LBMS-SAM:对电池材料的任何细分模型引导的SEM图像分割进行细分
Yu Qi1, Jun Zhang2, Jian Kuang1
1University of Science and Technology of China, Hefei 230026, China; Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei 230031, China; High Magnetic Field Laboratory of Anhui Province, Hefei 230031, China.
概括
本研究介绍了LBMS-SAM,这是一种用于使用SEM图像进行电池材料质量检查的AI模型. 它自动化了颗粒大小分析,比手工方法提高了准确性和效率.
科学领域:
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
- 图像分析 图像分析
背景情况:
- 电池材料的质量检查依赖于SEM图像中粒子大小的手动分析.
- 手动注释是耗时的,劳动密集的,容易发生主观错误.
- 自动化这一过程对于提高材料质量控制的效率和准确性至关重要.
研究的目的:
- 开发一种自动化的人工智能解决方案,用于电池材料质量检查.
- 解决手动注释在分析来自SEM图像的粒子大小方面的局限性.
- 为SEM图像细分任务引入一种新的深度学习模型.
主要方法:
- 一个新的数据集,LBMS数据集,是专门为电池材料的SEM图像分割 (LBMS) 创建的.
- 一个专门的模型,LBMS-SAM,被提出,结合了加博和索贝尔边缘特征提取模块 (GSEFE).
- 采用波波变换的多层denoised特征融合模块 (MDFF) 被设计为增强特征提取和减少噪声.
主要成果:
- 拟议的LBMS-SAM模型在LBMS数据集上表现出卓越的性能.
- 在所有评估指标上,LBMS-SAM的表现优于现有的最先进的方法 (SOTA).
- 该模型实现了精确的边缘信息提取和全球上下文特征的高效融合,并添加了最小的参数.
结论:
- 开发的LBMS-SAM模型为电池材料质量检查提供了有效和自动化的解决方案.
- 与传统的手工方法相比,人工智能驱动的方法显著提高了准确性和效率.
- 这项工作为电池材料制造中先进的自动化质量控制铺平了道路.
更多相关视频
11:03Nanoscale Characterization of Liquid-Solid Interfaces by Coupling Cryo-Focused Ion Beam Milling with Scanning Electron Microscopy and Spectroscopy
Published on: July 14, 2022
3.9K
11:25Identification and Quantification of Decomposition Mechanisms in Lithium-Ion Batteries; Input to Heat Flow Simulation for Modeling Thermal Runaway
Published on: March 7, 2022
5.2K
