Extrusion Russian Edition 4-2022

17 ЭКСТРУЗИЯ 4/2022 КОМПАУНДИРОВАНИЕ технику можно защитить от влияния производственных условий (загрязнение, влажность воздуха) и один аналити- ческий компьютер можно использовать для параллельного обслуживания нескольких установок (простая горизонталь- ная масштабируемость производственных установок). Путь кодирования и декодирования Для приведения качества снимков в соответствие с тре- бованиями различных методик обработки изображений, полученные снимки ячеистой структуры сначала проходят несколько этапов предварительной обработки. Эти этапы реализованы на языке программирования MATLABR 2020b компании The MathWorks из США. Изображения уменьша- ются до размера 572 × 572 пикселя и преобразуются в серую шкалу. Подготовленные таким образом снимки служат «сы- рьем» для процесса сегментации ячеек, реализованного на языке программирования Python. Этот процесс основывает- ся на технологии сверточных нейросетей U-Net, реализован- ных с помощью модуля Keras платформы с открытым исход- ным кодом для машинного обучения Tensor Flow [RFB15]. U-Net имеет симметричную структуру и схожа с класси- ческими автокодировщиками. На пути сжатия (пути коди- рования) исходное изображение размером 572 × 572 пикселя проходит целый ряд этапов обработки, содержащих про- дуцирование сверточных слоев и пулинг с функцией мак- симума. На каждом этапе этого пути размер изображения уменьшается до существенных ключевых признаков. После приведения исходного изображения к ключевым параметрам Рис. 3. Аналитическая последовательность обработки изображений от получения исходного изображения до извлечения вектора качества (источник: IKV) Исходное изображение 10 мм Нейросеть U-Net Бинарное изображение Извлечение признаков Длина окружности ячейки Плотность ячейки Отношение ширины к длине Площадь ячейки Вектор качества 10 мм