Модель контролю якості електровідцентрових нанофібрових матеріалів на основі аналізу зображень

Автори B.A. Tingare1, S.R. Deshmukh2, R.A. Kapgate3, S.R. Thorat3, P. William4 , S.D. Jondhale5, V.D. Dabhade6
Афіліація

1Department of Artificial Intelligence and Data Science, D Y Patil College of Engineering, Akurdi, Pune

2Department of Computer Engineering, Sanjivani College Engineering, Kopargaon, MH, India

3Department of Mechatronics Engineering, Sanjivani College of Engineering, Kopargaon, MH, India

4Department of Information Technology, Sanjivani College of Engineering, Kopargaon, MH, India

5Department of Computer Engineering, Pravara Rural Engineering College, SPPU, Pune, India

6MET Institute of Engineering, Nashik, India

Е-mail bhagyashreetingare@gmail.com
Випуск Том 17, Рік 2025, Номер 2
Дати Одержано 14 лютого 2025; у відредагованій формі 25 квітня 2025; опубліковано online 28 квітня 2025
Цитування B.A. Tingare, S.R. Deshmukh, R.A. Kapgate, та ін., Ж. нано- електрон. фіз. 17 № 2, 02027 (2025)
DOI https://doi.org/10.21272/jnep.17(2).02027
PACS Number(s) 07.05.Mh, 84.71.Mn
Ключові слова Електровідцентровані нанофібри, Контроль якості, Аналіз зображень, Глибока нейронна мережа (2) , ESMA-ADRN, PCA.
Анотація

Електровідцентровані нанофібри широко використовуються в інноваційних галузях, зокрема в біомедичній інженерії для каркасів тканин, фільтрації повітря та води, акумулюванні енергії тощо, завдяки високому співвідношенню площі поверхні до об’єму. Однак, серед основних проблем є відсутність точного контролю якості під час виробництва, що призводить до значних варіацій у властивостях та продуктивності матеріалу. У цій роботі запропоновано вирішення цієї проблеми шляхом розробки моделі ESMA-ADRN (Efficient Slime Mould Algorithm — оптимізована адаптивна глибока залишкова нейромережа) для оцінки якості нанофібрових структур на основі аналізу зображень. Для дослідження використовувався датасет зображень електровідцентрованих нанофібр, які проходили попередню обробку методом медіанного фільтрування для зменшення шуму. Виділення ознак проводилось за допомогою методу головних компонент (PCA) для вибору найбільш інформативного простору ознак. Результати моделі ESMA-ADRN перевершили інші моделі за всіма показниками, зокрема: – Точність (accuracy): 94,30%; – Прецизійність (precision): 96,58%; – Чутливість (sensitivity): 93,04%; – Специфічність (specificity): 93,72%; – F-мірa: 94,77%. У перспективі подальші дослідження повинні охоплювати більше виробничих сценаріїв, а також передбачати тонке налаштування параметрів моделі для підвищення її ефективності у різних умовах виробництва.

Перелік посилань