从SEM/EDS自动化颗粒分析中识别样本来源,通过几次学习与相似度图集群相结合
Jasmine Eshun1, Natalie C Lamar1, Sinan G Aksoy1
1National Security Directorate, Pacific Northwest National Laboratory, 902 Battelle Boulevard, Richland, WA 99352, USA.
概括
自动粒子分析 (APA) 现在使用一种新的神经网络方法来集群粒子关系. 这种技术有效地区分复杂的样本,例如将枪支残留物与相似材料区分开来.
科学领域:
- 材料科学 材料科学 材料科学
- 法医科学 法医科学 法医科学
- 计算科学 计算科学
背景情况:
- 自动粒子分析 (APA) 通过使用能量分散式X射线光谱学和扫描电子显微镜,为单个粒子生成广泛的组成,大小和形状数据.
- 通过检测特定粒子组成,APA对于识别样本来源至关重要,尽管这些上下文粒子通常构成样本的一小部分.
- 由于混合物和单个颗粒中的组成多样性,解释复杂的样品具有挑战性.
研究的目的:
- 开发一种计算和聚类相似度图的方法,以揭示复杂样品中的粒子间关系.
- 为了证明这种方法在区分不同类型的样品,特别是火药残留物 (GSR) 和可能被误认为的材料的实用性.
- 提高APA数据的可解释性和定量可比性.
主要方法:
- 利用多模式的少数射击学习神经网络,根据APA数据计算和集群相似度图.
- 集成的标准APA技术与先进的数据处理方法.
- 应用开发的工作流程来区分已知的枪支残留样本和可能混的样本.
主要成果:
- 成功展示了一种计算和集群相似度图的方法,有效地描述粒子之间的关系.
- 展示了能够区分暴露在枪支残留物中的样品与经常被误认为的样品的能力.
- 从APA数据中生成额外,可解释和数量可比的信息.
结论:
- 这种基于神经网络的新方法通过揭示隐藏的粒子间关系来增强APA.
- 这种方法为法医分析提供了强大的工具,提高了样本来源识别的准确性.
- 工作流提供了一个易于解释和数量可比的格式,用于复杂的样本分析.
