使用极化光显微镜和U-Net细分分析结晶的深度学习
Natalia Osiecka-Drewniak1, Zbigniew Galewski2, Marcin Piwowarczyk1
1Institute of Nuclear Physics, Polish Academy of Sciences, PL-31342 Kraków, Poland.
The journal of physical chemistry. B
|September 17, 2025
概括
这项研究结合了极化光显微镜和深度学习来分析液晶晶体的结晶. 人工智能模型准确地识别了晶体和质相,揭示了冷却过程中的结晶动力学.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算科学 计算科学
背景情况:
- 结晶行为对于材料属性至关重要.
- 液晶表现出复杂的相位过渡.
- 对相位转换的自动化分析具有挑战性.
研究的目的:
- 开发一种用于分析材料结晶的新方法.
- 为了研究液晶化合物9BA4.4的结晶动力学.
- 将光学显微镜与深度学习相结合,用于定量分析.
主要方法:
- 使用偏光显微镜观察结晶.
- 采用U-Net卷积神经网络用于纹理的语义细分.
- 在多个速率下进行非异热冷却.
- 分析了晶体化动力学,使用西格形配件和奥扎瓦模型.
主要成果:
- 成功训练了一个U-Net模型来识别晶体 (Cr) 和质 (SmC) 阶段.
- 使用概率图量化了结晶度与温度之间的关系.
- 确定了最大结晶的温度.
- 从纹理演变中有效提取定量见解.
结论:
- 显微镜和深度学习的结合方法提供了有效的定量见解.
- 这种方法提高了对材料复杂相变的理解.
- 自动图像分析加速了结晶运动学的研究.


