神经网络有助于增强纤维材料的3D显微CT图像

Skoltech 和 KU Leuven 的研究人员使用机器学习来帮助重建纤维材料的 3D 显微 CT 图像。这项任务是对这些材料进行高级分析所必需的，对人类来说是极其困难和乏味的。该论文发表在《计算材料科学》杂志上。

在研究纤维增强复合材料和其他复杂材料的 3D 微观结构时，微型计算机断层扫描非常有用。然而，它是一个挑剔的工具：样本很小，图像通常有伪影和阴影、缺失或损坏的区域。为了帮助解决这个问题，研究人员从艺术界汲取灵感和专业知识，在那里必须修复受损的画作，同时保持其整体完整性。因此，修复已成为数字图像处理中的一项既定技术。

“AI 修复的主要优势是速度。使用经过训练的模型，我们每秒可以处理 100 张图像，这将花费人类无法比拟的更长的时间。此外，计算机在处理 3D 图像方面也非常出色，因为它们可以看到它从四面八方——以及从头到尾——都可以瞬间重建整个体积，而不仅仅是像我们人类那样的表面，”该论文的第一作者和博士拉德米尔·卡拉莫夫 (Radmir Karamov) 说。Skoltech 和 KU Leuven 的学生说。

卡拉莫夫是由 Skoltech 教授 Iskander Akhatov(该研究所设计、制造和材料中心负责人)和 KU Leuven 教授 Stepan Lomov 领导的合作研究项目的一部分。该团队采用了 3D 编码器-解码器生成对抗网络，又名。GAN，填补 3D 微 CT 图像可用修复工具范围内的空白。

正如作者所解释的那样，复合材料中的增强夹杂物(如纤维)可以在三个维度上随机排列，这就是为什么科学家必须使用 3D 图像来描述这种复杂的内部微观结构。由于更传统的卷积神经网络无法提供此任务所需的精度，因此该团队转向了 GAN。

“在 GAN 中，研究人员不是训练单个神经网络来重建图片，而是训练两个相互竞争的网络。生成器网络试图创建看起来真实的假图片，而鉴别器网络则检查图片并试图确定它们是真的还是假的就像GANs的创造者Goodfellow所说的，你可以把这看作是造假者和之间的竞争。造假者想制造看起来真实的假币，而想看看任何特定的钞票，并判断它是否是假的，”卡拉莫夫解释说。

该团队在短玻璃纤维复合材料的微 CT 扫描上测试了三种 GAN 架构——其结​​构没有任何重复，是修复最具挑战性的案例——并选择了将高修复质量和性能与相对较低的 GPU 内存使用率相结合的架构。

“通过修复算法，我们可以消除微 CT 扫描中的所有缺陷，以更精确地模拟材料行为，并分析如果在制造过程中去除所有内部孔隙和空隙，材料性能将如何提高，”Karamov 说。

研究人员补充说，修复只是新材料全自动生成算法的第一步，这将使科学家能够根据特定应用所需的特性设计材料。

标签：