Domain transfer learning for recognizing elemental carbon morphologies from scanning electron microscopy images

Abstract

Concerns over rising levels of greenhouse gases, such as carbon dioxide (CO2), and their effects on climate change have been a major driving force in research. Thus, sustainable methodologies for reducing the CO2 content in the atmosphere are sought after. The elemental carbon can be extracted from the captured CO2 and re-purposed as material for various end-products. Elemental carbon exists in several morphologies with differing material properties, and recognizing them manually is laborious. This study aims to introduce computer vision methods to automate the task of carbon morphology recognition. A quantitative study of an unsupervised Deep Embedded Clustering and two supervised domain transfer methods for a pre-trained Vision Transformer architecture was conducted. The experiments are performed using a manually labeled dataset. A second dataset was formed by dividing the original image dataset into smaller patches, leveraging prior information on multilabel scenarios. The results for the unsupervised method highlight the dataset’s imbalanced nature. The supervised domain transfer methods show promising results, with the models achieving high performance during testing.

Huoli kasvihuonekaasujen, kuten hiilidioksidin (CO2), lisääntyvistä pitoisuuksista ja vaikutuksista ilmastonmuutokseen on ollut merkittävä tutkimusta ohjaava tekijä. Kestäviä menetelmiä etsitään ilmakehän CO2-pitoisuuden vähentämiseksi ja taltioimiseksi. Talteenotetusta hiilidioksidista voidaan erottaa alkuainehiili, jota voidaan hyödyntää erilaisten tuotteiden valmistuksessa. Alkuainehiili esiintyy useissa morfologioissa, joilla on erilaisia materiaaliominaisuuksia, ja niiden tunnistaminen manuaalisesti on työlästä. Tämän tutkimuksen tavoitteena on esitellä konenäkömenetelmiä tunnistamisen automatisoimiseksi. Tutkimuksessa toteutettiin kvantitatiivinen analyysi ohjaamattomasta Deep Embedded Clustering -menetelmästä sekä kahdesta ohjatusta siirto-oppimismenetelmästä esikoulutetulle Vision Transformer -arkkitehtuurille. Kokeet suoritettiin käsin kategoroidulla aineistolla, jonka pohjalta on luotu ikkunoitu aineisto moniluokkaisten näytteiden esiintymisen vuoksi. Ohjaamattoman menetelmän tulokset korostavat käytetyn aineiston epätasapainoisuutta. Ohjatut menetelmät tuottavat lupaavia tuloksia käytetyillä aineistoilla, ja mallien suorituskyky on korkea testattaessa.