Tomografi-baserad modellering av fibermaterial med hjälp av maskininlärning.

Viktiga resultat som projektet gav

Syftet var att automatisera bildbehandlingen av de fibernätverk som tidigare undersökts i ett synkrotronbaserat experiment med BillerudKorsnäs. Den manuella segmenteringen förbättrades avsevärt och en processbeskrivning skapades. Det är dock troligt att ytterligare hastighets- och noggrannhetsförbättringar kommer att krävas innan manuell segmentering är ett realistiskt alternativ för segmentering av relevanta volymstorlekar. Den automatiska segmenteringsmetoden fungerar som tänkt men den data som genereras är inte tillräckligt lik riktig data för att vara direkt tillämpbar.

Långsiktiga effekter som förväntas

Projektet hjälpte till att identifiera lämpliga metoder för att segmentera naturfibrer, och kommer att informera det fortsatta arbetet med att korrekt segmentera volymer med många fibrer. Tillsammans med fackexperter inom maskininlärning fortgår metodutveckling för att ge maskininlärningsalgoritmen bästa möjliga förutsättningar. De lärdomar som dragits har bidragit till två vetenskapliga publikationer samt ett mjukvarubibliotek.

Upplägg och genomförande

Två metoder för att generera träningsdata undersöktes. Metodutvecklingen kan användas av intressenter inom akademi eller industri för att manuellt segmentera naturfibrer. Arbetet fortgår i samarbete med DESY i Hamburg. För att maskininlärning ska kunna användas för att segmentera nätverk av naturfibrer krävs fortsatta insatser för att förbättra alla steg i processen. Delar av resultaten presenteras i två artiklar under utvärdering i journalerna Experimental Mechanics och Cellulose.