От снимка к частице ИИ на службе качества | Часть 2 📸 На микрофотографиях порошка частицы могут существенно различаться по размеру, форме, контрастности и степени перекрытия. Главная сложность компьютерного зрения здесь — научить модель видеть не просто общую массу порошка, а каждую гранулу отдельно. 📺 Простая бинарная сегментация («порошок» или «фон») для инженерного анализа непригодна. Чтобы корректно оценить морфологию материала, алгоритм должен точечно разделять частицы между собой: ▶️ Если соприкасающиеся частицы объединяются в один объект — искажается статистика, завышаются реальные габариты и нарушается расчёт показателей формы. ▶️ Если мелкие частицы или сателлиты пропускаются — сдвигаются итоговые оценки гранулометрии и морфологии партии. 🔬 В разработанном подходе нейросеть строит индивидуальные маски для каждого отдельного объекта. Далее эти маски преобразуются в конкретные численные метрики: площадь, периметр, эквивалентный диаметр, диаметры Фере и коэффициенты формы (сферичность, округлость). 💡 Переход от визуальной разметки к таблице параметров превращает компьютерное зрение из наглядной иллюстрации в измерительный инструмент. ➡️ В следующей части мы поднимем капот алгоритма: разберём практическое сравнение трёх архитектур: YOLO, Mask R-CNN и DeepLabV3+. Объясним какая из них оказалась наиболее подходящей при оценке сложных частиц. 🤓 ЦАТ в Telegram | MAX | ВК