Automated Classification of Carbon Nanomaterial Structures based on Computer Vision Model

Abstract

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.

Carbon nanomaterial structures hold significant promise across various industries, necessitating accurate and automated classification methods. Conventional approaches rely on handcrafted feature extraction techniques, often failing to capture complex spatial patterns inherent in nanostructures. Traditional Machine Learning (ML) and basic Deep Learning (DL) models suffer from low generalization and require manual feature engineering, making them inefficient for handling diverse and noisy microscopy images of nanostructures. The objective is to achieve a highly accurate and automated classification of carbon nanomaterial structures through an advanced framework. A novel approach Modified Water Wave-inspired Convolutional Autoencoder with Swin Transformer (MWW-CAE-ST), integrates optimization, and classification techniques to address existing challenges. A collection of microscopy images of carbon nanomaterials, including diamond particles, and nanotubes was used to evaluate the framework. Techniques, such as median filtering and histogram equalization (HE) were applied to enhance image quality by reducing noise and normalizing intensity levels. Local Binary Patterns (LBP) were employed to extract texture-based features that capture fine-grained details of the nanomaterial structures. Features generated by LBP were processed through the CAE for dimensionality reduction and refined by the Swin Transformer, which utilizes hierarchical self-attention to classify structures effectively.