CN114863028A - 质子交换膜燃料电池气体扩散层的三维重构方法 - Google Patents

质子交换膜燃料电池气体扩散层的三维重构方法 Download PDF

Info

Publication number
CN114863028A
CN114863028A CN202210552983.4A CN202210552983A CN114863028A CN 114863028 A CN114863028 A CN 114863028A CN 202210552983 A CN202210552983 A CN 202210552983A CN 114863028 A CN114863028 A CN 114863028A
Authority
CN
China
Prior art keywords
diffusion layer
gas diffusion
dimensional
images
class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210552983.4A
Other languages
English (en)
Inventor
隋邦杰
尹泽泉
王虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210552983.4A priority Critical patent/CN114863028A/zh
Publication of CN114863028A publication Critical patent/CN114863028A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M4/00—Electrodes
    • H01M4/86—Inert electrodes with catalytic activity, e.g. for fuel cells
    • H01M4/88—Processes of manufacture
    • H01M4/8803—Supports for the deposition of the catalytic active composition
    • H01M4/8807—Gas diffusion layers
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/02—Details
    • H01M8/0202—Collectors; Separators, e.g. bipolar separators; Interconnectors
    • H01M8/023—Porous and characterised by the material
    • H01M8/0234—Carbonaceous material
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/10—Fuel cells with solid electrolytes
    • H01M8/1004—Fuel cells with solid electrolytes characterised by membrane-electrode assemblies [MEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Electrochemistry (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Data Mining & Analysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了质子交换膜燃料电池气体扩散层的三维重构方法，利用X‑ray计算机断层扫描技术获得气体扩散层的多张二维切片图，通过K‑means聚类算法预处理图像分离出空隙，利用碳纸孔隙率作为判断条件，通过改变类中心制逐步获得正确的预处理CT图像；通过SegFormer语义分割进行特征提取，捕捉步骤1所得预处理CT图像中的孔、碳纤维和粘接剂并赋予不同的灰度值，生成相分割切片图；利用三维重建将所有相分割切片图堆叠提升维度得到三维的气体扩散层结构；本发明能够准确识别气体扩散层成品的组分，获取组分信息，根据这些信息结合性能测试调整产品生产材料配比，指导气体扩散层及其他多孔介质等相关产品研发公司更好的规划工艺流程和制造方案。

Description

质子交换膜燃料电池气体扩散层的三维重构方法
技术领域
本发明属于燃料电池技术领域，具体涉及质子交换膜燃料电池气体扩散层的三维重构方法。
背景技术
目前针对质子交换膜燃料电池的气体扩散层研究领域，还没有准确区分气体扩散层各组分重构模型，获得各组分比例的方法。人们只能在实验制备过程中通过热重分析粗略的计算碳纸中粘接剂和纤维比例，但是热重分析所获得的数据只针对某一类型的原纸和工艺处理条件，存在一定误差，无法进行广泛的移植。另外也有利用GDL的表观扫描电镜(Scanning Electron Microscope，SEM)图，通过人为统计出各组分比例，费时费力，且因为SEM只是对GDL表观表征，统计出来的组分比例并不能代表整个GDL模型，因此统计的结果存在较大误差。这两种获得GDL组分比例的方法都无法获得GDL的微观模型，无法运用微观孔尺度分析为GDL性能提供科学的优化意见。
目前获得GDL三维微结构的方法主要有2种，编程重构与形态学图像处理相结合的方法和X射线计算机断层扫描(X-Ray Computed Tomography，XCT)。编程重构与形态学处理可以获得GDL的多组分微结构，但是需要根据已知组分比例进行判断得出模型，对GDL制备具有一定价值。但是编程重构与形态学处理有如下缺点：重构纤维骨架没有考虑纤维的弯曲翘起、难以对影响重构结果的多种因素严格控制，不能准确反应纤维骨架特征。形态学处理添加粘接剂与真实形状的粘接剂具有一定差异，不能真实反应GDL微结构。
XCT的方式可以获得GDL的结构，但是XCT有如下缺点：XCT无法通过阈值分割区分出碳纸中的碳纤维和粘接剂，难以准确评价碳纸性能。XCT阈值分割过程难以准确控制，容易识别噪音，导致识别的碳纸模型不够准确。由于GDL材料属性原因无法区分GDL中的纤维和粘接剂，无法准确进行结构与性能分析。
目前没有技术能区分GDL微观组分分布，无法得出真实三维微观结构，国内外关于气体扩散层的科学研究现状都是基于编程或XCT得出的简化后的结构。编程重构没有真实的考虑纤维取向、局部孔隙率、纤维直径、粘接剂形状、分布特征等因素。而XCT重构未能够区分出纤维和粘接剂，对于模拟仿真、性能测试结果等都难以与实验吻合，不能准确找出碳纸制备的优化方案。现有技术均无法真实重构出质子交换膜燃料电池气体扩散层模型，不能准确地指导实验制备与性能测试，这是一个亟待解决的技术问题。
发明内容
本发明目的在于提供一种质子交换膜燃料电池气体扩散层的三维重构方法，通过人工智能(AI)技术，将CT切片图进行图像识别，标记各组分区域位置，之后进行三维重构，精准的区分三维空间上的气体扩散层各组分，获得真实结构。
为达到上述目的，采用技术方案如下：
质子交换膜燃料电池气体扩散层的三维重构方法，包括以下步骤：
(1)利用X-ray计算机断层扫描技术获得气体扩散层(GDL)的多张二维切片图，通过K-means聚类算法预处理图像分离出空隙，利用碳纸孔隙率作为判断条件，通过改变类中心制逐步获得正确的预处理CT图像；
(2)通过SegFormer语义分割进行特征提取，捕捉步骤1所得预处理CT图像中的孔、碳纤维和粘接剂并赋予不同的灰度值，生成相分割切片图；
(3)利用三维重建将所有相分割切片图堆叠提升维度得到三维的气体扩散层结构。
按上述方案，步骤2在特征提取中，训练集为预处理CT图像，黑色区域为孔隙，直杆状物为碳纤维，其他无规则形状为粘接剂。
按上述方案，步骤2在特征提取中采用像素准确率PA做为评价指标；所述像素准确率为预测类别正确的像素数占总像素数的比例，具体公式如下：
PA＝(TP+TN)/(TP+TN+FP+FN)
其中，TP正类判定为正类，FP负类判定为正类，FN正类判定为负类，TN负类判定为负类。
相对于现有技术，本发明有益效果如下：
基于气体扩散层组分结构特征的差别，通过对燃料电池气体扩散层组分生长规律的准确识别与归纳，可以建立真实的气体扩散层三维结构，有益于后续结构性能分析。
本发明能够准确识别气体扩散层成品的组分，获取组分信息，根据这些信息结合性能测试调整产品生产材料配比，指导气体扩散层及其他多孔介质等相关产品研发公司更好的规划工艺流程和制造方案。
本发明为科学研究提供准确的气体扩散层微结构参数，如局部孔隙率分布、碳纤维直径、碳纤维取向概率分布、粘接剂比例及其分布规律，可以帮助其提高重构模型的精度，使仿真研究更加贴近于真实情况。
本发明为科学研究提供一种准确重构材料真实微观结构的方法，有益于利用获得的模型开展各种研究，更加深入的了解材料的传热传质力学行为的微观机理，有利于加速材料开发。
本发明为气体扩散层微结构表征与气体扩散层性能预测奠定基础，提供科学的途径。
本发明可以从燃料电池气体扩散层推广到其他碳纸以及多孔介质领域，可以为解决其他材料制造开发问题提供指导意见，具有重大的科学意义与工程价值。
附图说明
图1：本发明流程示意图。
图2：利用X-ray计算机断层扫描技术获得气体扩散层二维切片图。
图3：K-means聚类算法预处理CT图像。
图4：通过SegFormer语义分割进行特征提取的相分割切片图。
图5：利用三维重建得到气体扩散层结构示意图。
具体实施方式
以下实施例进一步阐释本发明的技术方案，但不作为对本发明保护范围的限制。
具体实施方式提供了一种质子交换膜燃料电池气体扩散层的三维重构方法，具体如图1所示：
(1)利用X-ray计算机断层扫描技术获得气体扩散层(GDL)的多张二维切片图，通过K-means聚类算法预处理图像分离出空隙，利用碳纸孔隙率作为判断条件，通过改变类中心制逐步获得正确的预处理CT图像；
(2)通过SegFormer语义分割进行特征提取，捕捉步骤1所得预处理CT图像中的孔、碳纤维和粘接剂并赋予不同的灰度值，生成相分割切片图；
具体的，在AI算法特征提取中，训练集为二维CT切片图，使用Labelme标注黑色区域为孔隙，直杆状物为碳纤维，其他无规则形状为粘接剂。在气体扩散层中碳纤维交错排列，厚度方向上呈现一定的层状分布，由于制造工艺过程中酚醛树脂液体的浸润性，使得粘接剂出现在两根碳纤维搭接处，填充孔洞，与碳纤维有较好的区分度。通过使用SegFormer语义分割算法训练，特征提取过程中采用像素准确率(PA)做为评价指标；所述像素准确率为预测类别正确的像素数占总像素数的比例，具体公式如下：
PA＝(TP+TN)/(TP+TN+FP+FN)
其中，TP正类判定为正类，FP负类判定为正类，FN正类判定为负类，TN负类判定为负类。具体含义为：正、负类代表纤维和粘接剂，算法判定出来的纤维/粘接剂像素结果与标注图一致的像素点总数为TP+TN，整体像素点数量为TP+TN+FP+FN，通过公式计算PA可以得出像素判断的准确率。
(3)利用三维重建将所有相分割切片图堆叠提升维度得到三维的气体扩散层结构。
1、XCT技术断层扫描
XCT技术是通过对旋转物体扫描得到特定区域的一系列二维切片图像，实现在不切割物体的情况下清晰准确的观察物体内部微观结构，是一种非侵入性的无创成像方法。XCT技术的基本原理是依据辐射在被检测物体中的减弱和吸收特性。当具有一定能量的射线束穿过被检测物时，根据各个透射方向上各体积元的衰减系数不同，探测器接收到的透射能量也不同。按照一定的图像重建算法，即可获得被检测物界面一薄层无影像重叠的断层扫描图像，重复上述过程又可获得一个新的断层图像，当测得足够多的二维断层图像时，就可进一步将二维图像堆叠合成样品的三维结构。具体实施方式中获取的气体扩散层二维切片图是灰度图像如图2所示。
2、K-means聚类算法图像分割
对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。本发明中使用K-means聚类算法划分CT灰度图像，首先通过读取图像，获取CT图像灰度值二维矩阵m×n，将二维矩阵转换成一维矩阵1×(m×n)；然后在一维矩阵中取两个中心值(用于区分出CT图像中的孔隙与固体材料)，作为K-means算法的初始聚类点，遍历一维数组中每一个点，计算与中心点的距离，划分各个点。对于聚类后的两类，重新计算中心点，重复上一步骤，直到两个中心点不再改变(或者新旧距离浮动在2以内)。最后根据两个中心点求平均值，确定图像灰度阈值，对阈值左右的点进行划分(小于阈值的点灰度标0，大于的点灰度标255)。从而区分出白色孔隙相与黑色固体相的预处理CT图像如图3所示。
3、SegFormer特征提取
对于给定图像，首先将其划分为多个小块，然后输入到分级Transformer编码器，以获得原始图像分辨率的(1/4,1/8,1/16,1/32)的多级特征。对于一个小块，VisionTransformer(ViT)中使用的块合并过程将一个N×N×3块统一为一个1×1×C向量。这可以很容易地扩展到将一个2×2×Ci；特征路径统一到一个1×1×Ci+1向量中，以获得分层特征映射。使用此方法，可以将层次结构特性从
Figure BDA0003651368720000041
缩小到
Figure BDA0003651368720000042
然后选代层次结构中的任何其他特性映射，结合不重叠的图像或特征块。在自注意层设计中采用减少比率来减少序列的长度，降低时间复杂度。采用Mix-FFN来取代位置编码系统。将3×3卷积和MLP混合到每个FFN中，使用深度卷积来减少参数的数量和提高效率。最后将在MLP解码器执行四个步骤：(1)来自MiT编码器的多级特性通过MLP层来统一通道维度；(2)特征被上采样到1/4并连接在一起；(3)采用MLP层融合级联特征F；(4)另一个MLP层采用融合的H/4×W/4×N_{cls}分辨率特征来预测分割掩码M，其中N_{cls}表示类别的数量。从而获得纤维和粘接剂类别的数量，根据像素准确率计算公式计算训练的准确度，并与训练集图片对比调整参数进行优化。黑色代表碳纤维，灰色代表粘接剂，具体实施方式中通过SegFormer特征提取的相分割切片图如图4所示。
4、多相气体扩散层三维重建
获取三维结构的主要路径是通过降维方式首先获得二维切片图，将切片图进行阈值分割，而后将二维图片堆叠拓展成三维结构。本发明通过SegFormer语义分割算法，根据气体扩散层CT切片图的碳纤维与粘接剂生长规律、分布特征、结构形状等进行训练判断，区分出碳纤维与粘接剂分割，然后将分相切片图堆叠而成三维结构，通过此方式重构的三维模型具有较高的准确度，更加接近真实的GDL结构，深灰色代表碳纤维，淡灰色代表粘接剂，利用三维重建得到气体扩散层结构示意图如图5所示。

Claims (3)

1.质子交换膜燃料电池气体扩散层的三维重构方法，其特征在于包括以下步骤：
(1)利用X-ray计算机断层扫描技术获得气体扩散层的多张二维切片图，通过K-means聚类算法预处理图像分离出空隙，利用碳纸孔隙率作为判断条件，通过改变类中心制逐步获得正确的预处理CT图像；
(2)通过SegFormer语义分割进行特征提取，捕捉步骤1所得预处理CT图像中的孔、碳纤维和粘接剂并赋予不同的灰度值，生成相分割切片图；
(3)利用三维重建将所有相分割切片图堆叠提升维度得到三维的气体扩散层结构。
2.如权利要求1所述质子交换膜燃料电池气体扩散层的三维重构方法，其特征在于步骤2在特征提取中，训练集为预处理CT图像，黑色区域为孔隙，直杆状物为碳纤维，其他无规则形状为粘接剂。
3.如权利要求1所述质子交换膜燃料电池气体扩散层的三维重构方法，其特征在于步骤2在特征提取中采用像素准确率PA做为评价指标；所述像素准确率为预测类别正确的像素数占总像素数的比例，具体公式如下：
PA＝(TP+TN)/(TP+TN+FP+FN)
其中，TP正类判定为正类，FP负类判定为正类，FN正类判定为负类，TN负类判定为负类。
CN202210552983.4A 2022-05-19 2022-05-19 质子交换膜燃料电池气体扩散层的三维重构方法 Pending CN114863028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210552983.4A CN114863028A (zh) 2022-05-19 2022-05-19 质子交换膜燃料电池气体扩散层的三维重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210552983.4A CN114863028A (zh) 2022-05-19 2022-05-19 质子交换膜燃料电池气体扩散层的三维重构方法

Publications (1)

Publication Number Publication Date
CN114863028A true CN114863028A (zh) 2022-08-05

Family

ID=82638803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210552983.4A Pending CN114863028A (zh) 2022-05-19 2022-05-19 质子交换膜燃料电池气体扩散层的三维重构方法

Country Status (1)

Country Link
CN (1) CN114863028A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796650A (zh) * 2023-07-24 2023-09-22 同济大学 基于多目标优化遗传算法的气体扩散层三维重构方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116796650A (zh) * 2023-07-24 2023-09-22 同济大学 基于多目标优化遗传算法的气体扩散层三维重构方法
CN116796650B (zh) * 2023-07-24 2024-03-26 同济大学 基于多目标优化遗传算法的气体扩散层三维重构方法

Similar Documents

Publication Publication Date Title
CN101520847B (zh) 模式识别装置和方法
CN109214084A (zh) 孔压静力触探海底土层划分方法及系统
CN113643275B (zh) 一种基于无监督流形分割的超声波缺陷检测方法
CN114863028A (zh) 质子交换膜燃料电池气体扩散层的三维重构方法
CN109840561A (zh) 一种可用于垃圾分类的垃圾图像自动生成方法
CN110555841A (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN111242233A (zh) 一种基于融合网络的阿尔兹海默病分类方法
CN112465754B (zh) 基于分层感知融合的3d医疗图像分割方法、装置及存储介质
CN113011306A (zh) 连续成熟阶段骨髓细胞图像自动识别方法、系统及介质
CN115017741B (zh) 一种燃料电池气体扩散层的重构方法、装置和电子设备
CN113657449A (zh) 一种含噪标注数据的中医舌象腐腻分类方法
CN114494199A (zh) 一种基于深度学习的肝脏ct肿瘤分割与分类的方法
CN110264555B (zh) 一种基于Micro-CT三维五向编织复合材料统计细观模型建立方法
Li et al. Reconstructing the 3D digital core with a fully convolutional neural network
CN112200264B (zh) 基于散射复用的高通量免成像分类方法与装置
Rangan et al. Deep reconstructing generative networks for visualizing dynamic biomolecules inside cells
Chalusiak et al. Swarm intelligence-based methodology for scanning electron microscope image segmentation of solid oxide fuel cell anode
CN111724331A (zh) 一种基于生成网络的多孔介质图像重建方法
Guo et al. Pathological detection of micro and fuzzy gastric cancer cells based on deep learning
CN117095754A (zh) 一种利用机器学习进行蛋白质分类的方法
Tsuyama et al. Quantitative morphological transformation of vascular bundles in the culm of moso bamboo (Phyllostachys pubescens)
CN112634428A (zh) 一种基于双向循环生成网络的多孔介质三维图像重建方法
CN116127398A (zh) 一种基于机理模型与多源数据融合的液压泵故障诊断方法
CN115017803B (zh) 燃料电池堆多孔结构内热质阻力局部及全局定向调控设计方法
CN116266377A (zh) 基于lstm的岩心图像微观结构三维重建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination