Нейросеть научили реконструировать 3D-изображения сложных материалов
Ученые из России и Бельгии с помощью нейросетей восстановили трехмерные изображения волокнистых материалов, полученных с помощью микрокомпьютерной томографии. Результаты исследования опубликовал научный журнал Computational Materials Science, кратко об этом пишет пресс-служба Сколковского института науки и технологий.
"Предложенный нами алгоритм позволяет устранять все дефекты на изображениях и, следовательно, более точно моделировать свойства материалов и прогнозировать качество конечного материала при условии устранения всех внутренних пор и пустот в его структуре в процессе производства", – отметил один из авторов работы, сотрудник Сколковского института науки и технологий Радмир Карамов.
Сколковский институт науки и технологий (Сколтех). Фото: Сколтех
Микрокомпьютерная томография – незаменимое средство при исследовании трехмерной микроструктуры композитов, армированных волокном, и других сложных материалов. Однако использование этого метода связано с рядом дополнительных трудностей, таких как очень малые размеры образцов, наличие на изображениях артефактов и затененных областей, а также низкое качество либо полное отсутствие отдельных фрагментов изображения.
Для решения этой задачи ученые в новой работе решили воспользоваться методами, которые реставраторы применяют при восстановлении произведений искусства, в частности, методом реконструирования дефектов, который уже широко применяется в цифровой обработке изображений. Они предложили использовать для задач реконструкции трехмерных изображений микрокомпьютерной томографии генеративно-состязательные сети (GAN) с 3D-кодировщиками и декодерами.
"Главное преимущество реконструкции изображений на основе искусственного интеллекта – быстрота. При наличии обученной модели с помощью этого метода можно обрабатывать до сотни изображений в секунду. Человеку такая скорость просто не под силу. Кроме того, компьютеры гораздо лучше справляются с обработкой трехмерных изображений, поскольку машина способна видеть их "насквозь" и со всех сторон, мгновенно проводя реконструкцию по всему объему, а не только по поверхности", – добавил Карамов.
Ученые протестировали три варианта архитектуры GAN и выбрали тот, в котором наиболее удачно сочетались высокое качество реконструкции, производительность и умеренное использование памяти графического процессора. Реконструкция микроструктуры материалов, как отмечают авторы работы, – первый шаг в разработке полностью автоматического генеративного алгоритма, который позволит создавать инновационные материалы со свойствами, отвечающими требованиям конкретных приложений.
Источник: nauka.tass.ru