Bellybutton ist effektiv für eine Vielzahl von Zwecken. Hier verwenden wir das Beispiel der Segmentierung eines in 3D gedruckten photoelastischen Materials in Form einer granularen Packung. Dieses Material wird zwischen Kreuzpolarisatoren beleuchtet, so dass es ein Doppelbrechungsmuster entwickelt, wenn es mechanischer Spannung ausgesetzt ist. Diese Beleuchtung ist experimentell nützlich, kompliziert jedoch den Tracking-Prozess; frühere Experimente mit photoelastischen granularen Scheiben erforderten zwei Sätze von Bildern, eine mit normaler Beleuchtung zur Verfolgung der Partikel und eine zweite mit dem Doppelbrechungsmuster zur Analyse der Kräfte. Bellybutton wurde auf zwei Vierteln von drei Bildern dieses Systems trainiert, unter niedriger, mittlerer und hoher Belastung, und auf den verbleibenden zwei Vierteln jedes Bildes getestet, die in Abb. 2A lila markiert sind.
Obwohl die Form in etwa gleich bleibt, weisen die Partikel eine Vielzahl von Mustern auf, wenn sich die Belastung ändert. Mehrere verwirrende Faktoren machen diese Segmentierung schwieriger: Ein erheblicher Teil des Bildes (die linken und rechten Ränder) ist unscharf. Die Kamera ist nahe genug am Probenobjekt, dass nur Partikel in der Mitte frontal abgebildet werden, was zu verschiedenen Blickwinkeln für Partikel in der Nähe der Ränder des Systems führt. Schließlich sind Partikel in der Nähe des linken und rechten Randes ausreichend geneigt, so dass ihre Ränder der Kamera ausgesetzt sind. Die verwendeten Eingabemaßstäbe sind in Abb. 2B dargestellt, überlagert auf vergrößerten Daten. Die Segmentierung ist erfolgreich, wobei die meisten Fehler am unteren Rand des linken Bildes konzentriert sind, wo der Kontrast und die Schärfe am schlechtesten sind. Typische Regionen werden erfolgreich segmentiert, wie anhand des Vergleichs von Abb. 2C, D aus dem Testset zu erkennen ist.
Für die quantitative Analyse dieser Ergebnisse verwenden wir den SEG-Score, der jede echte Region mit der identifizierten Region mit der höchsten Überlappung vergleicht. Dieser Metrik gilt als am aussagekräftigsten in Bezug auf die Leistung, obwohl viele andere allgemein verwendet werden. Für jede echte Region \(R_i\) wird ein ‘Jaccard-Index’ mit der von Bellybutton generierten Region \(B_i\) mit der höchsten Überlappung berechnet, indem der Bereich ihres Schnittes durch den Bereich ihrer Vereinigung geteilt wird. Bellybutton konnte zuverlässig einen SEG-Score von über 0,9 auf dem Testset für diese Daten erzielen.
In dem hervorgehobenen Beispiel wurde der gesamte Trainingssatz verwendet, und das Netzwerk wurde für \(E=2\) Epochen trainiert (jeder Datensatz wurde dem Netzwerk zweimal gezeigt). Für den praktischen Gebrauch ist es jedoch möglicherweise nicht einmal notwendig, so viele Daten (die Hälfte von drei Bildern) zu verwenden. Eine Unterteilungsoption wird als Parameter im Bellybutton-Paket angeboten, genannt ‘fraction’. Dieser Wert gibt den Bruchteil (0-1] der verfügbaren Trainingspixel an, den der Algorithmus verwenden wird, um das neuronale Netzwerk zu trainieren. Wir finden, dass die Genauigkeit für eine Vielzahl von Problemen davon abhängt, dass die Größe \(EF = T/M\) des Gesamtdatensatzes ausreichend hoch ist, wobei E die Anzahl der Epochen im Training, M die Größe des gesamten Trainingssatzes, F der Bruchteil des Datensatzes ist, der verwendet wird, und \(T=EFM\) die Anzahl der Gesamtschritte im Training ist.