基于深度神经网络的电子显微镜图像识别用于源区分人为和自然磁性粒子
Lin Liu1,2, Tianyou Chen3, Qinghua Zhang1,4
1State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China.
Environmental science & technology
|October 6, 2023
概括
本研究介绍了CoMask,这是一种新的深度学习模型,用于使用传输电子显微镜图像识别纳米环境颗粒的来源. CoMask有效地区分大气中的磁粒子,在环境科学中推进机器学习.
科学领域:
- 环境科学 环境科学
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 深度学习在宏观物体识别方面表现出色,但在纳米级粒子方面却很难.
- 环境颗粒,特别是PM2.5,由于形态变化和图像混乱而带来挑战.
- 准确识别颗粒源对于环境监测和健康评估至关重要.
研究的目的:
- 探索深度学习在纳米尺度上的源区分环境颗粒的潜力.
- 开发一种新的实例细分模型,CoMask,用于分析大气磁粒子的传输电子显微镜 (TEM) 图像.
- 在粒子图像分析中解决诸如尺度变化和前景对象杂乱等挑战.
主要方法:
- 提出了一个名为CoMask的新型实例细分模型.
- 实现了一个密集连接的特征提取模块来捕获多尺度的空间线索.
- 使用协作学习策略来提高模型性能.
- 在基准和TEM数据集上评估了CoMask.
主要成果:
- 与最先进的模型相比,CoMask表现出了竞争力的表现.
- 该模型成功实现了大气磁粒子的源区分.
- 科马斯克有效地处理了TEM图像中的多尺度空间线索和图像杂乱.
结论:
- 科马斯克为分析纳米环境颗粒提供了一种有前途的方法.
- 开发的模型推进了机器学习在环境粒子识别中的应用.
- 这项工作为在环境科学和污染源追踪方面使用人工智能开辟了新的可能性.


