Optimization of Defect Detection in Atomic Materials Using Graphene Layer

Abstract

Властивості графену та інших атомних матеріалів у поєднанні з методами комп'ютерного зору дозволяють радикально покращити чутливість дефектоскопії. Процес збору даних, отриманий за допомогою цих методів, включав зображення високої роздільної здатності, які застосовувалися для захоплення дрібних деталей поверхні атомних матеріалів. Фотографії піддаються сучасним методам вилучення ознак, щоб виділити та покращити деталі основних структурних компонентів після проходження суворих етапів попередньої обробки даних, таких як зменшення шуму та стандартизація зображення. Унікальна модель Effective Chicken Swarm Guided Recursive NeuroNet (ECS-RNN) спрямована на класифікацію та виявлення дефектів за допомогою застосування інтелектуальних роїв та глибокого навчання. Навчання проводилося на основі показників продуктивності, досягнутих у цьому дослідженні, що вказує на її здатність створювати дуже точні та надійні прогнози з показником F1 97,3 %, точністю 98,5 % та прецизійністю 96,8 %. Ці результати свідчать про прогрес у виявленні дефектів за допомогою запропонованої методики та демонструють застосовність методів машинного навчання у вирішенні дуже складних задач. Модель ECSRNN демонструє суттєві покращення в обчисленнях нейронних мереж, демонструє свою здатність отримувати відповідні архітектури з мінімальною ерозією, що є перевагою в сценаріях, де отримання важливої інформації має першорядне значення

The qualities of graphene and other atomic materials, coupled with computer vision methods, enable radical improvements in the sensitivity of flaw detection. The data collection process obtained in the methods was highresolution imaging which applied to capture minute surface details of the atomic materials. The photos are exposed to contemporary feature extraction techniques to highlight and improve the details of the main structural components after undergoing stringent data pretreatment stages like noise reduction and picture standardization. The unique Effective Chicken Swarm Guided Recursive NeuroNet (ECS-RNN) model aims to classify and detect defects by applying smart swarms and deep learning. Trained on the performance metrics achieved in this study, which indicates its capability of producing very high accurate and reliable predictions of 97.3 % F1-score, 98.5 % accuracy and 96.8 % precision. These results indicate advancement in defect detection using the proposed technique and show applicability of machine learning practices in solving very complex problems. The ECS-RNN model reveals substantial improvements in neural network computations, demonstrates its ability to retrieve relevant architectures with minimal erosion, which is advantageous in scenarios where the retrieval of crucial information is of utmost importance.