欧洲美女与动交ZoZ0z喝奶水,欧美大尺寸SUV的未来发展趋势,看大片的播放器

npj Comput. Mater.: 人工神經(jīng)網(wǎng)絡多相分割電池電極納米CT圖像

電池電極斷層掃描（CT）圖像的分割是一個關鍵的處理步驟，將對材料表征和電化學模擬的結果產(chǎn)生額外的影響。然而，手動標記X射線CT圖像（XCT）非常耗時，并且這些XCT圖像通常難以用直方圖方法進行分割。

圖1. 不同方法的多相分割比較

在此，法國亞眠大學Arnaud Demortière等人針對現(xiàn)實世界的電池材料數(shù)據(jù)集提出了一種具有不對稱深度編碼-解碼器卷積神經(jīng)網(wǎng)絡（CNN, LRCS-Net）的深度學習方法，并展示了在開源SegmentPy軟件框架內(nèi)從頭開始訓練CNN的工作流程。在編碼器端，LRCS-Net總共包含五層卷積和三個索引最大池（MP），并以sigmoid函數(shù)而不是網(wǎng)絡其余部分中應用的泄漏函數(shù)結束。在解碼器端包含八層卷積，每個塊的第一個卷積層具有三個上采樣接收索引。

盡管與常用的U-net網(wǎng)絡相比，該模型在其他領域的語義分詞中可訓練參數(shù)較少，但CT圖像每秒吞吐量可以達到U-net的兩倍，且對十億體素體積的預測速度快四分之一。此外，通過調(diào)整超參數(shù)（HP）可提高CNN的性能。在研究的HPs中，學習率和批量大小是最敏感的，因此需要仔細調(diào)整。

圖1. LRCS-Net與輸入圖像和損失函數(shù)組合的示意圖

此外，這些發(fā)現(xiàn)已在鋰離子電池正極的兩個XCT數(shù)據(jù)集上得到驗證，并且使用相襯技術在另外兩個Li-O₂電池數(shù)據(jù)集上也可重現(xiàn)。進一步，作者還展示了將遷移學習應用于類似數(shù)據(jù)集中訓練的增量效果。

總之，目前的工作不僅證明了CNN的預測能力，而且還解決了電池CT材料分割中不確定性這一具有挑戰(zhàn)性的話題。作者通過識別由于訓練數(shù)據(jù)中稀釋的人為偏見而導致的不確定性來解開分割質(zhì)量的這種模糊定義，使用合成數(shù)據(jù)的進一步CNN訓練顯示了這種不確定性對材料特性的定量影響。最后，作者建議在實踐中可以進行更精細的分割調(diào)整，且可以使用更多的CT切片來組成每個數(shù)據(jù)集。

圖2. 模型用于分割其他電池數(shù)據(jù)集的性能展示

Artificial neural network approach for multiphase segmentation of battery electrode nano-CT images, npj Computational Materials 2022. DOI: 10.1038/s41524-022-00709-7

原創(chuàng)文章，作者：v-suan，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/ae28282553/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

npj Comput. Mater.: 人工神經(jīng)網(wǎng)絡多相分割電池電極納米CT圖像

相關推薦