8 月 19 日消息，近日，俄羅斯斯科爾科沃科學(xué)技術(shù)研究院和比利時(shí)魯汶大學(xué)的研究人員設(shè)計(jì)出一種神經(jīng)網(wǎng)絡(luò)方法，可修復(fù)材料 3D 微觀掃描圖像。
在材料研究中，想要看清材料微觀結(jié)構(gòu)，就需要對(duì)其進(jìn)行掃描和成像，現(xiàn)有技術(shù)成像會(huì)出現(xiàn)圖像存在瑕疵的問(wèn)題，所以需要進(jìn)行修復(fù)，研究人員設(shè)計(jì)的三種算法均能快速修復(fù)圖像，不過(guò)性能存在差異。
該研究論文題目為《基于深度學(xué)習(xí)的纖維材料的微計(jì)算機(jī)斷層掃描圖像修復(fù)（Inpainting micro-CT images of fibrous materials using deep learning）》，已發(fā)表在 Computational Materials Science 上。
論文鏈接：
https://www.sciencedirect.com/science/article/abs/pii/S0927025621002780?via%3Dihub
一、Micro-CT 掃描圖像，常出現(xiàn)偽跡陰影等問(wèn)題
微計(jì)算機(jī)斷層掃描（Micro-CT）技術(shù)在研究人員研究纖維增強(qiáng)復(fù)合材料和其他復(fù)雜材料的 3D 微觀結(jié)構(gòu)時(shí)，非常有用。
Micro-CT 是一種對(duì)物體掃描成像分析的技術(shù)，其分辨率可達(dá)幾微米，方便對(duì)三維物理對(duì)象進(jìn)行分析。但此技術(shù)存在局限性，當(dāng)樣本很小時(shí)，使用 Micro-CT 得到的圖像經(jīng)常有偽跡和陰影、缺失或損壞的區(qū)域。
為了解決此問(wèn)題，研究人員從藝術(shù)領(lǐng)域汲取了靈感和專業(yè)知識(shí)。在藝術(shù)領(lǐng)域，損壞的畫作要求必須在修復(fù)的同時(shí)保持其整體完整性。因此，在數(shù)字圖像處理中，圖像修復(fù)/填充（inpainting）已經(jīng)成為一種常用技術(shù)。
研究的第一作者、斯科爾科沃科學(xué)技術(shù)研究院和魯汶大學(xué)博士米爾?卡拉莫夫（Radmir Karamov）說(shuō)：“人工智能圖像修復(fù)（AI inpainting）的主要優(yōu)點(diǎn)是速度。有了訓(xùn)練過(guò)的模型，我們可以每秒處理 100 張圖像，如果讓人來(lái)做，需要的時(shí)間要長(zhǎng)得多?！?/p>
他還談道：“計(jì)算機(jī)在處理 3D 圖像方面也非常出色，因?yàn)樗鼈儚乃拿姘朔蕉寄堋吹健瘓D像，并且可以立即重造整體?！?/p>
隨著圖像修復(fù)技術(shù)和深度學(xué)習(xí)技術(shù)的發(fā)展，特別是生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）的發(fā)展，有效地重建圖像缺少或損壞部分，或創(chuàng)建一個(gè)新的（部分）圖像成為可能。
但研究人員發(fā)現(xiàn)已有研究中缺乏關(guān)于處理 3D Micro-CT 圖像的技術(shù)。
二、研究人員根據(jù)質(zhì)量和性能要求設(shè)計(jì)出三種架構(gòu) GAN
研究人員使用 3D 編碼器-解碼器 GAN，來(lái)研究可用于 3D Micro-CT 圖像修復(fù)的工具。
他們解釋，復(fù)合材料中包含的增強(qiáng)體（如纖維），在三維空間中隨機(jī)定向，這就是為什么人們必須使用 3D 圖像來(lái)表示這種復(fù)雜的內(nèi)部微觀結(jié)構(gòu)。
由于更傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)無(wú)法提供這項(xiàng)任務(wù)所需的精度，所以該團(tuán)隊(duì)改選了 GAN（生成式對(duì)抗網(wǎng)絡(luò)）。
卡拉莫夫談道：“在 GAN 中，研究人員不是通過(guò)訓(xùn)練單個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)重建圖像，而是訓(xùn)練兩個(gè)相互競(jìng)爭(zhēng)的網(wǎng)絡(luò)。生成網(wǎng)絡(luò)（generator network）試圖生成看上去像真的的假圖片，判別網(wǎng)絡(luò)（discriminator network）檢查圖片并試圖確定它們是真還是假的?！?/p>
他補(bǔ)充說(shuō)：“正如 GAN 的發(fā)明人伊恩?古德費(fèi)羅（Ian Goodfellow）所說(shuō)，你可以認(rèn)為這是造假者和警察之間的比賽，造假者想要制造看起來(lái)真實(shí)的假鈔，而警察想查看任一特定的鈔票，并判斷是否是假鈔?！?/p>
研究人員考慮算法對(duì)圖片的修復(fù)質(zhì)量，以及運(yùn)行會(huì)占用的 GPU 內(nèi)存情況，設(shè)計(jì)了具有三個(gè)（CNN3）、五個(gè)（CNN5）和七個(gè)（CNN7）卷積層的三種不同的 GAN 架構(gòu)，來(lái)修補(bǔ)丟失的數(shù)據(jù)。
這三個(gè) GAN 中的判別網(wǎng)絡(luò)結(jié)構(gòu)相同，但生成網(wǎng)絡(luò)的可訓(xùn)練參數(shù)深度和數(shù)量不同。
三、訓(xùn)練后的 GAN 算法修復(fù)圖像耗時(shí)不超一秒
研究人員利用壓縮成型的短玻璃纖維增強(qiáng)熱塑性復(fù)合材料的圖像對(duì)所開(kāi)發(fā)的算法進(jìn)行測(cè)試。圖像數(shù)據(jù)集（連續(xù)生成的）是基于分辨率為 4.4μm 的 300×300×900 pixel3 的 Micro-CT 圖像開(kāi)發(fā)的。
神經(jīng)網(wǎng)絡(luò)分別針對(duì) CNN7、CNN5、CNN3 模型訓(xùn)練了 24 小時(shí)或進(jìn)行了 234000、306000、428000 次迭代。在每個(gè)案例的訓(xùn)練過(guò)程中，MSE 誤差不斷減小，直到訓(xùn)練停止。訓(xùn)練后的算法模型完成圖像修復(fù)耗時(shí)不超 1 秒。
具有超過(guò) 6000 萬(wàn)個(gè)可訓(xùn)練參數(shù)的最深神經(jīng)網(wǎng)絡(luò)（CNN7）修復(fù)完成的材料結(jié)構(gòu)圖片，其材料各向異性（anisotropy）程度的平均誤差約為 0.4%，方向張量（orientation tensor）的平均誤差約為 2%。
CNN5 和 CNN3 表現(xiàn)出較低的圖像修復(fù)精度和較高的物理指標(biāo)誤差，兩種算法誤差比 CNN7 高 2 倍。它們可以在數(shù)據(jù)集所熟悉的圖像中預(yù)測(cè)正確的纖維特征。
研究人員還比較了 GPU 內(nèi)存的消耗，CNN7 的高性能與其高 GPU 內(nèi)存占用形成對(duì)比，內(nèi)存消耗高達(dá) CNN3 的 17 倍。
CNN3 或 CNN5 等深度學(xué)習(xí)架構(gòu)更適合對(duì)結(jié)構(gòu)更一致的 Micro-CT 圖像進(jìn)行精確修復(fù)，而 CNN7 更適合隨機(jī)結(jié)構(gòu)的材料。
卡拉莫夫說(shuō)：“通過(guò)修復(fù)算法，我們可以消除 Micro-CT 掃描圖像中的所有缺陷，更精確地模擬材料特性，并分析如果在制造過(guò)程中去除所有內(nèi)部孔隙和空隙，材料性能將如何提高?！?/p>
他補(bǔ)充道，修復(fù)算法只是新材料自動(dòng)生成算法的第一步，這可以使科學(xué)家能夠根據(jù)特定應(yīng)用所需的特性設(shè)計(jì)材料。
結(jié)語(yǔ)：機(jī)器學(xué)習(xí)加速新材料出現(xiàn)
在材料研究中的材料數(shù)據(jù)收集、材料數(shù)據(jù)處理、材料數(shù)據(jù)分析等各個(gè)環(huán)節(jié)，都有了機(jī)器學(xué)習(xí)、人工智能等技術(shù)的身影出現(xiàn)。
新材料的開(kāi)發(fā)與機(jī)器學(xué)習(xí)等技術(shù)聯(lián)系越發(fā)緊密，無(wú)論是新材料的開(kāi)發(fā)還是新材料的尋找，這些技術(shù)都能幫助人類更快實(shí)現(xiàn)預(yù)期目標(biāo)。
廣告聲明：文內(nèi)含有的對(duì)外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。