良好に動作し,その一般化性を示す。 Cementronを一般公開しています。

関連論文リスト

• Diffusion-driven lensless fiber endomicroscopic quantitative phase imaging towards digital pathology [45.4057289850892]
  マルチコアファイバ(MCF)の検出側で捕獲されたスペックルから直接位相像を再構成するためのスペックル条件拡散モデル(SpecDiffusion)を提案する。 従来のニューラルネットワークとは異なり、SpecDiffusionはスペックル駆動の位相再構成に反復的な位相分解ステップを採用している。 SpecDiffusionは高忠実度位相再構成結果を提供し、見えない物体に対して強力な一般化能力を示す。
  論文  参考訳（メタデータ） (2024-07-26T01:42:31Z)
• Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models [2.0760654993698426]
  TIE(Transport-of-Intensity Equation)はしばしば異なるデフォーカス距離で複数の取得を必要とする。 そこで本研究では,クロマティック収差を用いて,必要なスルーフォーカス画像を単一露光で誘導する手法を提案する。 我々の貢献は、色収差を利用した別のTIEアプローチを提供し、白色光による正確な単一露光位相測定を実現している。
  論文  参考訳（メタデータ） (2024-06-06T15:44:24Z)
• MatSAM: Efficient Extraction of Microstructures of Materials via Visual Large Model [11.130574172301365]
  Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。 本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。 簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
  論文  参考訳（メタデータ） (2024-01-11T03:18:18Z)
• Curved Diffusion: A Generative Model With Optical Geometry Control [56.24220665691974]
  最終シーンの外観に対する異なる光学系の影響は、しばしば見過ごされる。 本研究では,画像レンダリングに使用される特定のレンズとテキスト画像拡散モデルを密接に統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-29T13:06:48Z)
• Parameters, Properties, and Process: Conditional Neural Generation of Realistic SEM Imagery Towards ML-assisted Advanced Manufacturing [1.5234614694413722]
  我々は,条件付き生成対向ネットワーク(GAN)を走査型電子顕微鏡(SEM)画像に適用することにより,先行研究を構築した。 我々は, テンパと実験パラメータ, 材料特性を条件とした現実的な画像を生成する。 この研究は、製造プロセスを理解するための根本的に新しいアプローチの技術的バックボーンを形成する。
  論文  参考訳（メタデータ） (2023-01-13T00:48:39Z)
• Artifact Identification in X-ray Diffraction Data using Machine Learning Methods [0.0]
  In situ synchrotron High-Eergy X-ray Powder diffraction (XRD) 法は, 材料結晶構造を解析するために, 研究者によって高度に活用されている。 物質の原子構造は、その回折パターンと、リートベルドの微細化のような詳細な分析によって同定することができる。 本稿では,XRD画像における単結晶回折点の高速かつ信頼性の高い同定と分離のための機械学習手法について検討する。
  論文  参考訳（メタデータ） (2022-07-29T17:37:10Z)
• Single Stage Virtual Try-on via Deformable Attention Flows [51.70606454288168]
  仮想試行は、ショップ内服と基準人物画像が与えられた写真リアルなフィッティング結果を生成することを目的としている。 マルチフロー推定に変形性アテンションスキームを適用した,変形性アテンションフロー(DAFlow)を新たに開発した。 提案手法は,定性的かつ定量的に最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-07-19T10:01:31Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Methods for segmenting cracks in 3d images of concrete: A comparison based on semi-synthetic images [0.0]
  本稿では, 3次元画像の自動き裂分割法について概説し, 比較した。 それらの性能は、画像のグレー値分布に適応すべきパラメータの選択に依存する。 一般に、学習方法は、特に薄いひび割れと低い灰色のコントラストに対して最もよく機能する。
  論文  参考訳（メタデータ） (2021-12-17T13:02:30Z)
• MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
  ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。 我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。 MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
  論文  参考訳（メタデータ） (2021-12-01T02:10:42Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。