使用深度学习的超分辨率X射线断层扫描,应用于对格子结构中缺陷的3D量化
Antoine Klos1, Luc Salvo2, Pierre Lhuissier2
1Univ. Grenoble Alpes, CNRS, Grenoble INP, SIMAP, F-38000, Grenoble, France. antoine.klos@simap.grenoble-inp.fr.
Scientific reports
|October 21, 2025
概括
深度学习超分辨率增强了多尺度格子材料的3DX射线计算机断层扫描 (CT). 这种方法可以准确地描述诸如孔隙性和粗性之类的缺陷,大大减少材料科学应用中的扫描时间.
科学领域:
- 材料科学 材料科学 材料科学
- 添加剂制造 添加剂制造 添加剂制造
- 图像分析 图像分析
背景情况:
- 网格是多尺度材料,其缺陷会影响机械性能.
- X射线计算机断层扫描 (CT) 对于3D缺陷表征至关重要,但面临着分辨时间的权衡.
- 目前超分辨率验证缺乏材料科学任务特定的指标.
研究的目的:
- 从材料科学的角度重新定义超分辨率的图像质量.
- 量化超分辨率的测量不确定性,用于格子缺陷的特征.
- 开发和验证深度学习工作流程,以加强格子缺陷的CT成像.
主要方法:
- 实现了一个混合规模的密集网络,用于全面的超分辨率工作流程.
- 包括数据采集,预处理和定制算法验证.
- 在激光粉床融合钢格子上进行实验测试.
主要成果:
- 超高分辨率卷准确地描绘了各种尺度上的孔隙性和表面粗度.
- 实现了显著的扫描时间缩短,覆盖了数量级的数量级.
- 证明了缺陷的改进形态测量描绘.
结论:
- 基于深度学习的超级分辨率使多尺度格子材料的可行和高效的缺陷检查成为可能.
- 基于任务的验证确保了材料科学应用的超分辨率的可靠性.
- 这种方法克服了CT的局限性,使详细的缺陷分析在合理的时间框架内变得实用.
更多相关视频
07:013D Imaging of Soft-Tissue Samples using an X-ray Specific Staining Method and Nanoscopic Computed Tomography
Published on: October 24, 2019
10.2K
10:40Label-free, High-Resolution 3D Imaging and Machine Learning Analysis of Intestinal Organoids via Low-Coherence Holotomography
Published on: August 12, 2025
1.5K
