Optik：基于深度學習的電紡超細纖維形態自動分類方法

DOI:10.1016/j.ijleo.2020.164261

具有微孔形態的電紡超細纖維在藥物釋放、過濾材料、組織工程等領域有著廣泛的應用，其微孔形態信息的獲取難度較大。在本文中，制備了不同形貌的電紡超細纖維：光滑的表面、微孔和珠狀微球。然后，利用偏振光顯微鏡獲得各種纖維的偏振信息，并計算出穆勒矩陣。隨后，引入了遷移學習的方法，以基于穆勒矩陣的M44圖像元素訓練僅有少量數據的判別模型，實現了電紡超細纖維微孔形態的自動分類。這些結果表明，這種在測試集中具有較高準確性的分類方法可以為研究人員篩選不同形態的纖維樣品提供快速、簡單、可靠和實時的分析。

圖1.具有不同形態的電紡纖維樣品的原始穆勒矩陣圖像。（a）表面光滑，PLLA/PCL（50:50）；（b）微孔PLLA；（c）珠狀微球PLLA/PCL（25:75）。

圖2.不同形態電紡纖維樣品的線性歸一化M44灰度。紅色箭頭指向不同電紡纖維的微孔和串珠微球，其中微孔在纖維上顯示為小的致密黑點，而串珠微球在圖像中顯示為黑球。（a）表面光滑，PLLA/PCL（50:50）；（b）微孔PLLA；（c）珠狀微球PLLA/PCL（25:75）（為解釋該圖例中對顏色的引用，請參閱本文的網絡版本）。

圖3.轉移學習的示意圖，其中圓圈代表人工神經網絡的節點，圓圈之間的線代表節點之間的權重。示意圖描繪了在ImageNet數據集上訓練并使用線性歸一化M44灰度圖像進行微調的CNN模型。重新創建并重新初始化模型的最終完全連接層，并凍結所有其他層。