Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej

Publikacje Pracowników PL z lat 1990-2010

Publikacje pracowników Politechniki Lubelskie z lat 1990-2010 dostępne są jak dotychczas w starej bazie publikacji
LINK DO STAREJ BAZY

MNiSW
140
konferencja
Status:
Autorzy: Charytanowicz Małgorzata, Kowalski Piotr A., Łukasik Szymon, Kulczycki Piotr, Czachor Henryk
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Wersja dokumentu: Drukowana | Elektroniczna
Język: angielski
Strony: 1 - 8
Web of Science® Times Cited: 0
Scopus® Cytowania: 0
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: IEEE World Congress on Computational Intelligence 2022 ; 2022 International Joint Conference on Neural Networks (IJCNN)
Skrócona nazwa konferencji: WCCI 2022 ; IJCNN 2022
URL serii konferencji: LINK
Termin konferencji: 18 lipca 2022 do 23 lipca 2022
Miasto konferencji: Padua
Państwo konferencji: WŁOCHY
Publikacja OA: NIE
Abstrakty: angielski
Deep convolutional neural networks have strong data structure mining ability and can be successfully applied to facilitate the feature detection process when applied to porous media analysis. One of the encountered limitations is the lack of large data when applying deep learning algorithms. This work proposes a novel approach to overcome this problem by generating highly representative datasets based on real CT-images. The method uses an original morphological concept for the determination of pore size distribution to provide input data that is to be fed to a designed neural network. The generated data was employed for the classification of soil aggregates that differ in their pore size distribution. The image classification results were achieved by exploiting well-known pre-trained deep learning models: VGG-16, ResNet50, InceptionV3, Dense-Net121, and MobileNet. We applied k-fold cross-validation for k equal to five to validate the results. The average accuracy for the validating data achieved for the MobileNet, VGG-16, InceptionV3 and DenseNet121 ranged from 90% to 95% and were 5% higher compared to ResNet50. The deep learning approach has demonstrated great promise for analyzing very complex and irregular structures based on micro-CT images.