Версия для слабовидящих
Саратовский государственный технический университет имени Гагарина Ю.А.

Ученые разработали перспективные программы для анализа микро- и наноструктур

Ученые разработали перспективные программы для анализа микро- и наноструктур

Сотрудники кафедры «Сварка и металлургия» к.т.н., доц. Сергей Сперанский и д.т.н., проф. Игорь Родионов разработали и зарегистрировали компьютерные программы, которые могут использоваться в тонкопленочных технологиях при создании микро- и наноструктурированных поверхностных систем, а также распознавании и анализе мельчайших частиц различных технических объектов.

Данные программы построены на алгоритмах обучения и могут решать задачи распознавания образов в системах искусственного интеллекта и  относить объекты на анализируемой поверхности  к определенным классам. В частности, с помощью этих программ может анализироваться поверхностная и объемная структура различных модифицированных поверхностей, получаемых  электрофизическими, термическими и термомеханическими методами:

1. Свидетельство о государственной регистрации программы для ЭВМ №2017616252. Классификация изображений микро- и наночастиц функциональных покрытий на основе метода главных компонент (МГК) / Сперанский С.К., Родионов И.В., 2017.

2. Свидетельство о государственной регистрации программы для ЭВМ №2017616544. Детектор микро- и наночастиц в плазмонапыленном покрытии, построенный на основе метода Адабустинга / Сперанский С.К., Родионов И.В., 2017.

Программа «Классификация изображений микро- и наночастиц функциональных покрытий на основе метода главных компонент (МГК)» предназначена для изучения качества полифункциональных микро- и наноструктурированных покрытий, нанесенных на детали машино- и приборостроения, и позволяет автоматически распознавать микрочастицы на цифровом изображении. В качестве классификатора применен Метод Главных Компонент, подходящий для детектирования микрочастиц в условиях неравномерной освещенности и при наличии частично пересекающихся объектов.

Программа «Детектор микро- и наночастиц в плазмонапыленном покрытии, построенный на основе метода Адабустинга» построена на основе метода Адабустинга, позволяющего создать один сильный детектор из набора слабых классификаторов. При этом используется аддитивная модель и экспоненциальная функция потерь. На каждой итерации алгоритма правильно классифицированные примеры из тренировочного набора получают меньший весовой коэффициент, а неправильно классифицированные - больший.

Исследования выполнялись в рамках инновационного научного проекта по государственному заданию Минобрнауки РФ (проект № 11.1943.2017/ПЧ). 




ИнЭТМ



13.07.2017

Новости СГТУ











все новости...