使用Mask R-CNN对被辐射金属中的脱位环进行高通量分析
Camilo A F Salvador1, Thomas Bilyk1, Antoine Dartois1
1Université Paris-Saclay, CEA, Service de recherche en Corrosion et Comportement des Matériaux, SRMP, 91191 Gif Sur Yvette, France.
Micron (Oxford, England : 1993)
|October 30, 2025
概括
这项研究引入了一个Mask R-CNN工作流,用于分析传输电子显微镜 (TEM) 图像中的缺陷. 该方法在辐射实验期间准确量化金属材料的缺陷演变.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 显微镜的使用方法
背景情况:
- 现场传输电子显微镜 (TEM) 在极端条件下产生了大量关于材料缺陷演变的数据.
- 计算机视觉模型,如Mask R-CNN,提供高效的图像细分功能.
研究的目的:
- 使用Mask R-CNN开发和验证一个用于标记,细分和分析TEM图像中辐射诱导缺陷的工作流.
- 评估模型的准确性和概括能力,用于对各种金属材料的定量缺陷分析.
主要方法:
- 实现基于 Mask R-CNN 的工作流程,用于明亮场 TEM 视频中的缺陷细分.
- 培训和测试不同的Mask R-CNN模型架构和超参数在奥氏体不钢316L上.
- 验证缺陷分析指标,包括面积密度,前景分数,颗粒数和尺寸分布.
主要成果:
- 最好的Mask R-CNN模型在316L中预测缺陷面积密度时达到83.6%的准确性.
- 估计的物理指标 (前景分数,粒子数,大小) 显示相对误差低于5%.
- 该模型成功地区分了16Cr-37Fe-13Mn-34Ni合金和纯Cr的缺陷演变模式.
结论:
- 拟议的工作流允许在现场TEM实验中对缺陷进行一致的实时分析.
- 该方法提供了对于精制物质行为中尺度模型至关重要的定量数据.
- 面具R-CNN是加速材料科学研究缺陷分析的强大工具.
