一个尖的纳米颗粒的细分和形态计算使用沙表神经网络的细分和形态计算
Muhammad Ishfaq Hussain1, Muhammad Aasim Rafique2, Wan-Gil Jung3
1School of Electrical Engineering and Computer Sciences, Gwangju Institute of Science and Technology, Gwangju 500-712, Republic of Korea.
ACS omega
|May 30, 2023
概括
使用深度神经网络 (DNN) 对黄金尖纳米粒子 (Au SNPs) 的自动化分析准确地测量了来自电子显微镜图像的粒子生长. 这种由人工智能驱动的方法最大限度地减少了人为错误,并使实时形态分析成为可能.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 人工智能的人工智能
背景情况:
- 从电子显微镜图像中手动测量纳米粒子形态是耗时且容易出现错误的.
- 人工智能 (AI) 和深度学习方面的进步为自动化图像分析提供了潜力.
研究的目的:
- 开发和验证一个深度神经网络 (DNN) 用于电子显微镜图像中黄金尖尖纳米粒子 (Au SNPs) 的自动细分和形态分析.
- 评估基于DNN的测量与用于纳米粒子生长分析的手动细分的准确性.
主要方法:
- 设计了一个深度神经网络 (DNN),用于在电子显微镜图像中对Au SNPs进行细分.
- 在培训期间使用了一个聚焦于尖峰的损失函数来增强纳米粒子尖峰的检测.
- 与手动细分相比,DNN在测量颗粒生长的准确性得到了评估.
主要成果:
- 拟议的DNN实现了Au SNPs的准确细分,与手工方法相比.
- 使用DNN测量Au SNP增长的结果与从手工分割图像中获得的结果高度一致.
- 在嵌入式系统上测试时,DNN展示了实时形态分析的潜力.
结论:
- 开发的DNN提供了一种准确和自动化的方法,用于对Au SNPs进行形态分析.
- 尖峰聚焦损失函数有效地提高了细分精度,特别是在纳米粒子边界.
- 与显微镜硬件的集成可实现实时纳米粒子表征,推进材料科学研究.
