一个机器学习的决策标准,以减少超光谱中子计算机断层扫描系统的扫描时间

科学领域:

• 材料科学 材料科学 材料科学
• 中子影像成像技术
• 机器学习 机器学习

背景情况:

• 超光谱中子计算断层扫描 (HNCT) 对材料科学至关重要,它可以进行详细的晶体学和元素分析.
• 传统的HNCT方法需要大量的数据采集 (天) 和大量的预测,限制实时反和效率.
• 现有的先进方法,如黄金比率扫描提供了改进,但缺乏基于数据质量的自动扫描终止.

研究的目的:

• 推出第一个基于机器学习的自主HNCT实验.
• 开发一个智能标准,在获得足够的数据时自动终止HNCT扫描.
• 为了减少整体测量时间,同时保持高质量的重建.

主要方法:

• 在HNCT中实现了用于自主扫描终止的机器学习标准.
• 使用预训练的深度神经网络进行无参考图像质量评估.
• 将图像质量指标与重建差异指标结合起来,以指导扫描终止.
• 采用黄金比扫描协议与基于模型的重建实时反.

主要成果:

• 拟议的机器学习标准成功地自主终止了HNCT扫描.
• 与基线过后投影方法相比,测量时间缩短了大约五倍.
• 从实验数据流中演示了高质量的实时重建.

结论:

• 开发的机器学习方法使高效和自主HNCT实验成为可能.
• 这种方法通过减少扫描时间,在材料科学中显著加快样本表征.
• 自主终止标准增强了实验工作流程,并提供了及时的用户反.