DOI:10.1016/j.ijleo.2020.164261
具有微孔形态的电纺超细纤维在药物释放、过滤材料、组织工程等领域有着广泛的应用，其微孔形态信息的获取难度较大。在本文中，制备了不同形貌的电纺超细纤维：光滑的表面、微孔和珠状微球。然后，利用偏振光显微镜获得各种纤维的偏振信息，并计算出穆勒矩阵。随后，引入了迁移学习的方法，以基于穆勒矩阵的M44图像元素训练仅有少量数据的判别模型，实现了电纺超细纤维微孔形态的自动分类。这些结果表明，这种在测试集中具有较高准确性的分类方法可以为研究人员筛选不同形态的纤维样品提供快速、简单、可靠和实时的分析。
图1.具有不同形态的电纺纤维样品的原始穆勒矩阵图像。（a）表面光滑，PLLA/PCL（50:50）；（b）微孔PLLA；（c）珠状微球PLLA/PCL（25:75）。
图2.不同形态电纺纤维样品的线性归一化M44灰度。红色箭头指向不同电纺纤维的微孔和串珠微球，其中微孔在纤维上显示为小的致密黑点，而串珠微球在图像中显示为黑球。（a）表面光滑，PLLA/PCL（50:50）；（b）微孔PLLA；（c）珠状微球PLLA/PCL（25:75）（为解释该图例中对颜色的引用，请参阅本文的网络版本）。
图3.转移学习的示意图，其中圆圈代表人工神经网络的节点，圆圈之间的线代表节点之间的权重。示意图描绘了在ImageNet数据集上训练并使用线性归一化M44灰度图像进行微调的CNN模型。重新创建并重新初始化模型的最终完全连接层，并冻结所有其他层。
