Автори | Anurag Shrivastava1 , Sheela Hundekari2, Deepak Bhanot3, B Rajalakshmi3, Navdeep Singh5, Ramy Riad Al-Fatlawy6, Kiran Manem7, Kanchan Yadav8 |
Афіліація |
1Saveetha School of Engineering, Saveetha Institute of Medical and Technical Sciences, Chennai, Tamilnadu, India 2School of Computer Applications, Pimpri Chinchwad University, Pune, India 3Centre of Research Impact and Outcome, Chitkara University, Rajpura- 140417, Punjab, India 4Department of Computer Science, New Horizon College of Engineering, Bangalore, India 5Lovely Professional University, Phagwara, India 6Department of Computers Techniques Engineering, College of Technical Engineering, The Islamic University, Najaf, Iraq 7Department of ECE, GRIET, Hyderabad, Telangana, 50090, India 8Department of Electrical Engineering, GLA University, Mathura, India |
Е-mail | anuragshri76@gmail.com |
Випуск | Том 17, Рік 2025, Номер 3 |
Дати | Одержано 07 квітня 2025; у відредагованій формі 18 червня 2025; опубліковано online 27 червня 2025 |
Цитування | Anurag Shrivastava, Sheela Hundekari, Deepak Bhanot, та ін., Ж. нано- електрон. фіз. 17 № 3, 03026 (2025) |
DOI | https://doi.org/10.21272/jnep.17(3).03026 |
PACS Number(s) | 07.05.Mh, 81.05.ue |
Ключові слова | Вуглецеві наноматеріали (2) , Аналіз мікроскопічних зображень, Оптимізація модифікованої водної хвилі, Згортковий автоенкодер (CAE), Трансформатор Swin. |
Анотація |
Структури вуглецевих наноматеріалів мають значні перспективи в різних галузях промисловості, що вимагає точних та автоматизованих методів класифікації. Традиційні підходи спираються на ручні методи вилучення ознак, які часто не в змозі вловлювати складні просторові закономірності, властиві наноструктурам. Традиційні моделі машинного навчання (ML) та базового глибокого навчання (DL) мають низький рівень узагальнення та вимагають ручної розробки ознак, що робить їх неефективними для обробки різноманітних та шумних мікроскопічних зображень наноструктур. Метою є досягнення високоточної та автоматизованої класифікації структур вуглецевих наноматеріалів за допомогою вдосконаленої структури. Новий підхід, натхненний модифікованими водяними хвилями, згортковим автоенкодером із трансформатором Swin (MWW-CAE-ST), інтегрує методи оптимізації та класифікації для вирішення існуючих проблем. Для оцінки структури було використано колекцію мікроскопічних зображень вуглецевих наноматеріалів, включаючи алмазні частинки та нанотрубки. Для покращення якості зображення шляхом зменшення шуму та нормалізації рівнів інтенсивності було застосовано такі методи, як медіанна фільтрація та вирівнювання гістограми (HE). Для вилучення текстурних ознак, які фіксують дрібнозернисті деталі структур наноматеріалів, було використано локальні бінарні шаблони (LBP). Ознаки, згенеровані LBP, були оброблені за допомогою CAE для зменшення розмірності та уточнені за допомогою Swin Transformer, який використовує ієрархічну самоувагу для ефективної класифікації структур. |
Перелік посилань |