我院魏薇博士在国际学术期刊《Sensors》上发表了题为“Deep Learning and Histogram-Based Grain Size Analysis of Images”的SCI论文，提出了一种创新的基于深度学习和直方图分析的图像粒度识别方法。该研究不仅在理论上具有创新性，而且在实际应用中展现了显著的效率与准确性，为沉积模拟实验中的粒度分析提供了新的技术路径。

该博士团队针对传统图像粒度分析方法在处理边缘模糊及粒径排列不规则时的局限性，提出了一种结合深度学习与直方图分析的改进方法，以提高对不规则粒径分布图像的粒度分析效率和准确性。研究中，首先使用ResNet18网络从沉积模拟实验图像中提取特征，然后将这些特征输入直方图层以获得局部直方图特征，最终通过全连接层估算对应的累积体积百分比的粒径。实验结果表明，所提出的方法在实际应用中与激光粒度仪测量结果高度一致，且比其他八种模型具有更高的准确性。该研究不仅提高了沉积模拟实验中粒度分析的量化和自动化水平，而且对于土壤和岩土工程等领域的粒度分析提供了潜在的应用价值。

论文链接：https://www.mdpi.com/1424-8220/24/15/4923

图1 论文提出的模型估算值与激光粒度仪测量值的结果比较

图2 不同模型对四个典型样本的累积曲线结果比较

（样本(a-d)的平均粒径分别为253µm,、334µm,、408µm,和511µm）

图3 文章首页