相关实验视频
Updated: Jun 10, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.6K
探索4D-STEM-DPC数据处理的深度学习模型
Gregory Nordahl1, Sivert Dagenborg1, Jørgen Sørhaug1
1Department of Physics, Norwegian University of Science and Technology (NTNU), 7491 Trondheim, Norway.
Ultramicroscopy
|October 10, 2024
概括
使用卷积神经网络 (CNN) 的监督学习提供了使用差分相对比 (DPC) 成像进行纳米级磁性材料分析的自动处理. 这种方法提高了分析四维扫描传输电子显微镜 (4D-STEM) 数据的一致性和准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米科学是一个纳米科学.
- 数据科学数据科学数据科学
背景情况:
- 分相对比 (DPC) 成像对于纳米磁性材料至关重要.
- 直接探测器技术的进步推动了对增强四维扫描传输电子显微镜 (4D-STEM) 数据处理的需求.
- 传统的DPC处理算法通常是根据特定的实验条件量身定制的.
研究的目的:
- 探索监督学习与卷积神经网络 (CNN) 的应用,用于自动化STEM-DPC数据处理.
- 研究两种不同的基于CNN的DPC数据分析方法.
- 将CNN模型的性能与传统算法进行比较,特别是关于衍射对比度和域壁表征.
主要方法:
- 在实验获得的4D-STEM数据上培训CNN.
- 实施基于回归的方法,用于直接光束跟踪.
- 使用修改后的U-net架构进行直接光束细分作为预处理步骤.
- 将模型输出与常规算法进行比较,以获得准确性和一致性.
主要成果:
- 在类似的仪器参数下获得的STEM-DPC数据,CNN可以有效地处理.
- 开发的模型表现出强大的性能,即使存在强的衍射对比.
- 对域墙形状和宽度测量的分析显示,使用CNN的结果可比或更好.
结论:
- 使用CNN的监督学习为STEM-DPC数据处理提供了强大而自动化的解决方案.
- 这些方法提高了纳米磁性材料表征的一致性和可靠性.
- 基于CNN的方法为传统的实验性定制算法提供了可行的替代方案.
