Congress Articles
Articles from CFA congresses before 2014 can be found by clicking here (when available).
Characterization of supermicronic aerosol on noisy surfaces by deep learning
S. Papine-Paktoris (1,2), J. Malet (2), P. Querre (3), S. Blusseau (4), S. Velasco (4)
1. École Supérieure de Physique et de Chimie Industrielles de la Ville de Paris (ESPCI Paris), Paris, France
2. Institut de Radioprotection et de Sûreté Nucléaire (IRSN), PSN-RES/SCA/LEMAC, Saclay, France
3. Institut de Radioprotection et de Sûreté Nucléaire (IRSN), PSN-RES/SA2I/LIE, Saint-Paul-lez-Durance, France
4. Mines Paris, Université PSL, Centre de Morphologie Mathématique (CMM), Fontainebleau, France
[2024]
Vous devez être connecté et inscrit au congres pour télécharger ce document
Résumé
Cette étude présente une méthode novatrice utilisant la microscopie optique et des techniques avancées de vision par ordinateur pour étudier le dépôt d'aérosols sur des surfaces complexes, telles que celles des gaines de ventilation. Le dispositif expérimental comprend un microscope optique motorisé et autofocus et propose l'utilisation d'un réseau de neurones convolutif, en l'occurrence le réseau Cellpose, pour traiter les images acquises. Les résultats montrent une performance élevée du réseau, surpassant même celle d'humains non expérimentés dans l'annotation des images. La comparaison entre la granulométrie obtenue par le réseau et celle mesurée expérimentalement révèle une bonne corrélation, bien que la méthode globale (incluant le réseau et l'extrapolation 3D) présente une surestimation de la masse des particules. Ces avancées offrent des perspectives prometteuses pour l'étude automatisée des aérosols supermicroniques déposés sur des surfaces variées.
Mots clés
Réseau de neurones, apprentissage profond, CNN, dépôt
Abstract
This study presents an innovative method using optical microscopy and advanced computer vision techniques to investigate aerosol deposition on complex surfaces, such as the ones of a ventilation duct. The experimental setup includes a motorized and autofocus optical microscope and the use of a convolutional neural network, Cellpose, to process the acquired images. The results demonstrate a high performance of the network, surpassing even that of inexperienced human annotators. The comparison between the particle size distribution obtained by the network and experimentally measured data reveals a good correlation, although the global method tends to overestimate particle mass. These results are promising for the analysis of supermicron aerosols deposited on various surfaces.
Keywords
neural network, deep learning, CNN, deposition
DOI
10.25576/ASFERA-CFA2024-38938