自动化谷物边界检测用于光场传输电子显微镜 图像通过U-Net

科学领域:

• 材料科学 材料科学 材料科学
• 电子显微镜电子显微镜
• 机器学习 机器学习

背景情况:

• 量化微结构对于理解材料特性至关重要.
• 在明亮场传输电子显微镜中识别粒度边界是很困难的,因为图像对比.
• 通常需要手动追踪,这限制了效率和可扩展性.

研究的目的:

• 开发和验证基于机器学习的方法,用于在明亮场传输电子显微镜中自动检测粒度边界.
• 克服传统边缘检测算法和手动分析的局限性.
• 为微观结构的表征提供一个多功能工具.

主要方法:

• 使用U-Net卷积神经网络,对明亮场图像和手动跟踪进行训练.
• 实施了有针对性的后处理算法,以完善边界检测并保留细特征.
• 通过将已识别的微观结构标记和粒径分布与手动分析进行比较来验证该方法.

主要成果:

• 机器学习管道准确地估计了谷物边界位置,将其与谷内对比区分开来.
• 成功地确定了低对比度的粒度边界.
• 统计测试证实了机器学习衍生的和手工衍生的粒度分布之间存在显著的重叠.
• 该方法通过成功分析和的新微观结构来证明了它的多功能性.

结论:

• 开发的机器学习方法为明亮场传输电子显微镜中的粒度边界检测提供了有效和自动化的解决方案.
• 这种技术提高了微观结构量化的准确性和效率.
• 这种方法显示出在材料科学研究中广泛应用的希望.