ترجمه فارسی مقاله یادگیری ماشین برای تجزیه و تحلیل میکروسکوپ نیروی اتمی (AFM) تصاویر تولید شده از مخلوط پلیمری

چکیده

In this paper we present a new machine learning workflow with unsupervised learning techniques to identify domains within atomic force microscopy images obtained from polymer films. The goal of the workflow is to identify the spatial location of the two types of polymer domains with little to no manual intervention and calculate the domain size distributions which in turn can help qualify the phase separated state of the material as macrophase or microphase ordered or disordered domains. We briefly review existing approaches used in other fields, computer vision and signal processing that can be applicable for the above tasks that happen frequently in the field of polymer science and engineering. We then test these approaches from computer vision and signal processing on the AFM image dataset to identify the strengths and limitations of each of these approaches for our first task. For our first domain segmentation task, we found that the workflow using discrete Fourier transform or discrete cosine transform with variance statistics as the feature works the best. The popular ResNet50 deep learning approach from computer vision field exhibited relatively poorer performance in the domain segmentation task for our AFM images as compared to the DFT and DCT based workflows. For the second task, for each of 144 input AFM images, we then used an existing porespy python package to calculate the domain size distribution from the output of that image from DFT based workflow. The information and open source codes we share in this paper can serve as a guide for researchers in the polymer and soft materials fields who need ML modeling and workflows for automated analyses of AFM images from polymer samples that may have crystalline or amorphous domains, sharp or rough interfaces between domains, or micro or macrophase separated domains.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ما یک گردش کار یادگیری ماشین جدید با تکنیک های یادگیری بدون نظارت برای شناسایی دامنه ها در تصاویر میکروسکوپی نیروی اتمی به دست آمده از فیلم های پلیمری ارائه می دهیم.هدف از گردش کار شناسایی موقعیت مکانی دو نوع دامنه پلیمری با مداخله کمی تا بدون هیچ گونه مداخله دستی و محاسبه توزیع اندازه دامنه است که به نوبه خود می تواند به واجد شرایط بودن فاز از مواد به عنوان ماکروفاز یا میکروفاز دستور یا بی نظمی کمک کند.دامنه هاما به طور خلاصه رویکردهای موجود مورد استفاده در زمینه های دیگر ، بینایی رایانه و پردازش سیگنال را که می تواند برای کارهای فوق که اغلب در زمینه علم و مهندسی پلیمر اتفاق می افتد ، قابل استفاده است.سپس این رویکردها را از دید رایانه و پردازش سیگنال در مجموعه داده تصویر AFM آزمایش می کنیم تا نقاط قوت و محدودیت های هر یک از این رویکردها را برای اولین کار خود شناسایی کنیم.برای اولین کار تقسیم بندی دامنه ما ، دریافتیم که گردش کار با استفاده از تبدیل گسسته فوریه یا تبدیل كسین گسسته با آمار واریانس به عنوان این ویژگی بهترین عملکرد را دارد.رویکرد محبوب یادگیری عمیق RESNET50 از میدان دید رایانه ، عملکرد نسبتاً ضعیف تری را در کار تقسیم دامنه برای تصاویر AFM ما نسبت به گردش کار مبتنی بر DFT و DCT به نمایش گذاشت.برای کار دوم ، برای هر یک از 144 تصاویر ورودی AFM ، ما از یک بسته Porespy Python موجود برای محاسبه توزیع اندازه دامنه از خروجی آن تصویر از گردش کار مبتنی بر DFT استفاده کردیم.اطلاعات و کدهای منبع باز که در این مقاله به اشتراک می گذاریم می تواند به عنوان راهنما برای محققان در زمینه های پلیمری و مواد نرم که به مدل سازی ML و گردش کار برای تجزیه و تحلیل خودکار تصاویر AFM از نمونه های پلیمری نیاز دارند که ممکن است دارای حوزه های کریستالی یا آمورف باشند ، تیز یارابط های خشن بین دامنه ها ، یا دامنه های جدا شده میکرو یا ماکروفاز.