Deep learning-based automated characterization of crosscut tests for coatings via image segmentation / Gaoyuan Zhang in JOURNAL OF COATINGS TECHNOLOGY AND RESEARCH, Vol. 19, N° 2 (03/2022)  

[article]  inJOURNAL OF COATINGS TECHNOLOGY AND RESEARCH > Vol. 19, N° 2 (03/2022) . - p. 671-683 Titre : Deep learning-based automated characterization of crosscut tests for coatings via image segmentation Type de document : texte imprimé Auteurs : Gaoyuan Zhang, Auteur ; Christian Schmitz, Auteur ; Matthias Fimmers, Auteur ; Christoph Quix, Auteur ; Sayed Hoseini, Auteur Année de publication : 2022 Article en page(s) : p. 671-683 Note générale : Bibliogr. Langues : Américain (ame) Catégories : Adhésion Analyse d'image L'analyse d'image est la reconnaissance des éléments contenus dans l'image. Il ne faut pas confondre analyse (décomposition en éléments) et traitement (action sur les composantes) de l'image. Analyse de dommages (matériaux) Autoapprentissage Automatisation Caractérisation Enrobage (technologie) Essais de quadrillage Imagerie (technique) Logiciels Rayures Résistance à l'abrasion Revêtements -- Détérioration Surfaces (Physique) Index. décimale : 667.9 Revêtements et enduits Résumé : A manual scratch test to measure the scratch resistance of coatings applied to a certain substrate is usually used to test the adhesion of a coating. Despite its significant amount of subjectivity, the crosscut test is widely considered to be the most practical measuring method for adhesion strength with a good reliability. Intelligent software tools help to improve and optimize systems combining chemistry, engineering based on high-throughput formulation screening (HTFS) technologies and machine learning algorithms to open up novel solutions in material sciences. Nevertheless, automated testing often misses the link to quality control by the human eye that is sensitive in spotting and evaluating defects as it is the case in the crosscut test. In this paper, we present a method for the automated and objective characterization of coatings to drive and support Chemistry 4.0 solutions via semantic image segmentation using deep convolutional networks. The algorithm evaluated the adhesion strength based on the images of the crosscuts recognizing the delaminated area and the results were compared with the traditional classification rated by the human expert. Note de contenu : - BACKGROUND : Neural networks - Convolutional neural networks and image segmentation tasks - SOLUTION APPROACH AND EXPERIMENTAL SETUP : Sample preparation - Automated crosscutting - Data preprocessing - Data augmentation - Architectures Loss functions - EVALUATION : Training - Results - Table 1 : Summary of the applied data augmentation methods - Table 2 : Confusion matrices of the various models being applied for the segmentation into delaminated and intact area - Table 3 : Comparison between human and algorithmic rating for samples selected across all six levels defined in the norm - Table 4 : Mean Dice coefficient in % calculated over all 31 test images with standard deviation, inference time for the test set and the number of parameters for each model paired with each of the different losses DOI : https://doi.org/10.1007/s11998-021-00557-y En ligne : https://link.springer.com/content/pdf/10.1007/s11998-021-00557-y.pdf Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=37296 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23408	-	Périodique	Bibliothèque principale	Documentaires	Disponible

LCM in standardised automation processes / Oliver Korten in EUROPEAN COATINGS JOURNAL (ECJ), (04/2024)  

[article]  inEUROPEAN COATINGS JOURNAL (ECJ) > (04/2024) . - p. 36-40 Titre : LCM in standardised automation processes : Automating data acquisition with standardised interfaces in the process industry for machine learning application Type de document : texte imprimé Auteurs : Oliver Korten, Auteur ; Hendrik Hustert, Auteur ; Dominik Polke, Auteur ; Alvin Surjana, Auteur ; Gaoyuan Zhang, Auteur ; Elmar Ahle, Auteur ; Christian Schmitz, Auteur Année de publication : 2024 Article en page(s) : p. 36-40 Note générale : Bibliogr. Langues : Anglais (eng) Catégories : Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Colorimétrie Industrie 4.0 Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques. Package de type module Le Package de Type Module (MTP) est un concept qui peut exploiter le potentiel d'optimisation des usines de transformation à tous les niveaux, de la planification à l'exploitation. Index. décimale : 667.9 Revêtements et enduits Résumé : Chemistry 4.0 is a new era in the chemical process industry, in which digitalisation, modularisation, sustainability and circular economy play a key role. There is growing interest in the use of process data, with the aim of gaining a better understanding of the production process and optimisation of products. A key element of this is MTP. Note de contenu : - Liquid colour measurement - Module type package - The LCM mono insrument - Standardised modular interface for LCM mono - Experiments for modelling liquid-dry colour correlation - Formulation generation - Sample preparation - Initial results of liquid-dry colour correlation modelling - Fig. 1 : LCM Mono module - Fig. 2 : General concept behind the MTP-equipped module - Fig. 3 : Generated samples for modelling liquid-dry colour correlation - Fig. 4 : Comparison bet ween the model predictions based on the liquid L99o, a99o and b99o as well as colourant formulation and the measured dry-coating colour space En ligne : https://drive.google.com/file/d/1u-78grPKpSexx2D10eEwk_hFA3HJt-Q4/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=40845 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
24572	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 2 / 2)