کاربرد بینایی ماشین در تحلیل تصاویر میکروسکوپی برای شناسایی خواص و ساختار مواد

شناسایی و تحلیل دقیق ریزساختار مواد، نقشی کلیدی در پیش بینی و تعیین خواص مکانیکی، فیزیکی و شیمیایی آن ها ایفا می کند. روش های سنتی و دستی تحلیل تصاویر میکروسکوپی که اغلب مبتنی بر ارزیابی چشمی توسط اپراتور انسانی است، فرآیندی زمان بر، خسته کننده و همراه با خطای محاسباتی و عدم قطعیت می باشد. هدف از این پژوهش، بررسی و به کارگیری تکنیک های نوین بینایی ماشین و الگوریتم های هوش مصنوعی جهت خودکارسازی و افزایش دقت در تحلیل تصاویر میکروسکوپی (نوری، SEM و TEM) برای استخراج ویژگی های ساختاری است. در روش تحقیق حاضر، ترکیبی از تکنیک های پردازش تصویر دیجیتال شامل فیلترگذاری، آستانه گذاری تطبیقی و قطعه بندی معنایی به همراه شبکه های عصبی کانولوشنی (CNN) برای شناسایی الگوها مورد استفاده قرار گرفته است. تمرکز اصلی مطالعه بر روی کمی سازی پارامترهایی نظیر اندازه دانه، کسر حجمی فازها، توزیع و اندازه تخلخل ها و همچنین تشخیص عیوب سطحی و ترک ها بوده است. نتایج اصلی تحقیق نشان می دهد که الگوریتم های توسعه یافته قادرند با سرعتی به مراتب بالاتر از روش های متداول و با دقتی بیش از ۹۰ درصد، ویژگی های ریزساختاری را شناسایی و طبقه بندی نمایند. این رویکرد نه تنها منجر به حذف خطاهای سیستماتیک انسانی می شود، بلکه با ایجاد ارتباط کمی دقیق میان ساختار و خواص، فرآیند کنترل کیفیت صنعتی و توسعه مواد مهندسی پیشرفته را تسهیل و تسریع می بخشد.

کلیدواژه ها:

بینایی ماشین ، تحلیل تصاویر میکروسکوپی ، ریزساختار مواد ، یادگیری عمیق ، پردازش تصویر ، کمی سازی خواص