利用 CT 数据与 R-vine copula 对颗粒形态与矿物组成的多维表征
应用统计
2023-01-19 v1
摘要
计算机断层扫描(CT)能够捕获足够大的体积,以在足够好的分辨率下测量具有统计意义数量的微米级颗粒,从而允许对单个颗粒进行分析。然而,高效处理此类图像数据并可解释地建模所观测颗粒特征的方法开发仍是活跃的研究领域。当考虑具有广泛形状与尺寸范围的颗粒图像数据时,传统图像分割方法(如经典分水岭算法)难以以令人满意的精度识别颗粒。因此,必须利用更先进的机器学习方法进行图像分割,以提高后续分析的有效性。此外,CT 数据不包含颗粒的矿物组成信息,因此必须获取额外的 SEM-EDS 图像数据。本文考虑了一个主要由铁锂云母-石英复合材料组成的颗粒系统的微 CT 图像数据。首先,应用一种使用深度卷积神经网络(特别是 U-net 架构的一种改进)的图像分割方法。其优势在于比其他机器学习方法需要更少的手动标注,同时借助迁移学习的可能性而更具灵活性。然后,设计基于 vine copula 的完全参数化模型,以确定描述颗粒尺寸、形状、纹理与组成的描述向量之多元概率分布——从而实现对颗粒描述符间相互依赖关系可解释的估计与表征。模型拟合使用了分割后的三维 CT 数据与配准的二维 SEM-EDS 数据。
引用
@article{arxiv.2301.07587,
title = {Multidimensional characterization of particle morphology and mineralogical composition using CT data and R-vine copulas},
author = {Orkun Furat and Tom Kirstein and Thomas Leißner and Kai Bachmann and Jens Gutzmer and Urs A. Peuker and Volker Schmidt},
journal= {arXiv preprint arXiv:2301.07587},
year = {2023}
}