Розробка підходу аналізу дисперсного складу емульсій з використанням методів машинного зору
DOI:
https://doi.org/10.15587/1729-4061.2026.352589Ключові слова:
сегментація зображень, аналіз емульсії, машинний зір, розподіл крапель, діаметр крапліАнотація
Об’єкт дослідження – автоматизований аналіз мікроскопічних зображень емульсій типу «вода/масло». У роботі розглядається можливість застосування послідовностей методів машинного зору для автоматичного визначення складу неоднорідних дисперсних систем на прикладі емульсій. Цей підхід розширює аналітичну базу, зменшує вплив людського фактору на точність і надійність аналізу та підвищує його швидкодію. Під час дослідження для фотографій мікроскопії виконано zero-shot сегментацію за допомогою чотирьох сегментаторів. Отримані сегменти апроксимовано колами на основі методу bounding volume (BV). Ефективність сегментації оцінено за критерієм Intersection over Union (IoU) шляхом порівняння результатів із масками, розміченими оператором. Середні значення IoU для використаних моделей становлять 0,64–0,68. Застосування BV підвищує узгодженість з еталонними масками: середнє IoU після апроксимації колами становить близько 0,75. Загальна ефективність застосування послідовності сегментації та BV визначалася шляхом аналізу розподілів крапель емульсії за діаметрами. Порівняння розподілів показало, що автоматизований підхід узгоджується з даними оператора для фракцій понад 15 px. Однак він занижує частку дрібних фракцій, що призводить до систематичного зсуву інтегральної оцінки. Також встановлено, що аналіз методом BV окремо кожної маски, отриманої після сегментації, швидший на 40–60 %, ніж аналіз однієї об’єднаної маски. Цей підхід до окремих масок також практично корисніший у випадках контакту крапель
Посилання
- Kirillov, A., Mintun, E., Ravi, N., Mao, H., Rolland, C., Gustafson, L. et al. (2023). Segment Anything. 2023 IEEE/CVF International Conference on Computer Vision (ICCV), 3992–4003. https://doi.org/10.1109/iccv51070.2023.00371
- Ma, J., He, Y., Li, F., Han, L., You, C., Wang, B. (2024). Segment anything in medical images. Nature Communications, 15 (1). https://doi.org/10.1038/s41467-024-44824-z
- Zhang, Y., Jiang, H., Ye, T., Juhas, M. (2021). Deep Learning for Imaging and Detection of Microorganisms. Trends in Microbiology, 29 (7), 569–572. https://doi.org/10.1016/j.tim.2021.01.006
- Nartova, A. V., Mashukov, M. Yu., Astakhov, R. R., Kudinov, V. Yu., Matveev, A. V., Okunev, A. G. (2022). Particle Recognition on Transmission Electron Microscopy Images Using Computer Vision and Deep Learning for Catalytic Applications. Catalysts, 12 (2), 135. https://doi.org/10.3390/catal12020135
- Salum, P., Güven, O., Aydemir, L. Y., Erbay, Z. (2022). Microscopy-Assisted Digital Image Analysis with Trainable Weka Segmentation (TWS) for Emulsion Droplet Size Determination. Coatings, 12 (3), 364. https://doi.org/10.3390/coatings12030364
- Richards, K. D., Comish, E., Evans, R. C. (2025). Computer vision for high-throughput analysis of pickering emulsions. Soft Matter, 21 (12), 2339–2348. https://doi.org/10.1039/d4sm01252f
- Saalbrink, J., Loo, T. Y. J., Mertesdorf, J., Xu, P., Pedersen, M. T., Clausen, M. P., Bonilla, J. C. (2025). Quantifying microscopic droplets in colloidal systems through machine learning-based image analysis. Food Hydrocolloids, 166, 111301. https://doi.org/10.1016/j.foodhyd.2025.111301
- Hu, Y.-T., Ting, Y., Hu, J.-Y., Hsieh, S.-C. (2017). Techniques and methods to study functional characteristics of emulsion systems. Journal of Food and Drug Analysis, 25 (1), 16–26. https://doi.org/10.1016/j.jfda.2016.10.021
- Tripathi, S., Bhattacharya, A., Singh, R., Tabor, R. F. (2017). Rheological behavior of high internal phase water-in-oil emulsions: Effects of droplet size, phase mass fractions, salt concentration and aging. Chemical Engineering Science, 174, 290–301. https://doi.org/10.1016/j.ces.2017.09.016
- Marín Castaño, E. P., Leite, R. H. T., de Souza Mendes, P. R. (2021). Microscopic phenomena inferred from the rheological analysis of an emulsion. Physics of Fluids, 33 (7). https://doi.org/10.1063/5.0053408
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Volodymyr Kosenko, Anton Korotynskyi, Oleksandr Seminskyi
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
