一种用于催化材料电子断层扫描中不平衡数据语义分割的深度学习方法
材料科学
2022-01-20 v1 机器学习
摘要
多相催化剂具有复杂的表面与体相结构、相对较差的固有衬度，且催化纳米颗粒（NPs）常呈稀疏分布，这对图像分割（包括当前最先进的深度学习方法）构成了显著挑战。为应对此问题，我们应用一种基于深度学习的方法，在类不平衡情形下对 -Alumina/Pt 催化材料进行多类语义分割。具体而言，我们采用加权焦点损失（weighted focal loss）作为损失函数，并将其接入 U-Net 的全卷积网络架构。我们使用 Dice 相似系数（DSC）、召回率、精确率以及豪斯多夫距离（HD）指标，在真值（ground-truth）与预测分割的重叠上评估结果的准确性。我们采用的带加权焦点损失函数的 U-Net 模型在 -Alumina 载体材料上取得了 0.96 0.003 的平均 DSC 分数，在 Pt NPs 分割任务中取得了 0.84 0.03 的平均 DSC 分数。我们报告在 -Alumina 与 Pt NPs 分割的 HD 第 90 百分位处边界重叠误差平均小于 2 nm。通过对大尺度高角环形暗场（HAADF）扫描透射电子显微镜（STEM）断层扫描重建数据集的深度学习辅助自动分割，-Alumina 的复杂表面形貌及其与 Pt NPs 的关系得以在三维中可视化。
引用
@article{arxiv.2201.07342,
title = {A Deep Learning Approach for Semantic Segmentation of Unbalanced Data in Electron Tomography of Catalytic Materials},
author = {Arda Genc and Libor Kovarik and Hamish L. Fraser},
journal= {arXiv preprint arXiv:2201.07342},
year = {2022}
}