От снимка к частице
ИИ на службе качества | Часть 2
📸 На микрофотографиях порошка частицы могут существенно различаться по размеру, форме, контрастности и степени перекрытия. Главная сложность компьютерного зрения здесь — научить модель видеть не просто общую массу порошка, а каждую гранулу отдельно.
📺 Простая бинарная сегментация («порошок» или «фон») для инженерного анализа непригодна. Чтобы корректно оценить морфологию материала, алгоритм должен точечно разделять частицы между собой:
▶️ Если соприкасающиеся частицы объединяются в один объект — искажается статистика, завышаются реальные габариты и нарушается расчёт показателей формы.
▶️ Если мелкие частицы или сателлиты пропускаются — сдвигаются итоговые оценки гранулометрии и морфологии партии.
🔬 В разработанном подходе нейросеть строит индивидуальные маски для каждого отдельного объекта. Далее эти маски преобразуются в конкретные численные метрики: площадь, периметр, эквивалентный диаметр, диаметры Фере и коэффициенты формы (сферичность, округлость).
💡 Переход от визуальной разметки к таблице параметров превращает компьютерное зрение из наглядной иллюстрации в измерительный инструмент.
➡️ В следующей части мы поднимем капот алгоритма: разберём практическое сравнение трёх архитектур: YOLO, Mask R-CNN и DeepLabV3+. Объясним какая из них оказалась наиболее подходящей при оценке сложных частиц.
🚩 ЦАТ в MAX | в ВК | в Telegram
ИИ на службе качества | Часть 2
📸 На микрофотографиях порошка частицы могут существенно различаться по размеру, форме, контрастности и степени перекрытия. Главная сложность компьютерного зрения здесь — научить модель видеть не просто общую массу порошка, а каждую гранулу отдельно.
📺 Простая бинарная сегментация («порошок» или «фон») для инженерного анализа непригодна. Чтобы корректно оценить морфологию материала, алгоритм должен точечно разделять частицы между собой:
▶️ Если соприкасающиеся частицы объединяются в один объект — искажается статистика, завышаются реальные габариты и нарушается расчёт показателей формы.
▶️ Если мелкие частицы или сателлиты пропускаются — сдвигаются итоговые оценки гранулометрии и морфологии партии.
🔬 В разработанном подходе нейросеть строит индивидуальные маски для каждого отдельного объекта. Далее эти маски преобразуются в конкретные численные метрики: площадь, периметр, эквивалентный диаметр, диаметры Фере и коэффициенты формы (сферичность, округлость).
💡 Переход от визуальной разметки к таблице параметров превращает компьютерное зрение из наглядной иллюстрации в измерительный инструмент.
➡️ В следующей части мы поднимем капот алгоритма: разберём практическое сравнение трёх архитектур: YOLO, Mask R-CNN и DeepLabV3+. Объясним какая из них оказалась наиболее подходящей при оценке сложных частиц.
🚩 ЦАТ в MAX | в ВК | в Telegram