基于补丁的卷积神经网络用于在FIB-SEM微图中检测辐射核燃料的多个微结构特征
Jason Uwaeze1,2, Yalei Tang1, Tanner Jason Mauseth1
1Idaho National Laboratory, Idaho Falls, Idaho, 83415, USA.
Scientific reports
|January 6, 2026
概括
本研究引入了一种使用卷积神经网络 (CNN) 来自动识别辐射核材料中的微结构的新框架. 该方法增强了从聚焦离子束扫描电子显微镜 (FIB-SEM) 断层扫描数据中分析3D微观结构特征.
科学领域:
- 材料科学 材料科学 材料科学
- 核工程 核工程是指核工程.
- 计算机科学 计算机科学
背景情况:
- 聚焦离子束扫描电子显微镜 (FIB-SEM) 断层扫描对于照射核材料中的3D微观结构分析至关重要.
- 目前的局限性包括耗时的数据收集,微结构差异化挑战和图像对齐问题,阻碍了更广泛的应用.
研究的目的:
- 使用卷积神经网络 (CNN) 开发用于辐射核材料中微结构识别的自动化框架.
- 克服传统的FIB-SEM断层扫描分析的局限性,特别是有限的注释数据.
主要方法:
- 创建一个可靠的注释数据集,配对SEM和地面真相EDS地图.
- 应用CNN,包括Segment Anything Model (SAM)用于图像对齐和基于Patch的U-Net,注意力U-Net和剩余U-Net用于细分.
- 在U-10Zr金属燃料中用于微结构识别的模型性能验证.
主要成果:
- 基于补丁的U-Net与其他评估的CNN模型相比,显示出优越的细分性能和一致性.
- 拟议的框架成功地集成了SAM和基于Patch的CNN,用于辐射核材料的语义细分.
- 这种方法减少了对能量分散光谱 (EDS) 探测器的依赖,加速了分析.
结论:
- 开发的框架自动化了FIB-SEM断层扫描数据中的微结构识别,大大加快了核材料分析.
- 本研究介绍了第一个整合SAM和基于Patch的CNN的框架,用于辐射核材料的语义细分.
- 该方法有可能更广泛地适用于材料科学中的其他断层扫描数据集.
