基于卷积神经网络的不规则粗糙颗粒干涉图像形状重建
计算机视觉与模式识别
2024-08-08 v1 人工智能
摘要
我们开发了一个基于卷积神经网络（CNN）的模型，用于从干涉图像中重建不规则粗糙颗粒的形状。该 CNN 基于 UNET 架构，包含残差模块。数据库是由在数字微镜阵列装置（DMD）上编程的人工粒子在激光照射下生成的实验图案构建的。该 CNN 在 18000 张实验干涉图像上进行训练，采用位于诺曼第地区 CRIANN 的 AUSTRAL 超级计算机。该 CNN 在以圆心对称（棒状、十字、树枝状）和非圆心对称（如 T、Y 或 L 形）颗粒的情况下进行测试。所编程颗粒的大小和 3D 方向是随机的。CNN 能够以良好精度重建不同形状。通过三个视角，可以进一步对从三个重建面获得的颗粒进行 3D 重建。
引用
@article{arxiv.2408.03327,
title = {Reconstruction of the shape of irregular rough particles from their interferometric images using a convolutional neural network},
author = {Alexis Abad and Alexandre Poux and Alexis Boulet and Marc Brunel},
journal= {arXiv preprint arXiv:2408.03327},
year = {2024}
}