PSDNet：利用合成土壤图像与卷积神经网络测定颗粒粒径分布
计算机视觉与模式识别
2023-03-09 v1
摘要
本项目旨在利用卷积神经网络从图像中测定颗粒材料的粒度分布。研究了包括 AlexNet、SqueezeNet、GoogLeNet、InceptionV3、DenseNet201、MobileNetV2、ResNet18、ResNet50、ResNet101、Xception、InceptionResNetV2、ShuffleNet 和 NASNetMobile 在内的 ConvNet 及预训练 ConvNet 模型的应用。使用了由离散元代码 YADE 生成的颗粒材料合成图像。所有模型均使用尺寸从 32 到 160 像素的灰度与彩色波段数据集进行训练和验证。所提出的 ConvNet 模型预测最细筛、最粗筛及所有筛上留存质量的百分比，其均方根误差分别为 1.8%、3.3% 和 2.8%，决定系数为 0.99。对于预训练网络，通过特征提取与迁移学习模型，最细筛的均方根误差分别为 2.4% 和 2.8%。
引用
@article{arxiv.2303.04269,
title = {PSDNet: Determination of Particle Size Distributions Using Synthetic Soil Images and Convolutional Neural Networks},
author = {Javad Manashti and Pouyan Pirnia and Alireza Manashty and Sahar Ujan and Matthew Toews and François Duhaime},
journal= {arXiv preprint arXiv:2303.04269},
year = {2023}
}