АВТОМАТИЗОВАНЕ ВИЗНАЧЕННЯ МОРФОМЕТРИЧНИХ ПОКАЗНИКІВ ЛУБОВОЛОКНИСТОЇ СИРОВИНИ ЗА МІКРОЗОБРАЖЕННЯМИ ЗРІЗІВ
Анотація
Лубоволокниста сировина застосовується в текстильній, харчовій, будівельній та автомобільній галузях, що підвищує вимоги до об'єктивного контролю її якості. Чинні методи оцінки ґрунтуються на окремих фізичних процедурах для кожного показника і не дають єдиної просторової картини розподілу волоконних пучків у перерізі. Метою статті є удосконалення методу оцінки якості лубоволокнистої сировини шляхом розробки методу сегментації екземплярів мікрозображень поперечного перерізу, що забезпечує об'єктивне обчислення морфометричних показників волокна для визначення його функціональної придатності. Сформовано власний набір даних із 83 мікроскопічних зрізів з експертно розміченими 1984 екземплярами волоконних пучків. Розроблено та навчено модель сегментації екземплярів на основі архітектури YOLO11s-seg з одноклясовою конфігурацією детектора та вхідною роздільною здатністю 768 пікселів. Застосовано доменно-орієнтовані аугментації зображень і морфометричний постпроцесинг для обчислення площі та геометричного центру кожного виявленого пучка. На основі геометричних характеристик, отриманих сегментацією, запропоновано три морфометричні показники: умовний діаметр волокна, структурну частку волокна та ступінь розволокнення. Встановлено, що розроблена модель забезпечує на валідаційній вибірці показник mask mAP@0,5 на рівні 0,900 за збалансованих точності (0,842) і повноти (0,833). Час аналізу одного мікрозображення становить приблизно 33 мс, що не залежить від кількості пучків на зрізі. Визначено, що запропонований метод обчислює діаметр волокна, структурну частку волокна та ступінь розволокнення з одного мікрозображення, тоді як чинні стандартизовані методи вимагають окремих фізичних процедур для кожного показника. Показано, що автоматизована сегментація екземплярів усуває потребу в ручному підрахунку волоконних пучків і забезпечує точність та відтворюваність вимірювання, недосяжну для ручного аналізу через окуляр-мікрометр. Отримані результати дозволяють зробити висновок про доцільність застосування розробленого методу для об'єктивного визначення функціональної придатності лубоволокнистої сировини до використання у харчовій та текстильній промисловості, зокрема для виробництва фільтрувальних матеріалів.
Посилання
2. Головенко Т.М., Тіхосова Г.А., Бартків Л.Г. Розроблення системи класифікації стебел льону олійного з метою їх промислового застосування. Стандартизація, сертифікація, якість. 2017. №3(106). С. 91–99.
3. Головенко Т.М., Янюк Т.І., Бойко Г.А., Дягілев А.С., Шовкомуд О.В. Перспективні методи й системи контролю якості інноваційної луб'яної сировини. Наука та інновації. 2019. Т. 15, № 3. С. 94–109.
4. ASTM D6961/D6961M-09. Standard Test Method for Color Measurement of Flax Fiber. West Conshohocken, PA: ASTM International, 2009. 4 p.
5. ASTM D7025-09. Standard Test Method for Assessing Clean Flax Fiber Fineness. West Conshohocken, PA: ASTM International, 2009. 6 p.
6. ASTM D7076-10. Standard Test Method for Measurement of Shives in Retted Flax. West Conshohocken, PA: ASTM International, 2010. 4 p.
7. ASTM D7879-13(2018). Standard Test Method for Determining Flax Fiber Widths Using Image Analysis. West Conshohocken, PA: ASTM International, 2018. DOI: 10.1520/D7879-13R18.
8. Lorbach C., Hirn U., Kritzinger J., Bauer W. Automated 3D measurement of fiber cross section morphology in handsheets. Nordic Pulp and Paper Research Journal. 2012. Vol. 27, No. 2. P. 264–269. DOI: 10.3183/NPPRJ-2012-27-02-p264-269.
9. Goudenhooft C., Bourmaud A., Baley C. Flax (Linum usitatissimum L.) Fibers for Composite Reinforcement: Exploring the Link Between Plant Growth, Cell Walls Development, and Fiber Properties. Frontiers in Plant Science. 2019. Vol. 10. Art. 411. DOI: 10.3389/fpls.2019.00411.
10. Chavoshi A., Kaufmann J., Cebulla H. Fiber Volume Content Characterization of Flax Fiber Reinforced Plastics Using Deep Learning. SAMPE Europe Conference 2024, Belfast, Northern Ireland.
11. Chavoshi A., Cebulla H., Kaufmann J. Natural Fiber Reinforced Plastics Characterization Through Neural Networks, Tackle the Small Training Dataset. SAMPE Europe Conference 2025, Amsterdam.
12. Kalinsky E., Levchenko D. Computer vision-based quality assessment of natural fiber raw materials for food and textile industry applications. Синергія науки і бізнесу 2026 : матеріали ІІІ Міжнар. наук.-практ. конф., ХНТУ, 22–24 квіт. 2026 р. : у 3 т. / за ред. О. В. Чепелюк. Львів ; Торунь : Liha-Pres, 2026. Т. 3. С. 117–119. URL: https://eir.kntu.net.ua/jspui/handle/123456789/2620.
13. Льон тіпаний. Технічні умови : ДСТУ 4015–2001. [Чинний від 2001-01-01]. Київ : Держстандарт України, 2001. 12 с.
14. Чурсіна Л.А., Калінський Є.О. Порівняльний аналіз системи оцінки якості лляної сировини в США і Україні. Проблеми розвитку та впровадження систем управління : зб. наук. пр. за матеріалами І Всеукр. наук.-практ. та студент. конф., м. Донецьк, 24–26 черв. 2011 р. Донецьк : ДВНЗ «Донецький національний технічний університет», 2011. С. 63–68.
15. Калінський Є., Воронко О. Стандартизація лляної сировини: порівняльний аналіз досвіду США та України. Вісник Хмельницького національного університету. Технічні науки. 2024. Т. 335, № 3(1). С. 88–93. DOI: 10.31891/2307-5732-2024-335-3-12.
16. Beaugrand J., Guessasma S., Maigret J.-E. Damage mechanisms in defected natural fibers. Scientific Reports. 2017. Vol. 7. Art. 14041. DOI: 10.1038/s41598-017-14514-6.
17. Payen J., Vroman P., Lewandowski M., Perwuelz A., Callé-Chazelet S., Thomas D. Influence of fiber diameter, fiber combinations and solid volume fraction on air filtration properties in nonwovens. Journal of Industrial Textiles. 2012. DOI: 10.1177/0040517512449066.

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
