Методы и алгоритмы обнаружения дефектов поверхности углеродных материалов на основе изображений со сканирующего электронного микроскопа тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Курбаков Михаил Юрьевич

• Курбаков Михаил Юрьевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Курбаков Михаил Юрьевич

Введение

Глава 1. Проблема обнаружения дефектов поверхности углеродных материалов на основе изображений со сканирующего электронного микроскопа (СЭМ-изображений)

1.1 Задача обнаружения дефектов и её особенности

1.2 Недостаточность существующих методов

1.3 Цель и основные задачи исследования

Глава 2. Метод обнаружения дефектов на основе детектирования наночастиц и определения структурированности их взаимного расположения

2.1 Структура предлагаемого метода обнаружения дефектов

2.2 Детектирование наночастиц на основе метода экспоненциальной аппроксимации

2.2.1 Предварительная обработка СЭМ-изображения

2.2.2 Выделение фрагментов изображения для аппроксимации

2.2.3 Экспоненциальная аппроксимация фрагментов изображения

2.2.4 Обнаружение фрагментов, содержащих наночастицы

2.2.5 Определение радиуса наночастицы

2.3 Формализация понятия структурированности взаимного расположения наночастиц

2.3.1 Предположения о структурированности на основе линий из наночастиц

2.3.2 Мера несходства преимущественных направлений локальных групп наночастиц для построения линий

2.3.3 Построение линий из наночастиц методом кратчайшего незамкнутого пути (КНП)

2.3.4 Построение линий из наночастиц методом минимального остовного леса (МОЛ)

2.4 Признаки структурированности взаимного расположения наночастиц

2.4.1 Признаки на основе преимущественных направлений

2.4.2 Признаки на основе линий, построенных методом КНП

2.4.3 Признаки на основе линий, построенных методом МОЛ

2.5 Обнаружение дефектов как решение задачи двухклассового распознавания СЭМ-изображений в пространстве признаков структурированности

2.6 Выводы по главе

Глава 3. Разработка алгоритмов и программного средства для обнаружения дефектов

3.1 Параллельный алгоритм детектирования наночастиц по методу

экспоненциальной аппроксимации

3.2 Параллельный алгоритм вычисления признаков структурированности

3.3 Программное средство обнаружения дефектов

3.3.1 Модуль детектирования наночастиц

3.3.2 Модуль обнаружения дефектов

3.3.3 Модуль визуализации результатов

3.3.4 Веб-интерфейс программного средства

3.4 Выводы по главе

Глава 4. Экспериментальное исследование предложенных методов и алгоритмов

4.1 Описание наборов данных и платформ тестирования

4.2 Детектирование наночастиц

4.2.1 Критерии оценки качества детектирования

4.2.2 Исследование качества детектирования

4.2.3 Исследование эффективности параллельного алгоритма детектирования

наночастиц

4.3 Обнаружение дефектов

4.3.1 Критерии оценки качества обнаружения дефектов

4.3.2 Исследование качества обнаружения дефектов

4.3.2 Исследование эффективности параллельного алгоритма вычисления

признаков структурированности

4.4 Выводы по главе

Заключение

Список использованных источников

Приложение А. Список публикаций соискателя по теме диссертации

Приложение Б. Полученные свидетельства о государственной регистрации

программ для ЭВМ

Приложение В. Заключения тестирования и акт внедрения результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы обнаружения дефектов поверхности углеродных материалов на основе изображений со сканирующего электронного микроскопа»

ВВЕДЕНИЕ

Углеродные материалы занимают одно из ключевых мест в современной науке и промышленности благодаря совокупности уникальных физико-химических и механических свойств. Существенное влияние на эксплуатационные характеристики углеродных материалов оказывает состояние их поверхности, в частности наличие и характер дефектных участков. В этой связи задача обнаружения дефектов поверхности углеродных материалов является актуальной и имеет важное прикладное значение.

Наиболее универсальным методом анализа поверхности углеродных материалов является сканирующая электронная микроскопия (СЭМ) [1], которая позволяет получать изображения с высоким пространственным разрешением, достаточным для анализа микроскопических объектов и особенностей поверхности. Вместе с тем даже при использовании СЭМ некоторые типы дефектов поверхности углеродных материалов плохо визуализируются вследствие своих электрохимических свойств.

Современным подходом к визуализации «скрытых» дефектов, не поддающихся обнаружению традиционными методами, является осаждение металлических наночастиц на поверхность образца [2]. Благодаря преимущественному связыванию наночастиц с дефектными участками их взаимное расположение с достаточной точностью соответствует распределению дефектов поверхности. Использование /-контраста позволяет с помощью сканирующей электронной микроскопии зафиксировать местоположение наночастиц, в результате чего дефектные участки, обычно неразличимые на поверхности, становятся отчётливо видны на соответствующих СЭМ-изображениях. Считается, что для поверхностей с дефектами характерно структурированное расположение наночастиц, тогда как для поверхностей без дефектов их расположение является неструктурированным [3].

Таким образом, с формальной точки зрения задача обнаружения скрытых дефектов может быть сформулирована в виде задачи двухклассового

распознавания СЭМ-изображений на два класса - со структурированным и неструктурированным расположением наночастиц.

Однако существует проблема, препятствующая широкому практическому применению данного подхода. Она заключается в том, что определение структурированности взаимного расположения в настоящее время осуществляется исключительно вручную на основе интуитивного восприятия эксперта, что является чрезвычайно ресурсоёмкой процедурой и не позволяет получать объективные и воспроизводимые результаты без формализации понятия структурированности.

Немногочисленные попытки решения задачи обнаружения дефектов в виде задачи двухклассового распознавания СЭМ-изображений с использованием методов глубокого обучения без формализации понятия структурированности не обеспечивают достоверных результатов. В ряде случаев при определении структурированности расположения наночастиц такие методы опираются на области СЭМ-изображений, не содержащие наночастиц. В результате применение подходов глубокого обучения оказывается недостаточным для научных исследований, где принципиальное значение имеет возможность интерпретации получаемых результатов [4].

Разработка новых методов обнаружения дефектов поверхности углеродных материалов является нетривиальной задачей по следующим причинам:

1) отсутствие формализации понятия структурированности взаимного расположения наночастиц с учетом особенностей человеческого восприятия,

2) анализируемые СЭМ-изображения, как правило, сильно зашумлены, имеют неоднородный фон, могут содержать засвеченные области и различные структурные элементы поверхности материала, не имеющие отношения к наночастицам и дефектам поверхности материала, 3) наночастицы имеют очень маленький размер и при этом могут располагаться очень близко и даже частично перекрывать друг друга.

Кроме того, представляется целесообразным основывать концепцию структурированности исключительно на координатах наночастиц, что

обуславливает необходимость их предварительного детектирования на основе СЭМ-изображений [5].

Таким образом, задача обнаружения дефектов поверхности углеродных материалов по изображениям сканирующей электронной микроскопии является актуальной научной задачей. А субъективность и трудоёмкость ручного анализа СЭМ-изображений, необходимость обеспечения воспроизводимости результатов, а также недостаточная интерпретируемость существующих методов, основанных на применении глубокого обучения, обусловливают актуальность разработки новых методов обнаружения дефектов поверхности углеродных материалов, основанных на детектировании наночастиц и формализации структурированности их взаимного расположения.

Степень разработанности темы исследования.

В диссертационном исследовании был выполнен обзор существующих методов детектирования наночастиц на снимках электронной микроскопии, а также методов обнаружения дефектов поверхности углеродных материалов. Теоретическую базу диссертации в области методов детектирования наночастиц представляют работы таких ученых, как Kook S., Vippola M., Mirzaei M., Shvedchenko D.O., Wu Y., Groom D.J., Marsh B.P., Kaya E.E., Slater J.A. (традиционные методы компьютерного зрения для детектирования частиц на снимках с электронного микроскопа), Okunev A.G., Kharin A. Yu, Lopez Gutierrez J.D., Bals J., Li X. (методы глубокого обучения для детектирования частиц на снимках с электронного микроскопа). Задача обнаружения дефектов поверхности углеродных материалов рассматривалась в работах Ананикова В.П., Пенцак Е. О., Mabroukah A., Thuan N.D. Отдельные вопросы применения методов машинного обучения для детектирования наночастиц и анализа структурированности их расположения рассматривались в работах Бойко Д.А., Кашина А.С., Черепановой В.А.

Анализ известных исследований позволил определить направление совершенствования методов компьютерного зрения для детектирования наночастиц на СЭМ-изображениях и разработки новых подходов для обнаружения

дефектов поверхности углеродных материалов, а также сформулировать объект, предмет, цель и задачи данного диссертационного исследования.

Объект исследования.

Изображения со сканирующего электронного микроскопа, на которых зафиксированы наночастицы, распределённые по поверхности углеродных материалов.

Предмет исследования.

Методы и алгоритмы обнаружения дефектов поверхности углеродных материалов на основе анализа взаимного расположения наночастиц, зафиксированных на изображениях со сканирующего электронного микроскопа.

Цель исследования.

Повышение точности решения задачи двухклассового распознавания изображений со сканирующего электронного микроскопа для обнаружения дефектов поверхности углеродных материалов.

Для достижения поставленной цели сформулированы следующие задачи исследования, решение которых обладает научной новизной:

• разработка метода обнаружения дефектов поверхности углеродных материалов, который, в отличие от существующих решений, основан на детектировании наночастиц и определении структурированности их взаимного расположения и обеспечивает повышение точности двухклассового распознавания СЭМ-изображений,

• формализация понятия структурированности взаимного расположения наночастиц, которое позволяет представить СЭМ-изображения в пространстве признаков структурированности для решения задачи обнаружения дефектов поверхности углеродных материалов, как задачи двухклассового распознавания СЭМ-изображений,

• разработка метода и алгоритма детектирования наночастиц по СЭМ-изображениям, которые, в отличие от существующих решений, основаны на аппроксимации яркостного профиля наночастиц экспоненциальной функцией и в совокупности с процедурой предварительной обработки

обеспечивают повышение точности детектирования в условиях шума и пересвеченных областей.

Практической значимостью обладают следующие результаты:

• метод и соответствующий параллельный алгоритм детектирования наночастиц, позволяющие существенно сократить время обработки СЭМ-изображений и проводить анализ большого числа образцов с целью определения физических характеристик наночастиц в каталитической химии,

• программное средство для обнаружения дефектов поверхности углеродных материалов, позволяющее проводить автоматизированный и воспроизводимый анализ качества поверхности углеродных материалов, в частности, палладий-углеродных катализаторов.

Положения, выносимые на защиту.

• метод обнаружения дефектов поверхности углеродных материалов, который, в отличие от существующих решений, основан на детектировании наночастиц и определении структурированности их взаимного расположения и обеспечивает повышение точности двухклассового распознавания СЭМ-изображений,

• формализация понятия структурированности взаимного расположения наночастиц, которая позволяет представить СЭМ-изображения в пространстве признаков структурированности для решения задачи обнаружения дефектов поверхности углеродных материалов, как задачи двухклассового распознавания СЭМ-изображений,

• метод и алгоритм детектирования наночастиц по СЭМ-изображениям, которые, в отличие от существующих решений, основаны на аппроксимации яркостного профиля наночастиц экспоненциальной функцией и в совокупности с процедурой предварительной обработки обеспечивают повышение точности детектирования в условиях шума и пересвеченных областей.

Методы и инструменты решения.

Для решения поставленных в диссертационной работе задач использовались методы компьютерного зрения, машинного обучения, теории множеств, теории графов, линейной алгебры и описательной статистики. Экспериментальные исследования параллельных реализаций алгоритмов проведены как на кластерной вычислительной системе, так и на системе с общей памятью.

Личный вклад автора.

Личный вклад автора заключается в разработке метода обнаружения дефектов, формализации понятия структурированности взаимного расположения наночастиц, разработке признаков структурированности и алгоритма их вычисления, разработке метода и соответствующего алгоритма детектирования наночастиц на СЭМ-изображениях, разработке параллельных программных реализаций для исследования предложенных методов и алгоритмов и проведении их экспериментального исследования.

Апробация результатов исследования.

Основные результаты диссертационного исследования докладывались и обсуждались на следующих конференциях и семинарах:

• XVII Региональная магистерская научная конференция, г. Тула, Россия, 2022;

• 5th ISPRS International Workshop «Photogrammetric and computer vision techniques for environmental and infrastructure monitoring, biometrics and biomedicine», г. Москва, Россия, 2023;

• 21-я Всероссийская конференция с международным участием «Математические методы распознавания образов», г. Москва, Россия, 2023;

• Юбилейная 5-ая Межрегиональная научная сессия молодых исследователей «Промышленная революция 4.0: Взгляд молодежи», г. Тула, Россия, 2023;

• Научный семинар с участием академика РАН В.П. Ананикова «Стратегические проекты «БиоХимТех» и «Композит» программы развития ТулГУ ПРИОРИТЕТ 2030», г. Тула, Россия, 2023;

• ISPRS International Workshop «Photogrammetric data analysis», г. Москва, Россия, 2024;

• 15-я Международная конференция «Интеллектуализация обработки информации», г. Гродно, Республика Беларусь, 2024;

• 6-ая Межрегиональная научная сессия молодых исследователей «Промышленная революция 4.0: Взгляд молодежи», г. Тула, Россия, 2024;

• Научный семинар с участием академика РАН В.П. Ананикова «Стратегические проекты «БиоХимТех» и «Композит» программы развития ТулГУ ПРИОРИТЕТ 2030», г. Тула, Россия, 2024;

• Научная конференция-школа «Новые горизонты катализа и органической химии» ("New Horizons in Catalysis and Organic Chemistry"), г. Москва, Россия, 2025;

• 22-я Всероссийская конференция с международным участием «Математические методы распознавания образов», г. Муром, Россия, 2025.

Основные результаты диссертационного исследования отражены в 15 публикациях, включающих:

• 2 печатные работы в рецензируемых журналах, входящих в список ВАК,

• 4 печатные работы в изданиях, индексируемых в базе данных Scopus (две уровня Q1),

• 6 тезисов в сборниках материалов международных, всероссийских и региональных конференций, индексируемых РИНЦ,

• 3 свидетельства о регистрации программы для ЭВМ.

Реализация и внедрение результатов работы.

Разработанные автором программные реализации предложенных методов и алгоритмов прошли тестирование и подтвердили свою эффективность в рамках текущих прикладных задач и исследований Федерального государственного бюджетного учреждения науки «Институт органической химии им. Н. Д.

10

Зелинского» Российской академии наук, а также АО «Центральное конструкторское бюро аппаратостроения», что подтверждается соответствующими заключениями.

Полученные автором теоретические результаты использованы в учебном процессе Федерального государственного бюджетного образовательного учреждения высшего образования «Тульский государственный университет», что подтверждается соответствующим актом.

Отдельные направления диссертационного исследования были выполнены при финансовой поддержке Министерства науки и высшего образования РФ в рамках государственного задания FEWG-2024-0001 «Создание новых математических моделей, методов, алгоритмов и инструментальных средств интеллектуального анализа сложноорганизованных данных для обучающих и тренажёрных систем, микроэлектроники и химии наноматериалов» (2024-2025 г.).

Достоверность и обоснованность научных результатов, полученных соискателем, подтверждены корректностью и непротиворечивостью математических выкладок, результатами машинных экспериментов, а также тестированием и внедрением в организации, что подтверждается соответствующими заключениями и актом.

Соответствие паспорту специальности.

Диссертационная работа соответствует п. 4 паспорта специальности 2.3.5 Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей (технические науки) в области интеллектуальных систем машинного обучения, управления базами данных и знаний, а также п. 7 паспорта специальности в области моделей, методов, алгоритмов и программных средств обработки изображений и визуализации данных.

Структура и объём диссертации.

Диссертационная работа, изложенная на 138 страницах печатного текста, состоит из введения, четырех глав, заключения, списка использованных

источников, содержащего 101 наименование, и включает 45 рисунков, 11 таблиц, 48 формул и 3 приложения.

Во введении дана общая характеристика работы, рассмотрена её актуальность, обоснованы цели, задачи, научная новизна, представлены основные практические и теоретические результаты работы, сведения об апробации и публикации результатов, приведены данные о структуре и объеме диссертационной работы.

В первой главе рассматривается задача обнаружения дефектов поверхности углеродных материалов на основе анализа изображений, полученных со сканирующего электронного микроскопа (СЭМ-изображений) а также представлен обзор современных подходов и методов, предназначенных для решения данной задачи.

Во второй главе предложен метод обнаружения дефектов поверхности углеродных материалов по СЭМ-изображениям, основанный на детектировании наночастиц и анализе структурированности их взаимного расположения.

В третьей главе разработаны алгоритмы и программные реализации для предложенного метода детектирования наночастиц и метода обнаружения дефектов поверхности углеродных материалов.

В четвертой главе представлено экспериментальное исследование разработанных программных реализаций, приведено описание набора данных, платформ тестирования и метрик оценки качества и эффективности предложенных методов и алгоритмов.

В заключении представлены итоги диссертационного исследования и описаны перспективы дальнейших исследований по теме диссертационной работы.

ГЛАВА 1. ПРОБЛЕМА ОБНАРУЖЕНИЯ ДЕФЕКТОВ ПОВЕРХНОСТИ УГЛЕРОДНЫХ МАТЕРИАЛОВ НА ОСНОВЕ ИЗОБРАЖЕНИЙ СО СКАНИРУЮЩЕГО ЭЛЕКТРОННОГО МИКРОСКОПА (СЭМ-ИЗОБРАЖЕНИЙ)

1.1 Задача обнаружения дефектов и её особенности

Благодаря стремительному развитию науки и техники электронная сканирующая микроскопия становится одним из наиболее эффективных и передовых методов исследования, который широко используется на предприятиях и в научных лабораториях. Разрешающая способность сканирующих электронных микроскопов (СЭМ) позволяет получать увеличение в миллионы раз, что подходит для изучения микроскопических объектов [6]. В результате решение широкого спектра актуальных прикладных задач, связанных с изучением состава, строения и некоторых других свойств поверхности материала, основано на анализе соответствующих снимков со сканирующего электронного микроскопа (СЭМ-изображений).

На сегодняшний день множество исследований направлены именно на оценивание поверхности углеродных материалов, поскольку их эксплуатационные характеристики сильно зависят от отсутствия или наличия дефектных участков. Например, высококачественные поверхности без дефектов важны для ряда промышленных направлений, таких как электроника, светодиоды, композитные материалы и материалы с высокой механической прочностью [7]. В свою очередь, материалы с дефектами поверхности также очень важны, например, материалы из древесного угля с множеством дефектов превосходно подходят для очистки воды, а управляемое влияние на дефекты поверхности играет ключевую роль в синтезе промышленных катализаторов [8]. Таким образом, определение наличия дефектов, классификация их типов и количества являются чрезвычайно актуальными задачами, имеющими первостепенное практическое значение.

При этом не все типы дефектов можно напрямую визуализировать с помощью электронной сканирующей микроскопии [2]. Передовым подходом для

решения данной проблемы является нанесение металлических наночастиц в качестве контрастных веществ для визуализации дефектов с помощью сканирующего электронного микроскопа. Пример результата нанесения металлических наночастиц на поверхность углеродного материала, зафиксированный на снимке со сканирующего электронного микроскопа (СЭМ-изображении), представлен на рисунке 1.1.

30 рх

1. Металлическая наночастица

2. Геометрия поверхности образца (фон)

3. Засвеченная область (особенность съёмки поверхности)

4. Засвеченная область (микроразмерная пыль)

Изображение поверхности материала с нанесенными металлическими наночастицами

эивооо 20.0кУ 11.2тт хЮОк ЭЕ(11)

I I I I I I I I I I I

500пт

Вспомогательная информация

Рисунок 1.1 - СЭМ-изображение поверхности углеродного материала с нанесенными

металлическими наночастицами

В силу различного химического состава и, как следствие, химического контраста металлические наночастицы на СЭМ-изображении представляют собой небольшие светлые пятна, шириной до 10 пикселей, а поверхность углеродного материала (фон) оказывается значительно темнее по сравнению с ними.

Важной особенностью нанесения металлических наночастиц на поверхность образца является то, что дефектные участки преимущественно захватывают частицы металла, что, в свою очередь, приводит к образованию структуры в расположении наночастиц. В противном случае, если на поверхности материала отсутствуют участки с дефектами, то никаких закономерностей в расположении наночастиц наблюдаться не будет. Применимость данного подхода экспериментально обоснована результатами, в которых демонстрируется прямая связь между прикреплёнными частицами металла и расположением дефектных

участков на поверхности углеродного материала [3]. Примеры СЭМ-изображений поверхности материала с нанесенными наночастицами для случаев с отсутствием и наличием дефектов представлены на рисунке 1.2 соответственно.

Гб1

Л А А

, -А

*** » V*« Л-''* "в* •»

' 1

/

* " *■—-

Г.? «-„•а^ •

"С" «» . <-

. 4 Ч •Л**'* 1

вивооо Ю.ОкУ 11 4тт хЮОк ЭЕ(и)

I I I I I I I I I I

500пт

Рисунок 1.2 - СЭМ-изображения поверхности материала с нанесенными наночастицами: а) с отсутствием явного наличия структуры в расположении частиц (без дефектов поверхности);

б) с явным наличием структуры в расположении частиц (с дефектами поверхности)

Таким образом, задача определения наличия структуры в расположении наночастиц на поверхности материала оказывается крайне важной с прикладной точки зрения для обнаружения дефектов поверхности материала. В дальнейшем, если в расположении частиц наблюдается структура, что свидетельствует о наличии дефектов поверхности, то такое расположение будем называть структурированным, иначе, когда структура в расположении частиц отсутствует -неструктурированным.

В итоге задача обнаружения дефектов может быть математически сформулирована как задача двухклассового распознавания соответствующих СЭМ-изображений. Основная идея такой постановки предложена в работе [3] и состоит в том, что наличие дефектов поверхности материала приводит к структурированному расположению наночастиц, зафиксированных на СЭМ-изображении. В противном случае, при отсутствии дефектов поверхности материала, взаимное расположение наночастиц оказывается неструктурированном. Таким образом, каждое СЭМ-изображение может быть отнесено к одному из двух классов:

• класс «без дефектов» - соответствует неструктурированному взаимному расположению наночастиц (пример СЭМ-изображения на рисунке 1.2а),

• класс «с дефектами» - соответствует структурированному взаимному расположению наночастиц (пример СЭМ-изображения на рисунке 1.2б).

Решение задачи двухклассового распознавания [67] состоит из двух этапов: обучения и распознавания. Исходными данными для этапа обучения является обучающая совокупность объектов (СЭМ-изображений), где каждый объект представлен вектором его вещественных признаков и снабжен меткой, определяющей классовую принадлежность к одному из двух классов. Требуется на основе анализа обучающей совокупности построить решающее правило -классифицирующую функцию, которая для любого поступившего на её вход объекта определяла бы метку класса. На этапе распознавания осуществляется применение построенного решающего правила к новым объектам с целью определения их классовой принадлежности.

При этом качество решения задачи двухклассового распознавания во многом определяется информативностью признаков, образующих признаковое пространство, в котором строится решающее правило. Очевидно, что признаки в данном случае должны характеризовать структурированность взаимного расположения наночастиц. Однако задача формирования такого признакового пространства является нетривиальной, поскольку даже само понятие структурированности является не формализованным на данный момент.

Важно отметить, что интуитивное восприятие структурированности человеком основано исключительно на взаимном расположении частиц. Вследствие этого для определения структурированности расположения наночастиц необходимо предварительно осуществить их детектирование, т.е. определить координаты центров наночастиц и их размеры. Таким образом, в рамках данной работы возникает необходимость детектирования наночастиц на основе СЭМ-изображений в градациях серого, представляющих поверхность исследуемого материала.

Предполагается, что на каждом изображении присутствует некоторое заранее неизвестное количество наночастиц, распределённых по поверхности образца. Каждая частица в физическом пространстве имеет форму, близкую к сферической, а на СЭМ-изображении имеет представление в виде округлого объекта с яркостью, которая максимальна в центре и постепенно уменьшается к краям.

Однако в реальности СЭМ-изображения могут сильно отличаться даже при анализе одного и того же образца. Это может быть связано с множеством факторов, но на практике наиболее часто встречаются случаи, когда:

• наличие посторонних объектов на поверхности образца (пылинки, остаточные реагенты и др.) приводит к появлению неравномерного распределения яркости и засветам (рисунок 1.3а, б);

• сильно меняющаяся геометрия поверхности образца является причиной неравномерного фона даже на одном изображении (рисунок 1.3 в, г).

Рисунок 1.3 - Примеры СЭМ-изображений: а) с неравномерным распределением яркости и засветами, б) с отличающейся средней яркостью, в-г) с существенно неравномерным фоном

Более того, СЭМ-изображения достаточно сильно зашумлены и в общем случае могут отличаться масштабом съёмки (рисунок 1.4а, б, в) и типом поверхности образца (рисунок 1.4г, д, е). При этом наночастицы на поверхности материала могут располагаться не только обособленно, но и частично перекрываться. Данная особенность значительно усложняет процесс их детектирования. Причём в рамках одного СЭМ-изображения количество одновременно перекрывающихся наночастиц может сильно отличаться, как представлено на рисунке 1.5.

Рисунок 1.4 - СЭМ-изображения с различным: а-в) масштабом съёмки, г-е) типом поверхности

30 рх

50 рх

Обособленная частица

30 рх

Две

перекрывающиеся частицы

30 рх

Перекрывающиеся частицы (от 4 до 5)

•* - ».л- V* ** . ^ \ ч-- 4 . » V 1 1 <4 • 1 4 ! ! * • А ""■* •

к \ ~.....

? '! .

» ,44 •• 1НШ|ЩЯ 1 \ V 1

3118000 20 ОкУ 11 2тт х100к8Е(11) 1 1 ! 1 1 ! 1 500пт

Перекрывающи еся частицы (от 10 до 15)

35 рх

Список литературы диссертационного исследования кандидат наук Курбаков Михаил Юрьевич, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Pentsak E.O., Kashin A.S., Polynski M.V., Kvashnina K.O., Glatzel P., Ananikov V.P. Spatial imaging of carbon reactivity centers in Pd/C catalytic systems // Chemical Science. - 2015. - Vol. 6. - P. 3302-3313.

- DOI: 10.1039/C5SC00802F.

2. Fei Z., Rodin A.S., Gannett W., Dai S., Regan W., Wagner M., Liu M.K., McLeod A.S., Dominguez G., Thiemens M., Castro-Neto A.H., Keilmann F., Zettl A., Hillenbrand R., Fogler M.M., Basov D.N. Electronic and plasmonic phenomena at graphene grain boundaries // Nature Nanotechnology. - 2013. - Vol. 8, No. 11.

- P. 821-825. - DOI: 10.1038/nnano.2013.197.

3. Boiko D.A., Pentsak E.O., Cherepanova V.A., Gordeev E.G., Ananikov V.P. Deep neural network analysis of nanoparticle ordering to identify defects in layered carbon materials // Chemical Science. - 2021. - Vol. 12. - P. 7428-7441.

- DOI: 10.1039/D0SC05696K.

4. Ibrahim R., Shafiq M.O. Explainable Convolutional Neural Networks: A Taxonomy, Review, and Future Directions // ACM Computing Surveys. - 2023.

- Vol. 55, No. 10, Article 206. - DOI: 10.1145/3563691.

5. Mather G. Foundations of perception. - Hove; New York: Psychology Press/Erlbaum (UK), Taylor & Francis, 2006.

6. Klein T., Buhr E., Frase C.G. TSEM: A Review of Scanning Electron Microscopy in Transmission Mode and Its Applications // Advances in Imaging and Electron Physics. - 2012. - Vol. 171. - P. 297-356. - DOI: 10.1016/B978-0-12-394297-5.00006-4.

7. Warcholinski B., Gilewicz A., Tarnowska M. The surface assessment and the properties of selected multilayer coatings // Lubricants. - 2023. - Vol. 11, No. 9, Article 371. - DOI: 10.3390/lubricants11090371.

8. Mishra R., Verma K., Singh D.S. Defect engineering in nanomaterials: Impact, challenges, and applications // Smart Materials in Manufacturing. - 2024.

- Vol. 2, Article 100052. - DOI: 10.1016/j.smmf.2024.100052.

9. Amarif M., Aejaal A., Ateeyah H. Nanoparticles Ordering Classification Using Deep Convolutional Neural Networks // Journal of Nano Research. - 2024.

- Vol. 86. - P. 57-66. - DOI: 10.4028/p-5Rz56j.

10. Nguyen D.T., Hoang M.C., Nguyen H.N., Nguyen T.L.H., Hoang S.H. Morphological analysis of Pd/C nanoparticles using SEM imaging and advanced deep learning // RSC Advances. - 2024. - Vol. 14. - P. 35172-35183.

- DOI: 10.1039/D4RA06113F.

11. Gesho M., Chaisoontornyotin W., Elkhatib O., Goual L. Auto-segmentation technique for SEM images using machine learning: Asphaltene deposition case study // Ultramicroscopy. - 2020. - Vol. 217. - Art. 113074.

- DOI: 10.1016/j.ultramic.2020.113074.

12. Otsu N. A threshold selection method from gray-level histograms // IEEE Transactions on Systems, Man, and Cybernetics. - 1979. - Vol. 9, No. 1. - P. 62-66.

- DOI: 10.1109/TSMC.1979.4310076.

13. Sezgin M., Sankur B. Survey over image thresholding techniques and quantitative performance evaluation // Journal of Electronic Imaging. - 2004. - Vol. 13, No. 1. - P. 146-165. - DOI: 10.1117/1.1631315.

14. Groom D.J., Yu K., Rasouli S., Polarinakis J., Bovik A.C., Ferreira P.J. Automatic segmentation of inorganic nanoparticles in BF TEM micrographs // Ultramicroscopy. - 2018. - Vol. 194. - P. 25-34.

- DOI: 10.1016/j.ultramic.2018.06.002.

15. Kaya E.E., Kaya O., Alkan G., Gurmen S., Stopic S., Friedrich B. New proposal for size and size-distribution evaluation of nanoparticles synthesized via ultrasonic spray pyrolysis using search algorithm based on image-processing technique // Materials. - 2020. - Vol. 13, №1, Art. 38. - DOI: 10.3390/ma13010038.

16. Vippola M., Valkonen M., Sarlin E., Honkanen M., Huttunen H. Insight to nanoparticle size analysis—novel and convenient image analysis method versus conventional techniques // Nanoscale Research Letters. - 2016. - Vol. 11, No. 1, Art. 169. - DOI: 10.1186/s11671-016-1391-z.

17. Wu Y., Wang W., Zhang F., Xiao Z., Wu J., Geng L. Nanoparticle size measurement method based on improved watershed segmentation // Proceedings of the 2018 International Conference on Electronics and Electrical Engineering Technology.

- 2018. - P. 232-237. - DOI: 10.1145/3277453.3286087.

18. Slater T.J.A., Wang Y.-C., Leteba G.M., Quiroz J., Camargo P.H.C., Haigh S.J., Allen C.S. Automated single-particle reconstruction of heterogeneous inorganic nanoparticles // Microscopy and Microanalysis. - 2020. - Vol. 26, No. 6. - P. 1168-1175.

- DOI: 10.1017/S1431927620024642.

19. Нестеренко Д.В. Формирование и обработка изображений электронной микроскопии // Компьютерная оптика. - 2011. - Т. 35, № 2. - С. 166-174.

20. Kimori Y. Morphological image processing for quantitative shape analysis of biomedical structures: effective contrast enhancement // Journal of Synchrotron Radiation. - 2013. - Vol. 20, No. 6. - P. 848-853. - DOI: 10.1107/S0909049513020761.

21. Shvedchenko D.O., Suvorova E.I. Combination of thresholding and fitting methods for measuring nanoparticle sizes and size distributions in (S)TEM // Microscopy Research and Technique. - 2017. - Vol. 80, No. 2. - P. 195-203.

- DOI: 10.1002/jemt.22908.

22. Nicholson W.V., Glaeser R.M. Review: automatic particle detection in electron microscopy // Journal of Structural Biology. - 2001. - Vol. 133, No. 2-3.

- P. 90-101. - DOI: 10.1006/jsbi.2001.4348.

23. Mirzaei M., Khodabakhshi Rafsanjani H. An automatic algorithm for determination of the nanoparticles from TEM images using circular Hough transform // Micron. - 2017. - Vol. 96. - P. 86-95. - DOI: 10.1016/j.micron.2017.02.008.

24. Kook S., Zhang R., Chan Q.N., Aizawa T., Kondo K., Pickett L.M., Cenker E., Bruneaux G., Andersson O., Pagels J., Nordin E.Z. Automated detection of primary particles from transmission electron microscope (TEM) images of soot aggregates in diesel engine environments // SAE International Journal of Engines. - 2015. - Vol. 9, No. 1. - P. 279-296. - DOI: 10.4271/2015-01-1991.

25. Lindeberg T. Detecting salient blob-like image structures and their scales with a scale-space primal sketch: a method for focus-of-attention // International Journal

of Computer Vision. - 1993. - Vol. 11, No. 3. - P. 283-318.

- DOI: 10.1007/BF01469346.

26. Marsh B.P., Chada N., Sanganna Gari R.R., Sigdel K.P., King G.M. The Hessian blob algorithm: precise particle detection in atomic force microscopy imagery // Scientific Reports. - 2018. - Vol. 8, Art. 978. - DOI: 10.1038/s41598-018-19379-x.

27. Ranzato M., Taylor P.E., House J.M., Flagan R.C., LeCun Y., Perona P. Automatic recognition of biological particles in microscopic images // Pattern Recognition Letters. - 2007. - Vol. 28, No. 1. - P. 31-39.

- DOI: 10.1016/j.patrec.2006.06.010.

28. Xing F., Xie Y., Su H., Liu F., Yang L. Deep learning in microscopy image analysis: a survey // IEEE Transactions on Neural Networks and Learning Systems.

- 2018. - Vol. 29, No. 10. - P. 4550-4568. - DOI: 10.1109/TNNLS.2017.2766168.

29. López Gutiérrez J.D., Abundez Barrera I.M., Torres Gómez N. Nanoparticle detection on SEM images using a neural network and semi-synthetic training data // Nanomaterials. - 2022. - Vol. 12, No. 11, Art. 1818. - DOI: 10.3390/nano12111818.

30. Li X., Yang Z., Tao X., Wang X., Mo X., Huang X. Particles image detection based on Mask R-CNN combined with edge segmentation // Journal of Applied Optics.

- 2023. - Vol. 44, No. 1. - P. 93-103. - DOI: 10.5768/JAO202344.0102005.

31. Okunev A.G., Mashukov M.Yu., Nartova A.V., Matveev A.V. Nanoparticle recognition on scanning probe microscopy images using computer vision and deep learning // Nanomaterials. - 2020. - Vol. 10, No. 7, Art. 1285.

- DOI: 10.3390/nano10071285.

32. Kharin A.Yu. Deep learning for scanning electron microscopy: synthetic data for the nanoparticles detection // Ultramicroscopy. - 2020. - Vol. 219, Art. 113125.

- DOI: 10.1016/j.ultramic.2020.113125.

33. Bals J., Epple M. Deep learning for automated size and shape analysis of nanoparticles in scanning electron microscopy // RSC Advances. - 2023. - Vol. 13.

- P. 2795-2802. - DOI: 10.1039/D2RA07812K.

34. Nguyen Duc Thuan N., Hoang Manh Cuong H., Nguyen Hoang Nam N., Nguyen Thi Lan Huong N.T.L., Hoang Si Hong H.S. Morphological analysis of Pd/C nanoparticles using SEM imaging and advanced deep learning // RSC Advances. - 2024.

- Vol. 14. - P. 35172-35183. - DOI: 10.1039/D4RA06113F.

35. Kuba H., Hotta K., Takahashi H. Automatic particle detection and counting by one-class SVM from microscope image // M. Köppen, N. Kasabov, G. Coghill (eds.), Advances in Neuro-Information Processing. ICONIP 2008, Lecture Notes in Computer Science, vol. 5507. - Springer, Berlin, Heidelberg, 2009. - P. 361-368.

- DOI: 10.1007/978-3-642-03040-6_44.

36. Nicholson W.V., Glaeser R.M. Review: automatic particle detection in electron microscopy // Journal of Structural Biology. - 2001. - Vol. 133, No. 2-3.

- P. 90-101. - DOI: 10.1006/jsbi.2001.4348.

37. Huang T.S., Yang G.J., Tang G.Y. A fast two-dimensional median filtering algorithm // IEEE Transactions on Acoustics, Speech, and Signal Processing. - 1979.

- Vol. 27, No. 1. - P. 13-18. - DOI: 10.1109/TASSP.1979.1163188.

38. Vincent L. Morphological grayscale reconstruction in image analysis: applications and efficient algorithms // IEEE Transactions on Image Processing. - 1993.

- Vol. 2, No. 2. - P. 176-201. - DOI: 10.1109/83.217222.

39. Soille P. Morphological image analysis: principles and applications.

- 2nd ed. - Berlin: Springer, 2003. - DOI: 10.1007/978-3-662-05088-0.

40. Björck A. Numerical methods for least squares problems. - Philadelphia: SIAM, 1996. - DOI: 10.1137/1.9781611971484.

41. Mather G. Foundations of perception. - Hove: Psychology Press, 2006.

42. Field D.J., Hayes A., Hess R.F. Contour integration by the human visual system: evidence for a local "association field" // Vision Research. - 1993. - Vol. 33, No. 2. - P. 173-193. - DOI: 10.1016/0042-6989(93)90156-Q.

43. Desolneux A., Moisan L., Morel J.-M. From gestalt theory to image analysis: a probabilistic approach. - New York: Springer, 2008.- DOI: 10.1007/978-0-387-74378-3.

44. Prim R.C. Shortest connection networks and some generalizations // Bell System Technical Journal. - 1957. - Vol. 36, No. 6. - P. 1389-1401.

45. Gorban A.N., Kégl B., Wunsch D.C., Zinovyev A.Y. Principal manifolds for data visualization and dimension reduction // Lecture Notes in Computational Science and Engineering. - 2007. - Vol. 58. - P. 1-340. - DOI: 10.1007/978-3-540-73750-6.

46. Hu M.K. Visual pattern recognition by moment invariants // IRE Transactions on Information Theory. - 1962. - Vol. 8, No. 2. - P. 179-187.

47. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man, and Cybernetics. - 1973.

- Vol. SMC-3, No. 6. - P. 610-621.

48. Russ J.C. The image processing handbook. 6th ed. - CRC Press, 2011.

49. Mortensen E.N., Barrett W.A. Interactive segmentation with intelligent scissors // Graphical Models and Image Processing. - 1998. - Vol. 60, No. 5.

- P. 349-384. - DOI: 10.1006/gmip.1998.0480.

50. Cheetham A.H., Hazel J.E. Binary (presence-absence) similarity coefficients // Journal of Paleontology. - 1969. - Vol. 43, No. 5. - P. 1130-1136.

51. Surkov E., Seredin O.S., Kopylov A.V. Locally optimal solutions in the shortest unclosed path search problem // Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology. - 2023. - P. 221-224.

- DOI: 10.1109/USBEREIT58508.2023.10158834.

52. Zahn C.T. Graph-theoretical methods for detecting and describing Gestalt clusters // IEEE Transactions on Computers. - 1971. - Vol. C-20, No. 1. - P. 68-86.

53. Nesetril J., Milkova E., Nesetrilova H. Otakar Boruvka on minimum spanning tree problem: translation of both the 1926 papers, comments, history // Discrete Mathematics. - 2001. - Vol. 233, No. 1-3. - P. 3-36.

- DOI: 10.1016/S0012-365X(00)00224-7.

54. Kruskal J.B. On the shortest spanning subtree of a graph and the traveling salesman problem // Proceedings of the American Mathematical Society. - 1956.

- Vol. 7, No. 1. - P. 48-50. - DOI: 10.1090/S0002-9939-1956-0078686-7.

55. Shannon C.E. A mathematical theory of communication // Bell System Technical Journal. - 1948. - Vol. 27, No. 3. - P. 379-423.

56. Cover T.M., Thomas J.A. Elements of information theory. - 2nd ed. - Wiley.

- 2006. - DOI: 10.1002/047174882X.

57. Pachitariu M., Rariden M., Stringer C. Cellpose-SAM: superhuman generalization for cellular segmentation // bioRxiv (Preprint). - 2025.

- DOI: 10.1101/2025.04.28.651001.

58. Arganda-Carreras I., Kaynig V., Rueden C., Eliceiri K.W., Schindelin J., Cardona A., Seung H.S. Trainable Weka Segmentation: a machine learning tool for microscopy pixel classification // Bioinformatics. - 2017. - Vol. 33, No. 15.

- P. 2424-2426. - DOI: 10.1093/bioinformatics/btx180.

59. Matveev A.V., Nartova A.V., Sankova N.N., Okunev A.G. DLgram cloud service for deep-learning analysis of microscopy images // Microscopy Research and Technique. - 2024. - Vol. 87, No. 5. - P. 991-998. - DOI: 10.1002/jemt.2448.

60. Schneider C., Rasband W., Eliceiri K. NIH Image to ImageJ: 25 years of image analysis // Nature Methods. - 2012. - Vol. 9. - P. 671-675.

- DOI: 10.1038/nmeth.2089.

61. Schindelin J., Arganda-Carreras I., Frise E. et al. Fiji: an open-source platform for biological-image analysis // Nature Methods. - 2012. - Vol. 9. - P. 676-682.

- DOI: 10.1038/nmeth.2019.

62. Foster I., Kesselman C. The Grid: Blueprint for a New Computing Infrastructure. - 2nd ed. - Morgan Kaufmann. - 2004.

63. Van Rossum G., Drake F.L. Python 3 Reference Manual. - Scotts Valley: CreateSpace, 2009.

64. Dalcin L.D., Paz R.R., Kler P.A., Cosimo A. The MPI for Python package // Computing in Science & Engineering. - 2011. - Vol. 13, No. 2. - P. 40-50.

- DOI: 10.1109/MCSE.2011.66.

65. Walt S., Schönberger J.L., Nunez-Iglesias J., Boulogne F., Warner J.D., Yager N., Gouillart E., Yu T. Scikit-image: image processing in Python // PeerJ. - 2014.

- Vol. 2. - P. e453. - DOI: 10.7717/peerj.453.

66. Booch G., Rumbaugh J., Jacobson I. The Unified Modeling Language User Guide. - 2nd ed. - Addison-Wesley. - 2005.

67. Cortes C., Vapnik V. Support-vector networks // Machine Learning. - 1995.

- Vol. 20, No. 3. - P. 273-297. - DOI: 10.1007/BF00994018.

68. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: machine learning in Python // Journal of Machine Learning Research. - 2011. - Vol. 12. - P. 2825-2830.

- DOI: 10.5555/1953048.2078195.

69. Kruchten N., Seier A., Parmer C. Plotly.PY: interactive, open-source, browser-based graphing library for Python // Software release. - 2024.

- DOI: 10.5281/zenodo.14503524.

70. Raghavendra S. Beginner's Guide to Streamlit with Python: build web-based data and machine learning applications. - Berkeley: Apress. - 2022.

- DOI: 10.1007/978-1-4842-8983-9.

71. Holicheva A.A., Kozlov K.S., Boiko D.A., Kamanin M.S., Provotorova D.V., Kolomoets N.I., Ananikov V.P. Deep generative modeling of annotated bacterial biofilm images // npj Biofilms Microbiomes. - 2025. - Vol. 11. - P. 16.

- DOI: 10.1038/s41522-025-00647-4.

72. Nápoles-Duarte J.M., Biswas A., Parker M.I., Palomares-Baez J.P., Chávez-Rojo M.A., Rodríguez-Valdez L.M. Stmol: a component for building interactive molecular visualizations within Streamlit web-applications // Frontiers in Molecular Biosciences. - 2022. - Vol. 9. - P. 990846. - DOI: 10.3389/fmolb.2022.990846.

73. Лаборатория когнитивных технологий и симуляционных систем Тульского государственного университета. Описание инфраструктуры. [Электронный ресурс]. - URL: https://tulsu.ru/polytech/sectors/222 (дата обращения: 12.01.2026).

74. Voevodin V.V., Antonov A.S., Nikitenko D.A., Shvets P.A., Sobolev S.I., Sidorov I.Yu., Stefanov K.S., Voevodin V.V., Zhumatiy S.A. Supercomputer Lomonosov-2: large scale, deep monitoring and fine analytics for the user community // Supercomputing Frontiers and Innovations. - 2019. - Vol. 6, No. 2.

- P. 4-11. - DOI: 10.14529/jsfi190201.

75. Boiko D.A., Pentsak E.O., Cherepanova V.A., Ananikov V.P. Electron microscopy dataset for the recognition of nanoscale ordering effects and location of nanoparticles // Scientific Data. - 2020. - Vol. 7, No. 1. - P. 101. - DOI: 10.1038/s41597-020-0439-1.

76. Boiko D.A., Pentsak E.O., Cherepanova V.A., Ananikov V.P. Dataset 1 (ordered): Electron microscopy dataset for the recognition of nanoscale ordering effects and location of nanoparticles [Электронный ресурс]. - 2020. - DOI: 10.6084/m9.figshare.11783661. - URL: https://doi.org/10.6084/m9.figshare.11783661 (дата обращения: 12.01.2026).

77. Boiko D.A., Pentsak E.O., Cherepanova V.A., Ananikov V.P. Dataset 2 (disordered): Electron microscopy dataset for the recognition of nanoscale ordering effects and location of nanoparticles [Электронный ресурс]. - 2020. - DOI: 10.6084/m9.figshare. 11783667. - URL: https://doi.org/10.6084/m9.figshare. 11783667 (дата обращения: 12.01.2026).

78. MedCalc Software. Digimizer Image Analysis Software [Электронный ресурс]. - URL: https : //www.digimizer.com (дата обращения: 12.01.2026).

79. CVAT Team. Computer Vision Annotation Tool (CVAT) [Электронный ресурс]. - URL: https://cvat.ai (дата обращения: 12.01.2026).

80. Jaccard P. Étude comparative de la distribution florale dans une portion des Alpes et des Jura // Bulletin de la Société Vaudoise des Sciences Naturelles. - 1901.

- Vol. 37. - P. 547-579.

81. Cheetham A.H., Hazel J.E. Binary (presence-absence) similarity coefficients // Journal of Paleontology. - 1969. - Vol. 43, No. 5. - P. 1130-1136.

82. Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. - 2014. - P. 580-587.

83. Ren S., He K., Girshick R., Sun J. Faster R-CNN: towards real-time object detection with region proposal networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2017. - Vol. 39, No. 6. - P. 1137-1149.

- DOI: 10.1109/TPAMI.2016.2577031.

84. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. - 2016. - P. 779-788. - DOI: 10.1109/CVPR.2016.91.

85. Gonzalez R.C., Woods R.E. Digital image processing. - 4th ed. - Pearson. - 2018.

86. Lindeberg T. Scale-Space Theory in Computer Vision. - Boston, MA, USA: Springer. - 1994.

87. Marr D., Hildreth E. Theory of edge detection // Proceedings of the Royal Society of London. Series B: Biological Sciences. - 1980. - Vol. 207, No. 1167.

- P. 187-217. - DOI: 10.1098/rspb.1980.0020.

88. Feature detection with automatic scale selection // International Journal of Computer Vision. - 1998. - Vol. 30, No. 2. - P. 79-116.

- DOI: 10.1023/A: 1008045108935.

89. Kashin A.S., Boiko D.A., Ananikov V.P. Neural network analysis of electron microscopy video data reveals the temperature-driven microphase dynamics in the ions/water system // Small. - 2021. - Vol. 17, No. 24, Art. 2007726.

- DOI: 10.1002/smll.202007726.

90. Everingham M., Van Gool L., Williams C.K.I., Winn J., Zisserman A. The PASCAL Visual Object Classes (VOC) challenge // International Journal of Computer Vision. - 2010. - Vol. 88, No. 2. - P. 303-338. - DOI: 10.1007/s11263-009-0275-4.

91. Лунц А.Л., Браиловский В.Л. Об оценке признаков, полученных в статистических решающих правилах // Известия Академии Наук СССР. Серия Техническая Кибернетика. - 1967. - № 3. - С. 90-110.

92. Amdahl G.M. Validity of the single processor approach to achieving large scale computing capabilities // Proceedings of the AFIPS Conference. - 1967. - Vol. 30.

- P. 483-485.

93. Hennessy J.L., Patterson D.A. Computer Architecture: A Quantitative Approach. - 6th ed. - Morgan Kaufmann. - 2017.

94. Powers D.M.W. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness & correlation // Journal of Machine Learning Technologies.

- 2011. - Vol. 2, No. 1. - P. 37-63. - DOI: 10.9735/2229-3981.

95. Japkowicz N., Shah M. Evaluating learning algorithms: a classification perspective. - Cambridge University Press. - 2011.

96. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. - 2nd ed. - Springer. - 2009.

97. Sokolova M., Lapalme G. A systematic analysis of performance measures for classification tasks // Information Processing & Management. - 2009. - Vol. 45, No. 4. - P. 427-437. - DOI: 10.1016/j.ipm.2009.03.002.

98. Seredin O.S., Kopylov A.V. Harmonic averaging in classifier quality assessment // Pattern Recognition and Image Analysis. - 2024. - Vol. 34, No. 4.

- P. 1160-1171. - DOI: 10.1134/S1054661824701220.

99. Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters.

- 2006. - Vol. 27, No. 8. - P. 861-874. - DOI: 10.1016/j.patrec.2005.10.010.

100. Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection // Proceedings of the 14th International Joint Conference on Artificial Intelligence (IJCAI'95). - Morgan Kaufmann Publishers Inc., 1995. - P. 1137-1145.

101. Esfahani M.Sh., Dougherty E.R. Effect of separate sampling on classification accuracy // Bioinformatics. - 2014. - Vol. 30, No. 2. - P. 242-250.

- DOI: 10.1093/bioinformatics/btt662.

Приложение А. Список публикаций соискателя по теме диссертации

В изданиях, индексируемых в международных наукометрических базах

Web of Science и Scopus

1. Boiko D.A., Sulimova V.V., Kurbakov M.Yu. [et al.] Automated Recognition of Nanoparticles in Electron Microscopy Images of Nanoscale Palladium Catalysts // Nanomaterials. - 2022. - Vol. 12, No. 21. - P. 3914.

- DOI 10.3390/nano12213914 (Q1),

2. Kurbakov M.Yu., Sulimova V.V. High-performance two-level parallel computing scheme for nanoparticles detection in SEM images // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.

- 2023. - Vol. XLVIII-2/W3-2023. - P. 145-150. - DOI 10.5194/isprs-archives-xlviii-2-w3-2023-145-2023,

3. Kurbakov M.Yu., Sulimova V.V., Kopylov A.V. Determining the orderliness of carbon materials with nanoparticle imaging and explainable machine learning // Nanoscale. - 2024. - Vol. 16, No. 28. - P. 13663-13676.

- DOI 10.1039/d4nr00952e (Q1),

4. Kurbakov M.Yu., Sulimova V.V., Seredin O.S. Interpretable graph methods for determining nanoparticles ordering in electron microscopy images // Computer Optics. - 2025. - Vol. 49, No. 3. - P. 470-479. - DOI: 10.18287/2412-6179-CO-1568.

В изданиях, включенных в перечень ВАК РФ по специальности

диссертации

1. Сулимова В.В., Курбаков М.Ю., Середин О.С., Копылов А.В. Повышение производительности метода экспоненциальной аппроксимации для обнаружения наночастиц на изображениях с электронного микроскопа // Известия Тульского государственного университета. Технические науки. - 2022. - № 10.

- С. 305-311. - DOI 10.24412/2071-6168-2022-10-305-311,

2. Курбаков М.Ю. Повышение производительности вычисления признаков структурированности наночастиц на СЭМ-изображениях // Известия Тульского государственного университета. Технические науки. - 2025. - № 4.

- С. 257-268. - DOI 10.24412/2071-6168-2025-4-257-258.

131

В прочих изданиях

1. Курбаков М.Ю. Детектирование наночастиц на изображениях цифровой микроскопии // XVII Региональная магистерская научная конференция: Сборник докладов в 2-х частях. - Тула: ТулГУ. - 2022. - С. 232-233,

2. Курбаков М.Ю., Сулимова В.В., Середин О.С., Копылов А.В. Формирование системы осмысленных признаков и ее применение для определения упорядоченности расположения наночастиц на снимках с электронного микроскопа // Математические методы распознавания образов: Тезисы докладов 21-й Всероссийской конференции с международным участием - Москва: Российская академия наук. - 2023. - С. 210-211,

3. Курбаков М.Ю. Повышение производительности обработки изображений со сканирующего электронного микроскопа // Промышленная революция 4.0: взгляд молодежи: Тезисы докладов Юбилейной 5-ой межрегиональной научной сессии молодых исследователей. - Тула: ТулГУ. - 2023.

- С. 134-135,

4. Курбаков М.Ю. Повышение производительности вычисления признаков структурированности СЭМ-изображений // Промышленная революция 4.0: взгляд молодежи: Тезисы докладов 6-й Межрегиональной научной сессии молодых исследователей. - Тула: ТулГУ. - 2024. - С. 123-124,

5. Павлова В.С., Курбаков М.Ю. Повышение производительности вычисления расстояний между наночастицами для расчёта признаков структурированности их расположения на СЭМ-изображении // Сборник материалов международных молодежных научных чтений им. профессора Н.Н. Протопопова. - Новосибирск: СибУПК. - 2025. - С. 278-280,

6. Курбаков М.Ю., Сулимова В.В., Середин О.С., Копылов А.В. Новый метод детектирования наночастиц палладия на поверхности углеродных материалов на основе анализа СЭМ-изображений // Математические методы распознавания образов: Тезисы докладов 22-й всероссийской конференции с международным участием. - Москва: Российская академия наук. - 2025.

- С. 158-161.

Приложение Б. Полученные свидетельства о государственной регистрации

программ для ЭВМ

Приложение В. Заключения тестирования и акт внедрения результатов

диссертационной работы

МИНИСТЕРСТВО НА> КИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ УЧРЕЖДЕНИЕ НАУКИ ИНСТИТУТ ОРГАНИЧЕСКОЙ ХИМИИ ИМ. Н.Д. ЗЕЛИНСКОГО РОССИЙСКОЙ АКАДЕМИИ НАУК (ИОХ РАН)

Ленинский пр., д. 47. Москва, 119991, Тел. [phone], E-mail: [e-mail]. http://zioc.ru ОКНО 02699435.0ГРН 1027700304323 ИНН КПП 7736029435/773601001

Настоящее заключение подтверждает, что программные средства, разработанные Курбаковым Михаилом Юрьевичем в рамках диссертационной работы «Методы и алгоритмы обнаружения дефектов поверхности углеродных материатов на основе изображений со сканирующего электронного микроскопа», имеющие следующие свидетельства о регистрации программ для ЭВМ:

(1) «Про1рамма обнаружения наночастиц на изображениях с электронного микроскопа на основе метода экспоненциальной аппроксимации» (Свидетельство о государственной регистрации программы для ЭВМ №2023688122 от 20.12.2023);

(2) «Программа определения структурированности наночастиц па СЭМ-изображениях» (Свидетельство о государственной регистрации программы для ЭВМ №2024688468 от 27.11.2024);

(3) «Программа автоматического вычисления физических характеристик наночастиц на основе СЭМ-изображений» (Свидетельство о государственной регистрации программы для ЭВМ №2025696923 от 22.12.2025),

нашли применение в рамках научных исследований лаборатории Мсталлокомплсксных и наноразмерных катализаторов № 30 ИОХ РАН. в частности, при выполнении диссертационных работ аспирантов и проектов Российского научного фонда, для детектирования наночастиц на СЭМ-изображениях. определения структурированности расположения детектированных наночастиц и анализа их физических характеристик.

В ходе тестирования программных средств было выяатено, что они обладают всеми заявленными характеристиками и позволяют повысить эффективность обработки данных сканирующей электронной микроскопии и стандартизировать процесс анашза СЭМ-нзображений.

ЗАКЛЮЧЕНИЕ по результатам тестирования пршраммных средств

«16» февраля 2026 г.

Директор Hjfcrmyra органической химии РАН. академики'АН, д.х.н., проф

А.О. Терентьев

ЦКБА

Акционерное Общество

ЦЕНТРАЛЬНОЕ КОНСТРУКТОРСКОЕ БЮРО АППАРАТОСТРОЕНИЯ

России. 300034, г. Тула. ул. Демонстрации. 36 © «-7 [phone] © «7 [phone]. 34-97-12 ® cdboe3cdboe.ru

ТВЕРЖДАЮ ный инженер р технических наук

С.С. Логвинов Ц^я 2026 г.

Заключение

по результатам тестирования программных средств.

Настоящее заключение подтверждает, что программные средства, разработанные Курбаковым Михаилом Юрьевичем в рамках диссертационного исследования на тему «Методы и алгоритмы обнаружения дефектов поверхности углеродных материалов на основе изображений со сканирующего электронного микроскопа», имеющие следующие свидетельства о регистрации программ для ЭВМ:

1. «Программа обнаружения наночастиц на изображениях с электронного микроскопа на основе метода экспоненциальной аппроксимации» (Свидетельство о государственной регистрации программы для ЭВМ №2023688122 от 20.12.2023);

2. «Программа определения структурированности наночастиц СЭМ-изображениях» (Свидетельство о государственной программы для ЭВМ №2024688468 от 27.11.2024);

3. «Программа автоматического вычисления физических характеристик наночастиц на основе СЭМ-изображений» (Свидетельство о государственной регистрации программы для ЭВМ №20256969'>3 г»т 22.12.2025), "

обладают всеми заявленными характеристиками и позволяют повысить эффективность и стандартизировать процесс анализа изображений со сканирующего электронного микроскопа и рекомендованы к применению в технологической подготовке производства.

на

регистрации

Заместитель главного технолога-Кандидат технических наук

В.Г. Шадский

МИНОБРНАУКИ РОССИИ Федеральное государственное бюджетное образовательное учреждение высшего образования «Тульский государственный университет»

Утверждаю |ректоА по учебной работе / ФГШУ ВО ТулГУ —у д.т.н., доцент —- Г в.В. Котов «02 » 2026 г.

АКТ

о внедрении результатов научно-исследовательской работы

в учебный процесс

Настоящий акт подтверждает, что научные положения и результаты диссертационного исследования Курбакова Михаила Юрьевича, выполненного по теме «Методы и алгоритмы обнаружения дефектов поверхности углеродных материалов на основе изображений со сканирующего электронного микроскопа» успешно внедрены в учебный процесс и используются во время чтения лекций, а также в ходе проведения лабораторных и практический занятий по дисциплинам «Компьютерная графика», «Цифровая обработка сигналов и изображений», «Высокопроизводительные вычислительные системы» для студентов, обучающихся на кафедре «Информационная безопасность» ТулГУ по специальности 09.03.02 «Информационные системы и технологии».

Директор института прикладной математики и компьютерных наук д.т.н., доцент

А.А. Сычугов

Доцент кафедры ИБ, к.т.н.

Доцент кафедры ИБ, к.ф.-м.н.

В.В. Сулимова