µ-CT Dataset

该数据集包含用于训练、验证和测试的µ-CT图像，每个子文件夹包含100张复合材料样本的图像和一个CSV文件，文件中包含与形态相关的计算特征值。子文件夹名称提供了复合材料的名称及其机械属性信息，如极限抗拉强度、杨氏模量和断裂伸长率。

This dataset contains µ-CT images for training, validation and testing. Each subfolder holds 100 images of composite material samples and a CSV file containing computationally derived morphological feature values. Subfolder names provide the name of the composite material and its mechanical property information, such as ultimate tensile strength, Young's modulus and elongation at break.

原始信息汇总

数据集概述

数据集描述

• 数据类型: µ-CT图像
• 数据来源: Google Drive
• 数据链接: Images Folder - µ-CT Dataset

数据结构

• 子文件夹: 每个子文件夹包含：

  • 100张复合材料样本的图像
  • 一个CSV文件，包含每张图像对应的特征，包括与形态学相关的计算值

• 子文件夹命名规则: 每个子文件夹名称提供复合材料及其机械性能的信息，示例格式如下：

  • 示例: IPP_5%_4_0.44_1.403_0.245
  • 复合材料名称: IPP_5%_4
  • 机械性能:
    • 0.44: 极限抗拉强度（UTS），单位MPa
    • 1.403: 杨氏模量，单位GPa
    • 0.245: 断裂伸长率（%）

数据用途

• 训练、验证和测试: 使用交叉折叠方法进行模型训练、验证和测试，以最大化模型的鲁棒性。

搜集汇总

数据集介绍

构建方式

在构建µ-CT数据集时，研究者采用了高分辨率的µ-CT成像技术，对复合材料样本进行了详细的图像采集。每个样本的图像数量固定为100张，并附带一个CSV文件，其中包含了与图像对应的形态学特征值。数据集的组织结构清晰，每个子文件夹以其复合材料的名称和机械性能参数命名，便于后续的数据处理和模型训练。此外，数据集采用了交叉验证的方法，确保了模型的鲁棒性和泛化能力。

特点

µ-CT数据集的显著特点在于其高分辨率的图像质量和详尽的特征描述。每张图像不仅捕捉了复合材料的微观结构，还通过CSV文件提供了与之相关的机械性能参数，如极限抗拉强度、杨氏模量和断裂伸长率。这种图像与特征数据的结合，使得该数据集在复合材料强度预测的计算机视觉研究中具有极高的应用价值。此外，数据集的命名规范和结构设计，也极大地方便了研究者的数据管理和分析。

使用方法

使用µ-CT数据集进行研究时，首先需从Google Drive下载数据集，并按照其文件夹结构进行组织。随后，研究者可以通过提供的Jupyter Notebook和Python脚本，进行数据预处理、模型训练和性能评估。例如，`Composite_ML_classic_model.ipynb`和`Composite_ML_CNN.ipynb`分别展示了如何使用经典机器学习模型和卷积神经网络（CNN）进行复合材料强度的预测。此外，`bayesopt_v5.py`脚本提供了贝叶斯优化方法，用于微调ResNet18模型的参数，以提升预测性能。

背景与挑战

背景概述

µ-CT数据集是由一组研究人员创建的，旨在通过计算机视觉技术预测复合材料的强度。该数据集的创建时间可追溯至相关研究论文的发表时期，主要研究人员或机构未明确提及，但其核心研究问题在于利用有限实验数据集进行复合材料强度的预测。这一研究对复合材料科学领域具有重要影响，因为它提供了一种新的方法来评估材料的机械性能，从而可能推动材料设计和制造的进步。

当前挑战

µ-CT数据集在构建和应用过程中面临多项挑战。首先，数据集的规模较小，这限制了模型的泛化能力和预测精度。其次，数据集中的图像存储在Google Drive中，受限于大小，这可能影响数据的可访问性和处理效率。此外，数据集的特征提取和模型训练过程中，如何有效地从µ-CT图像中提取相关特征，以及如何优化模型参数以提高预测性能，都是当前研究中需要解决的关键问题。

常用场景

经典使用场景

在复合材料科学领域，µ-CT数据集的经典使用场景主要集中在通过计算机视觉技术预测复合材料的力学性能。具体而言，该数据集通过提供高分辨率的µ-CT图像及其对应的力学特性数据，使得研究人员能够训练深度学习模型，如卷积神经网络（CNN），以预测复合材料的强度、杨氏模量和断裂伸长率等关键参数。这种基于图像的预测方法不仅提高了预测精度，还为材料科学研究提供了新的视角和工具。

解决学术问题

µ-CT数据集在学术研究中解决了复合材料力学性能预测的难题。传统方法依赖于有限元分析和实验测试，这些方法不仅耗时且成本高昂。通过引入µ-CT图像数据，研究人员能够利用计算机视觉技术进行高效且准确的预测，从而显著减少了实验需求和计算资源。此外，该数据集还促进了小样本数据集下的模型训练和优化，为材料科学研究提供了新的方法论和实践基础。

衍生相关工作

基于µ-CT数据集，研究者们开展了一系列相关工作，推动了复合材料力学性能预测技术的发展。例如，有研究通过优化ResNet18模型，提高了预测精度；还有研究结合贝叶斯优化方法，进一步提升了模型的泛化能力和鲁棒性。这些工作不仅在学术界引起了广泛关注，也为工业界提供了实用的工具和方法，促进了复合材料领域的技术进步和应用创新。