این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۲، شماره ۱، صفحات ۷۱-۸۲
عنوان فارسی طبقه‌بندی خودکار فازفولاد در تصاویر میکروسکوپ الکترونی روبشی
چکیده فارسی مقاله
خواص فولادها وابسته به اجزای ریزساختاری به نام فاز است که در فرایند تولید آن شکل می‌گیرد. فازهای مختلف فولاد در تصاویر میکروسکوپی سطح فولاد قابل مشاهده‌اند. تشخیص و طبقه‌بندی خودکار انواع فازها از روی تصاویر منجر به درک بهتری از خواص فولاد با سرعت و دقت بالاتر می‌شود. در این مقاله برای نخستین‌بار، روشی برای طبقه‌بندی خودکار و هوشمند فازهای فولاد از روی تصاویر میکروسکوپی ارائه می‌شود. این کار نیازمند تعریف و استخراج ویژگی‌های مناسب بافت منحصربه‌فرد این تصاویر و بخش‌بندی تصاویر به مناطقی با اشکال بسیار نامنظم بر اساس ویژگی‌های استخراج شده‌است؛ بدین منظور ابتدا تصویر ورودی بلوک‌بندی شده و برای هر بلوک به‌صورت مستقل یک سری از ویژگی‌های بافت تصویر استخراج می‌شوند. تعداد این ویژگی‌ها به‌وسیله روش تحلیل مؤلفه‌های اصلی کاهش یافته و سپس به شبکه عصبی بیشینه‌هموار برای طبقه‌بندی هر بلوک از تصویر داده می‌شوند. نتایج پیاده‌سازی نشان می‌دهد که دقت روش پیشنهادی در طبقه‌بندی دو فاز سوزنی و مرزدانه‌ای بالای 99 درصد و همچنین در طبقه‌بندی سه فاز مرزدانه‌ای، سوزنی و ویدمن اشتاتن بالای 86 درصد است.
کلیدواژه‌های فارسی مقاله تصاویر میکروسکوپی الکترونی روبشی، فازهای فولاد، طبقه‌بندی خودکار، شبکه عصبی مصنوعی بیشینه‌هموار، الگوریتم کی-میانگین.
عنوان انگلیسی Automated Classification of Steel Phases in Scanning Electron Microscope Images
چکیده انگلیسی مقاله
The properties of steels are intrinsically dependent on their microstructural components, known as phases, which form during the manufacturing process. Different steel phases can be observed in microscopic images of steel surfaces. Automatic detection and classification of these phases from images can significantly enhance the understanding of steel properties with improved speed and accuracy. This paper introduces, for the first time, an intelligent and automated method for classifying steel phases from microscopic images. This process requires defining and extracting suitable texture features unique to these images and segmenting the images into highly irregular regions based on the extracted features. To achieve this, the input image is initially divided into blocks, and texture features are extracted independently for each block. The dimensionality of these features is then reduced using Principal Component Analysis, and the refined features are subsequently fed into a Softmax neural network for classification.
The implementation results indicate that the proposed method achieves an accuracy of over 99% in distinguishing between two phases: acicular ferrite and granular ferrite. Furthermore, it attains an accuracy exceeding 86% when classifying three phases: granular ferrite, acicular ferrite, and Widmanstätten ferrite. This suggests that the widely used and conventional k-means clustering method, as a traditional machine learning approach, is incapable of effectively distinguishing microscopic steel phase blocks using extracted texture features. Notably, as of the writing of this paper, no prior research has been conducted on the automatic classification of different ferrite phases, making this study a novel contribution to the field.
In this research, an automated classification algorithm for ferrite phase structures in SEM images of steel is proposed using texture feature extraction methods and machine learning models. The dataset comprises images of 1024×768 resolution, which were divided into 128×128 blocks, with classification performed independently for each block. Due to the limited number of blocks available for training machine learning models, data augmentation techniques such as rotation and scaling were applied to increase the dataset size. Various image processing methods were used to extract 128 texture features. These extracted features were then used to classify different ferrite phases using two machine learning models: k-means clustering and the Softmax neural network. Additionally, PCA was employed to reduce feature dimensionality, which positively impacted the classification of granular and acicular ferrite. While k-means clustering, as a conventional and widely used machine learning method, failed to achieve satisfactory classification accuracy, the proposed approach using a smooth maximum neural network demonstrated exceptional performance. Despite the complex and irregular nature of ferrite shapes, the selected features and the proposed algorithm successfully achieved over 99% accuracy for two-phase classification and over 86% accuracy for three-phase classification.
کلیدواژه‌های انگلیسی مقاله Scanning Electron Microscope, Automated Classification, Steel Phases, Neural Networks, K-Means Algorithm.
نویسندگان مقاله زهرا فیروز مهجن آبادی | Zahra Firuz Mahjanabadi
M-Eng Department of Telecommunications, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran
کارشناس‌ارشد گروه مهندسی مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران

پوریا جعفری | Pouria Jafari
Assistant Professor of Department of Electrical and Electronics Engineering, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran
استادیار گروه مهندسی برق و الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران

مهدی رضایی | Mehdi Rezaei
Associate Professor of Department of Electrical and Electronics Engineering, Faculty of Electrical and Computer Engineering, University of Sistan and Baluchestan, Zahedan, Iran
دانشیار گروه مهندسی برق و الکترونیک، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2459-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات