Extrusion Russian Edition 1-2023

18 ЭКСТРУЗИЯ 1/2023 УМНАЯ ЭКСТРУЗИЯ ны разнообразные снимки структуры пены. Процесс аннотирования приве- ден на рис. 2. В созданных аннотациях черные пиксели представляют собой перемычки ячеек пены, а белые обла- сти — сами ячейки. Для улучшения сегментации ячеек по сравнению с черно-белыми анноти- рованными изображениями была про- ведена постобработка аннотированных изображений с помощью библиотеки StarDist, разработанной Институтом молекулярной клеточной биологии им. Макса Планка [SWBM18]. Библиоте- ка StarDist использует звездообразные выпуклые многоугольники для пред- ставления отдельных ячеек. Количе- ство ребер многоугольника выбирает- ся произвольно для настройки точности представления за счет скорости анализа. В качестве компромисса между высо- кой точностью детализации и быстрой оценкой, как того требует онлайн-ана- лиз структуры пены, были выбраны 16-гранники, которые дали отличные результаты представления ячеек пены после применения к аннотированным изображениям пенопластов. Создание многоугольников для от- дельных ячеек выполняется в StarDist с использованием двух различных сег- ментаций. Сначала на основе анноти- рованных изображений составляется карта вероятностей, в которой каждому пикселюизображения пены присваива- ется вероятность того, что он является центром ячеек соответствующей пены (P(x)). Кроме того, ячейки сегменти- руются на несколько карт расстояний. Ввиду того, что аппроксимация ячеек пены была выполнена на базе 16-гран- ников, для каждой аннотации было рассчитано 16 индивидуальных карт расстояний, в которых расстояние D(x, ϕ ) каждого пикселя до ближай- шей предполагаемой перемычки ячей- ки прогнозируется в одном из направ- лений ϕ =n*(360°)/16, ∀ n ∈ [0,15]. Для иллюстрации этой сегментации карта расстояний с углом ϕ =45° (слева) и карта вероятностей (справа) показаны на рис. 3. Применение не максимальной су- прессии к картам вероятностей и их объединение с 16 картами расстояний позволяет аппроксимировать ячейки пены с помощью выпуклых много- угольников. Путем последующей оцен- ки многоугольников можно извлечь со- ответствующие характеристики пены, такие как эксцентриситет, размер яче- ек. Для автоматической сегментации ячеек без необходимости дальнейших ручных аннотаций в рамках научно-ис- следовательского проекта были обуче- ны нейронные сети, способные напря- мую рассчитывать карты расстояний и карты вероятностей на основе исход- ных изображений. Наиболее подходя- щей для этой цели оказалась структура автокодера (Autocoder). На тракте сжатия (тракт коде- ра) входное изображение размером 608 × 608 пикселей проходит через стек слоев свертки и подвыборки с опре- делением максимального значения. На этом тракте размер изображения уменьшается на каждом этапе и сво- дится к существенным основным ха- рактеристикам. После сжатия входного изображения до основной информации на последующем тракте расширения (тракте декодера) выполняется постро- ение выходного изображения с помо- щью точной локализации посредством транспонированных сверток. В конце тракта декодера выводятся карты рас- стояний и карты вероятностей. Для обучения нейронных сетей использо- вался компьютер с процессором Intel i7-11700, Nvidia RTX 3090 и 32 Гб оперативной памяти. При оптимиза- ции гиперпараметров варьировались различные архитектуры, скорости обучения и другие параметры. В ка- честве функции ошибок для миними- зации в процессе обучения была вы- брана комбинация «потери бинарной перекрестной энтропии» и «потери среднеквадратичной погрешности» с эмпирически подобранным весовым множителем 4:1. В целях обучения на- боры данных для вспененных пленок и пенопластовых листов были разделены на 90%обучающих данных и 10% тесто- вых данных. В связи с тем, что входные изображения были масштабированы до размера 608 × 608 пикселей в пользу более быстрого расчета, очень мелко- ячеистые структуры пены могут иметь размер всего в несколько пикселей по- сле масштабирования выходных изо- бражений и поэтому не подходят для точного распознавания и последующе- го выведения свойств пенопластов. По Карта расстояний Аннотация Карта вероятностей Методы дополнения изображения • Растягивание и сжатие • Зеркальное отражение • Вращение • Смещение • Настройка контрастности, яркости и насыщенности цвета • Фильтр Гаусса Отдельная точка обучающих данных Синтетические обучающие данные Рис. 3. Примеры карты расстояний и вероятностей для образца аннотации Рис. 4. Примеры практического применения методов дополнения изображений