相关实验视频
Updated: Jun 24, 2025
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
基于机器学习和深度学习的晶体HRTEM图像的阶段划分和识别
Quan Zhang1, Liang Yang2, Ru Bai2
1School of Computer Science and Software Engineering, Southwest Petroleum University, Chengdu 610500, China; State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation (Southwest Petroleum University), Chengdu 610500, China.
本研究介绍了一种使用机器学习和深度学习的自动化方法,用于分析高分辨率传输电子显微镜 (HRTEM) 图像. 该方法精确地细分并识别晶体材料中的相位区域,与手动分析一致性相匹配.
科学领域:
- 材料科学 材料科学 材料科学
- 晶体学 晶体学是指结晶学.
- 计算材料科学科学 计算材料科学
背景情况:
- 高分辨率传输电子显微镜 (HRTEM) 揭示了关键材料的微观结构细节,如缺陷和相位特征.
- 手动分析HRTEM图像是耗时的,主观的,容易出错,阻碍了高效的研究.
- 需要自动化方法来客观和有效地分析复杂的HRTEM数据.
研究的目的:
- 开发一种自动化方法,用于在晶体HRTEM图像中对相位区域进行细分和识别.
- 在HRTEM图像解释中克服手动分析的局限性.
- 为材料表征提供一个计算效率高,客观的工具.
主要方法:
- 机器学习和深度学习的结合策略用于自动阶段分区.
- 移动窗口分析计算了快速里埃转换 (FFT) 振幅光谱,转换成4D格式.
- 主要组件分析 (PCA) 估计特征区域,非负矩阵分解 (NMF) 分解数据,深度学习执行阶段识别.
主要成果:
- 拟议的方法成功地在水晶HRTEM图像中分区并识别相区域.
- 对氧化物和氧化物纳米粒子图像的实验结果显示与手动分析一致.
- 该方法证明了有效的自动细分和材料阶段的识别.
结论:
- 开发的机器学习和深度学习结合的方法为自动化HRTEM图像分析提供了有效的解决方案.
- 这种方法显著减少了与传统HRTEM分析相关的主观性和劳动力.
- 该工具有可能通过提供可靠和高效的相位识别来加速材料研究.
更多相关视频
12:18Pore-scale Imaging and Characterization of Hydrocarbon Reservoir Rock Wettability at Subsurface Conditions Using X-ray Microtomography
Published on: October 21, 2018
09:04Lens-free Video Microscopy for the Dynamic and Quantitative Analysis of Adherent Cell Culture
Published on: February 23, 2018
