【Live配信セミナー】Pythonを用いた高分子材料の画像解析入門

＜セミナー　No.603232（Live配信）＞

Pythonを用いた高分子材料の画像解析入門 

★　Pythonを使った材料評価の再現性向上や作業の効率化！
画像解析結果から物性を素早く読み取り、研究開発業務へ活かす！

----------------------------------------------------------------------------------
■講師

横浜ゴム(株)　課長代理　鈴木 聖人 氏

【専門】
マテリアルズインフォマティクス、計測インフォマティクス

【略歴】
北陸先端科学技術大学院大学の修士課程（谷池敏明研究室）にてマテリアルズインフォマティクスの研究に取り組む(2016年修了)。
前職にて消臭剤開発やインフォマティクス業務に従事した後、2020年に横浜ゴム株式会社へ入社。
現在、材料解析研究室にて情報科学的手法を用いた材料・計測技術開発に従事し、電子顕微鏡等を用いた画像解析研究を実施。学会発表・論文多数。
2023年より筑波大学博士課程（五十嵐康彦研究室）に在籍し、マテリアルズインフォマティクス・計測インフォマティクスの研究を継続中。
日本ゴム協会 ゴム・エラストマー若手研究分科会 主査。

■聴講料

１名につき４９,５００円（消費税込/資料付き）

１社２名以上同時申込の場合のみ１名につき４４,０００円（税込）
大学、公的機関、医療機関の方には割引制度があります。詳しくはお問い合わせください。

■セミナーの受講について
・下記リンクから視聴環境を確認の上、お申し込みください。
　→ https://zoom.us/test
・開催数日前または配信開始日までに視聴用のURLとパスワードをメールにてご連絡申し上げます。
　セミナー開催日時またはアーカイブ配信開始日に、視聴サイトにログインしていただきご視聴ください。
・出席確認のため、視聴サイトへのログインの際にお名前、ご所属、メールアドレスをご入力ください。
　ご入力いただいた情報は他の受講者には表示されません。
・開催前日または配信開始日までに、製本したセミナー資料をお申込み時にお知らせいただいた住所へお送りいたします。
　お申込みが直前の場合には、開催日または配信開始日までに資料の到着が間に合わないことがあります。
・本講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。
・本講座はお申し込みいただいた方のみ受講いただけます。
　複数端末から同時に視聴することや複数人での視聴は禁止いたします。
・アーカイブ配信セミナーの視聴期間は延長しませんので、視聴期間内にご視聴ください。

プログラム　　　　　　　　　　　　　　　　　　　　　

【講座の趣旨】

高分子・樹脂・ゴム材料などの内部構造は、電子顕微鏡画像を通して詳細に観察できるが、そのままではノイズや濃淡の不均一などが多く、解析は熟練者の経験に頼りがちである。近年、Pythonを軸としたオープンソースツールが充実し、材料画像解析を効率化・標準化するための環境が整いつつある。本講座では、材料画像に特有の課題を踏まえつつ、Pythonを用いた一連の処理手順を体系的に紹介する。基本的な画像前処理から、領域抽出に向けたアルゴリズム、特徴量の算出、解析結果の可視化まで、実データを扱う上で役立つポイントを中心に解説する。材料評価の再現性向上や作業効率化を目指す技術者・研究者に向け、実務へ応用しやすいアプローチを学ぶ講義内容とする。

【習得できる知識】

・Pythonによる画像処理の基本操作（読み込み、前処理、フィルタリングなど）
・材料画像に特化した領域抽出の方法（濃淡差、局所コントラスト、クラスタリングなど）
・二値化後の粒子解析や分散状態評価の進め方
・結果を統計的に整理・可視化するための一連のワークフロー
・今後、機械学習・深層学習へ展開するための基礎的な考え方

１．材料画像解析とは

　1.1　材料評価における画像データの役割
　1.2　観察画像に含まれる課題（ノイズ・照度むら・観察条件）
　1.3　Pythonを用いるメリットと実行環境の紹介

２．Pythonによる前処理の基礎

　2.1　画像の読み込みと基本操作
　2.2　平滑化、ノイズ低減フィルタの活用
　2.3　コントラスト調整とヒストグラム操作
　2.4　解析しやすい画像を得るための前処理設計

３．材料特有の構造をとらえる領域抽出

　3.1　二値化の考え方（大域・局所閾値）
　3.2　モルフォロジー処理による構造処理
　3.3　クラスタリング（k-means）による領域分割
　3.4　Deep Learningの活用

４．抽出した構造の解析

　4.1　粒子・領域の形状パラメータ算出
　4.2　分散状態・凝集の評価指標
　4.3　データの可視化と比較の進め方

５．実務への展開

　5.1　手作業からPythonワークフローへの置き換え
　5.2　将来的な機械学習・Deep Learning活用へのステップ
　5.3　その他のTips

６．まとめと質疑

　6.1　本講義のポイント整理
　6.2　応用に向けた学習リソース紹介
　6.3　質疑応答

セミナーの詳細についてお気軽にお問い合わせください。
「２名以上同時にお申込される場合、２人目以降の方の情報は【弊社への連絡事項がございましたら、こちらにお書きください】欄にご入力をお願いいたします」