Enhanced Material Classification via MobileSEMNet: Leveraging MobileNetV2 for SEM Image Analysis
Notice bibliographique
Résumé
Background: Scanning electron microscopy (SEM) has been instrumental in elucidating material details, enabling the use of SEM images for machine learning applications.This study introduces a novel automated classification model employing deep learning techniques to classify materials using SEM imagery with high accuracy.Materials and Methods: A publicly accessible dataset comprising over 20,000 SEM images across 10 classes was utilized.The dataset was bifurcated into training and testing subsets for model development.The advanced MobileSEMNet model was trained using a pre-trained MobileNetV2 architecture, wherein deep features were extracted via the global average pooling layer.Feature extraction proceeded with fixed-size patch division using the MobileNetV2 network.During feature selection, the neighborhood component analysis (NCA) was employed to distill the most informative 512 features from the feature vector.Subsequently, a classification toolkit determined the Support Vector Machine (SVM) as the optimal shallow classifier.The model was refined using 10-fold cross-validation.Results: The primary aim to surpass the classification accuracy of the standalone MobileNetV2 was achieved; the MobileNetV2 secured a 94.85% accuracy rate, whereas the proposed MobileSEMNet model attained a 96.87% accuracy rate on the test data.Conclusions: MobileSEMNet has proven to be highly effective in the classification of SEM images within a significant dataset, signaling its potential utility in material science.The results unequivocally underscore the model's capacity for automated material type detection, thereby enhancing analytical precision and automation in the field.This work underscores the advantages of deep learning methodologies in advancing material classification in various scientific domains.
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) | 0,002 | 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 ».