دوره 14، شماره 2 - ( 6-1396 )                   جلد 14 شماره 2 صفحات 115-130 | برگشت به فهرست نسخه ها


XML English Abstract Print


دانشیار دانشگاه بین المللی امام خمینی (ره)
چکیده:   (936 مشاهده)

میزان پراکندگی نانوذرات در نانوساختارها، از مهم‌ترین شاخص‌هایی است که جهت تأیید کارآیی روش‌های پیشنهادی در زمینه سنتز نانومواد به‌کار میرود. تصاویر میکروسکوپی الکترونی روبشی نانوذرات دارای اطلاعات ساختاری، شیمیایی و مورفولوژیکی با وضوح بالا در مقیاس نانومتری نانومواد هستند. در این مقاله، یک الگوریتم جدید جهت طبقهبندی نانوساختارها با استفاده از این تصاویر ارائه شده ‎است؛ بدین منظور، ابتدا تصاویر میکروسکوپی الکترونی روبشی نانوذرات به سری زمانی تبدیل و مشخصات آنها از طریق روش‌های تحلیل سری زمانی مورد بررسی قرار گرفتند؛ سپس ویژگی‌های آماری این سری‌ها استخراج و به‌عنوان ورودیهای یک سامانه استنتاج فازی برای طبقهبندی تصاویر میکروسکوپی نانوساختارها در سه گروه خوب، متوسط و بد در نظر گرفته شدند. این الگوریتم برروی 65 تصویر میکروسکوپی نانوذرات با ابعاد یکسان (250×250 پیکسل) اعمال شده و دقتی بالاتر از 93 درصد را به دنبال داشته است که بسیار مناسب است.
 

متن کامل [PDF 5427 kb]   (379 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۴/۶/۳ | پذیرش: ۱۳۹۵/۱۲/۱۵ | انتشار: ۱۳۹۶/۷/۲۹ | انتشار الکترونیک: ۱۳۹۶/۷/۲۹

فهرست منابع
1. [1] J. Ramsden, Applied nanotechnology: the conversion of research results to products: William Andrew, 2013.
2. [2] G. M. Whitesides, "Nanoscience, nanotechnolo-gy, and chemistry," Small, vol. 1, no. 2, pp. 172-179, 2005. [DOI:10.1002/smll.200400130] [PMID]
3. [3] J. J. Ramsden, and J. Freeman, "The nanoscale," Collegium, vol. 3, 2008.
4. [4] K. Chatterjee, S. Sarkar, K. J. Rao, and S. Paria, "Core/shell nanoparticles in biomedical applica-tions," Advances in colloid and interface scienc-e, vol. 209, pp. 8-39, 2014. [DOI:10.1016/j.cis.2013.12.008] [PMID]
5. [5] A. K. Hussein, "Applications of nanotechnology in renewable energies—A comprehensive overview and understanding," Renewable and Sustainable Energy Reviews, vol. 42, pp. 460-476, 2015. [DOI:10.1016/j.rser.2014.10.027]
6. [6] R. Misra, S. Acharya, and S. K. Sahoo, "Cancer nanotechnology: application of nanotechnology in cancer therapy," Drug Discovery Today, vol. 15, no. 19, pp. 842-850, 2010. [DOI:10.1016/j.drudis.2010.08.006] [PMID]
7. [7] R. Toy, L. Bauer, C. Hoimes, K. B. Ghaghada, and E. Karathanasis, "Targeted nanotechnology for cancer imaging," Advanced drug delivery reviews, vol. 76, pp. 79-97, 2014. [DOI:10.1016/j.addr.2014.08.002] [PMID] [PMCID]
8. [8] H. Han, Z. Huang, and W. Lee, "Metal-assisted chemical etching of silicon and nanotechnology applications," Nano Today, vol. 9, no. 3, pp. 271-304, 2014. [DOI:10.1016/j.nantod.2014.04.013]
9. [9] Y. Sun, and Y. Xia, "Shape-controlled synthesis of gold and silver nanoparticles," Science, vol. 298, no. 5601, pp. 2176-2179, 2002. [DOI:10.1126/science.1077229] [PMID]
10. [10] H. Chen, S. Witharana, Y. Jin, C. Kim, and Y. Ding, "Predicting thermal conductivity of liquid suspensions of nanoparticles (nanofluids) based on rheology," Particuology, vol. 7, no. 2, pp. 151-157, 2009. [DOI:10.1016/j.partic.2009.01.005]
11. [11] V. Pokropivny, and V. Skorokhod, "Classifica-tion of nanostructures by dimension-ality and concept of surface forms engineering in nanomaterial science," Materials Science and Engineering: C, vol. 27, no. 5, pp. 990-993, 2007. [DOI:10.1016/j.msec.2006.09.023]
12. [12] V. Pokropivny, and V. Skorokhod, "New dimensionality classifications of nanostructur-es," Physica E: Low-dimensional Systems and nanostructures, vol. 40, no. 7, pp. 2521-2525, 2008. [DOI:10.1016/j.physe.2007.11.023]
13. [13] E. Kustov, and V. Nefedov, "Nanostructures: Compositions, structure, and classification," Russian Journal of Inorganic Chemistry, vol. 53, no. 14, pp. 2103-2170, 2008. [DOI:10.1134/S0036023608140027]
14. [14] A. A. Al-Mousa, A new systematic and quantitative approach to characterization of surface nanostructures using fuzzy logic: Santa Clara University, 2010. [PMCID]
15. [15] T.-c. Fu, "A review on time series data mining," Engineering Applications of Artificial Intellige-nce, vol. 24, no. 1, pp. 164-181, 2011. [DOI:10.1016/j.engappai.2010.09.007]
16. [16] O. J. Pereira, L. de Almeida Pacheco, S. S. Barreto, and T. Cavalcante, "Pattern Recogni-tion using Multivariate Time Series for Fault Detection in a Thermoeletric Unit." p. 315.
17. [17] N. Ding, Y. Bésanger, and F. Wurtz, "Next-day MV/LV substation load forecaster using time series method," Electric Power Systems Resea-rch, vol. 119, pp. 345-354, 2015. [DOI:10.1016/j.epsr.2014.10.003]
18. [18] J. A. Brady, "Considering Complexity: Image Matching With Time Series," University of California, Riverside, 2007.
19. [19] A. Elsayed, M. H. A. Hijazi, F. Coenen, M. Garcıa-Finana, V. Sluming, and Y. Zheng, "Image Categorisation Using Time Series Case Based Reasoning." pp. 423-436.
20. [20] M. D. Gupta, and S. Banerjee, "Similarity Based Retrieval in Case Based Reasoning for Analysis of Medical Images," World Academy of Science, Engineering and Technology, International Journal of Computer, Electrical, Automation, Control and Information Engineering, vol. 8, no. 3, pp. 539-545, 2015.
21. [21] T. Guyet, and H. Nicolas, "Long term analysis of time series of satellite images," Pattern Recognition Letters, vol. 70, pp. 17-23, 2016. [DOI:10.1016/j.patrec.2015.11.005]
22. [22] L. A. Zadeh, "Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic," Fuzzy sets and systems, vol. 90, no. 2, pp. 111-127, 1997. [DOI:10.1016/S0165-0114(97)00077-8]