Neural networks for classification and segmentation of thermally-induced droplet breakup in spray-flame synthesis
Notice bibliographique
Résumé
Spray-flame synthesis (SFS) enables one-step production of functional metal-oxide nanoparticles from inexpensive precursors such as metal salts. Precursor-laden droplets show thermally-induced breakup, i.e., puffing and micro-explosion, considered a key step in SFS. In this work, shadowgraphy images of droplets are investigated with neural networks with the aim of extracting quantitative data on this breakup process. Faster and Mask region-based convolutional neural networks (R-CNNs) were applied to segment in-focus droplet shadowgraphs (Mask R–CNN) and to distinguish regular from disrupting droplets and detect sequences of consecutive droplet shadowgraphs (Faster R–CNN). The networks were trained with about 400 manually annotated images containing a total of about 1200 objects. Precision and recall of the trained networks reach 80% and 90%, respectively. The results from the two networks were combined and compared with those from conventional particle/droplet image analysis (PDIA). Mask R–CNN and PDIA identify similar droplets as being in-focus and segment similar regions of the droplets. Puffing or micro-explosion sometimes leave behind secondary droplets that are too small or defocused for reliable segmentation. Such shadowgraphs are classified erroneously by PDIA. In contrast to this, Faster R–CNN is more sensitive as it does not rely on the segmentation and thus classifies such low-contrast shadowgraphs correctly. Therefore, the CNNs find on average 30% higher droplet-disruption probabilities than PDIA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».