我院魏薇博士在國際學術期刊《Sensors》上發表了題為“Deep Learning and Histogram-Based Grain Size Analysis of Images”的SCI論文，提出了一種創新的基于深度學習和直方圖分析的圖像粒度識别方法。該研究不僅在理論上具有創新性，而且在實際應用中展現了顯著的效率與準确性，為沉積模拟實驗中的粒度分析提供了新的技術路徑。

該博士團隊針對傳統圖像粒度分析方法在處理邊緣模糊及粒徑排列不規則時的局限性，提出了一種結合深度學習與直方圖分析的改進方法，以提高對不規則粒徑分布圖像的粒度分析效率和準确性。研究中，首先使用ResNet18網絡從沉積模拟實驗圖像中提取特征，然後将這些特征輸入直方圖層以獲得局部直方圖特征，最終通過全連接層估算對應的累積體積百分比的粒徑。實驗結果表明，所提出的方法在實際應用中與激光粒度儀測量結果高度一緻，且比其他八種模型具有更高的準确性。該研究不僅提高了沉積模拟實驗中粒度分析的量化和自動化水平，而且對于土壤和岩土工程等領域的粒度分析提供了潛在的應用價值。

論文鍊接：https://www.mdpi.com/1424-8220/24/15/4923

圖1 論文提出的模型估算值與激光粒度儀測量值的結果比較

圖2 不同模型對四個典型樣本的累積曲線結果比較

（樣本(a-d)的平均粒徑分别為253µm,、334µm,、408µm,和511µm）

圖3 文章首頁