(3.236.122.9) 您好!臺灣時間:2021/05/09 07:54
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:姜孟竹
研究生(外文):Meng-Jhu Jiang
論文名稱:運用多層感知器於提升組織工程應用的生物支架品質之研究
論文名稱(外文):A Research for Quality Improvement of Bio-Scaffold for Tissue Engineering Applications by Using Multilayer Perceptron
指導教授:廖昭仰
指導教授(外文):Chao-Yaug Liao
學位類別:碩士
校院名稱:國立中央大學
系所名稱:機械工程學系
學門:工程學門
學類:機械工程學類
論文出版年:2020
畢業學年度:108
語文別:中文
論文頁數:83
中文關鍵詞:組織工程支架冷凍成型積層製造機器視覺感興趣區域多層感知器
外文關鍵詞:Tissue Engineering ScaffoldFrozen-Form Additive ManufacturingMachine VisionRegion of InterestMultilayer Perceptron
相關次數:
  • 被引用被引用:0
  • 點閱點閱:39
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
生物支架材料大略可分為天然材料跟人工合成兩大類,目前最為廣泛使用的天然材料有膠原蛋白、明膠及殼聚醣等。由於上述材料係從動、植物取得,每批量配置出的生物墨水總有些許差距。生物列印之製造參數大多彼此相依,因此很難藉由理論推導出有效的預測公式。往往只能使用試誤法來調整製造參數來達到預設的尺寸目標。多層感知器為深度學習的一支,其可透過大量過往實驗數據訓練出一個有效預測模型,在新的數據輸入此一模型後進而預測結果,幫助改進生物支架的外形品質。
  本研究之目的是以深度學習的方式改進生物支架的外形品質。本研究運用多層感知器進行列印參數分析,研究不同的材料性質與製造參數對於支架品質的關聯性。製造參數包含了動力黏度、擠出壓力、噴頭溫度、噴頭移動速度、沉積平台溫度等等,根據這些模型可以看出動力黏度為列印過程中最相關的參數。實際製作75個支架做為訓練集,8個支架做為測試集,將動力黏度、噴頭溫度、噴頭移動速度、沉積平台溫度、環境壓力及室內露點溫度六種參數做為模型預測之重要參數,模型使用兩層隱藏層,所預測之評分與平均線徑的均方誤差最小為0.0246。
  The materials of bio-scaffolds can be roughly divided into two categories: natural and synthetic materials. The most widely used natural materials are collagen, gelatin and chitosan. As these natural materials are obtained from flora and fauna, there is always a slight difference between the bio-inks in each batch. Most of the fabrication parameters have dependence with each other, it is difficult to derive effective predictive formulas for manufacturing scaffolds. Often can only use the trial and error method to adjust the fabrication parameters for achieving the preset target. Multilayer perceptron is one kind of Deep learning, and it can train a model through a large amount of historical data, and predictable results obtain after inputting new data into the model. The capability can help to improve the appearance quality of the bio-scaffold.
  The purpose of this study is to improve the appearance quality of the bio-scaffold by utilizing deep learning. The multilayer perceptron is used to investigate the material properties and the fabrication parameters in order to achieve optimal quality of the scaffold. The fabrication parameters are based on kinematic viscosity, print pressure, nozzle temperature, nozzle speed, platform temperature, and so on. According to these models, it can be seen that the kinematic viscosity is the most relevant parameter in the printing process. 75 scaffolds were actually used as the training dataset and 8 scaffolds were used as the test set. Six parameters including dynamic viscosity, nozzle temperature, nozzle speed, platform temperature, print pressure and dew point temperature are used as important parameters for the model prediction. The model uses two hidden layers, and The minimum mean square error of predicted score and average line width is 0.0246.
摘要 I
ABSTRACT II
致謝 III
目錄 IV
圖目錄 VI
表目錄 IX
第一章 緒論 1
1-1 前言 1
1-2 文獻回顧 2
1-3 研究動機與目的 8
1-4 論文架構 9
第二章 理論說明 10
2-1 影像處理程序介紹 10
2-2 類神經網路 18
2-3 深度學習 27
第三章 研究方法 31
3-1 實驗流程 31
3-2 黏度分析 32
3-3 機器視覺 34
3-4 軟體函式庫使用介紹 36
3-5 真實沉積路徑之取得流程 38
3-6 多層感知器 43
第四章 實驗結果與討論 49
4-1 黏度分析結果 49
4-2 人機介面介紹 52
4-3 線徑計算結果與驗證 53
4-4 學習數據及結果 54
第五章 結論與未來展望 66
5-1 結論 66
5-2 未來展望 66
參考文獻 68
[1] J. P. Kruth, M. C. Leu and T. Nakagawa, “Progress in Additive Manufacturing and Rapid Prototyping”, Cirp Annals, Vol. 47, pp. 525-540, 1998.
[2] S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 3rd Edition, Prentice Hall, New York, 2009.
[3] L. Wang, M. Xu, L. Luo, Y. Zhou and P. Si, “Iterative Feedback Bio-printing Derived Cell-Laden Hydrogel Scaffolds with Optimal Geometrical Fidelity and Cellular Controllability”, Scientific Reports, Vol. 8, 2802, 2017.
[4] J. M. Gardner, K. A. Hunt, A. B. Ebel, E. S. Rose, S. C. Zylich, B. D. Jensen, K. E. Wise, E. J. Siochi, and G. Sauti, “Machines as Craftsmen: Localized Parameter Setting Optimization for Fused Filament Fabrication 3D Printing”, Advanced Materials Techologies, Vol. 4, 1800653, 2019.
[5] A. Menon, B. Po´czos, A. W. Feinberg and N. R. Washburn, “Optimization of Silicone 3D Printing with Hierarchical Machine Learning”, 3D Printing and Additive Manufacturing, Vol. 6, pp. 181-189, 2019.
[6] B. Zhang, P. Jaiswal and R. Rai, “Convolutional Neural Network-Based Inspection of Metal Additive Manufacturing Parts”, Rapid Prototyping Journal, Vol. 25, pp. 530-540, 2019.
[7] J. Shi, J. Song, B. Song and W. F. Lu . “Multi-Objective Optimization Design through Machine Learning for Drop-on-Demand Bioprinting”, Engineering, Vol. 5, No. 3, 2019.
[8] 洪承暉,「使用微型閥並具備自動平台校正功能之三微生物列印機開發」,國立中央大學,碩士論文,2018。
[9] 吳成柯等,數位影像處理,儒林圖書,臺北,1995。
[10] 鐘國亮,影像處理與電腦視覺,東華出版社,臺北,2015。
[11] 曾竣煌,「熔融沉積成型技術之路徑規劃與提升製造效率研究」,國立中央大學,碩士論文,2018。
[12] R. C. Gonzalez and R. E. Woods, Digital Image Processing, 3rd Edition. Prentice Hall, New York, 2007.
[13] 鄭文瑋,「在次像素精準度下的邊緣偵測演算法及其應用」,銘傳大學,碩士論文,2005。
[14] 張宸銘,「應用視訊之自動化手勢軌跡追蹤系統」,中原大學,碩士論文,2009。
[15] 彭振軒,「使用樣板比對做進出口行人數量統計」,國立中央大學,碩士論文,2006。
[16] M. Nixon and A. Aguado, Feature Extraction and Image Processing, 2nd Edition. Academic Press, UK, 2008.
[17] D. H. Douglas and T. K. Peucker, “Algorithms for the Reduction of the Number of Points Required to Represent a Digitized Line or its Caricature”, Cartographica: The International Journal for Geographic Information and Geovisualization, Vol. 10, No. 2, pp. 112-122, 1973.
[18] G. Bradski and A. Kaehler, Learning OpenCV: Computer Vision with the OpenCV Library, O’Reilly, Sebastopol, 2008.
[19] 唐進民,AI視覺大全:最好用的PyTorch實作,佳魁資訊,臺北,2018。
[20] 楊泓璟,「以冷凍成型積層製造及固態水支撐製程製作水性生物可降解型聚胺酯與殼聚醣支架之實驗與分析」,國立中央大學,碩士論文,2018。
[21] Anton Paar 官方網站,取自https://www.anton-paar.com/tw-zh/products/details/rolling-ball-viscometer-lovis-2000-mme/。
[22] 吳偉任,「組織工程用冷凍成型積層製造之固態水支撐結構生成研究」,國立中央大學,碩士論文,2016。
[23] Balser官方網站,取自https://www.baslerweb.com/en/products/cameras/area-scan-cameras/ace/aca2040-90uc/。
[24] Edmund官方網站,取自https://www.edmundoptics.com/p/05x-65mm-wd-in-line-compacttl-telecentric-lens/21816/。
[25] EmguCV官方網站,取自http://www.emgu.com。
[26] OpenCV官方網站,取自http://opencv.org。
[27] PyTorch官方網站,取自https://pytorch.org/。
電子全文 電子全文(網際網路公開日期:20250801)
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔