Video Experimental Relacionado
Updated: May 15, 2026
12:08
From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
Published on: August 13, 2014
25.0K
Análisis de espesor de materiales 2D de alto rendimiento habilitado por segmentación inteligente de imágenes
Jun Chen Ng1,2, Farina Muhamad2, Pauline Shan Qing Yeoh2
1School of Materials Science and Engineering, Peking University, Beijing 100871, China. khinwee.lai@um.edu.my.
Nanoscale
|December 22, 2025
Resumen
Una canalización de IA estima el grosor de materiales 2D a partir de imágenes de microscopía óptica, superando las limitaciones de la microscopía de fuerza atómica. Este modelo de IA ofrece un método más rápido y no destructivo para la medición precisa del grosor.
Área de la Ciencia:
- Ciencia de materiales
- Física óptica
- Inteligencia artificial
Sus antecedentes:
- La caracterización del grosor de los materiales 2D es crucial para comprender sus propiedades.
- Los métodos existentes como la Microscopía de Fuerza Atómica (AFM) tienen limitaciones significativas, incluyendo la lentitud y los artefactos.
- Se necesita un método más rápido, eficiente y no destructivo para la medición del grosor de materiales 2D.
Objetivo del estudio:
- Desarrollar una canalización basada en Inteligencia Artificial (IA) para estimar el grosor de materiales 2D utilizando imágenes de Microscopía Óptica (MO).
- Comparar el rendimiento de diferentes modelos de IA y técnicas de segmentación para la predicción del grosor.
- Validar la generalización e identificar características clave para la estimación del grosor.
Principales métodos:
- Se utilizaron imágenes de microscopía óptica y datos emparejados de Microscopía de Fuerza Atómica (AFM) para entrenar modelos de IA.
- Se empleó el umbral de Otsu y Cellpose para la segmentación de la región de interés (ROI).
- Se entrenaron modelos de regresión, incluido Random Forest Regressor (RFR) y Multi-Layer Perceptron (MLP), con características morfológicas y de color extraídas.
- Se aplicó Shapley Additive Explanations (SHAP) para el análisis de la importancia de las características.
Principales resultados:
- La canalización de IA estimó con precisión el grosor de materiales 2D a partir de imágenes de MO.
- El modelo Multi-Layer Perceptron (MLP) con segmentación automatizada Cellpose logró un alto rendimiento predictivo (R² = 0.947).
- El análisis estadístico confirmó la generalización del modelo en diferentes métodos de segmentación.
- El análisis SHAP identificó las intensidades de luz roja y verde como predictores clave, lo que concuerda con la teoría de interferencia de película delgada.
Conclusiones:
- La canalización propuesta basada en IA ofrece una alternativa robusta, eficiente y no destructiva a la AFM para la medición del grosor de materiales 2D.
- El modelo demuestra alta precisión y generalización, incluso con conjuntos de datos pequeños.
- Este enfoque permite una estimación continua y precisa del grosor, avanzando en la caracterización de materiales 2D.
