基于深度学习的原位 TEM 离子辐照自动缺陷分析框架
计算机视觉与模式识别
2021-08-23 v1 材料科学
摘要
利用透射电子显微镜（TEM）捕获的视频可通过依次拍摄微观结构快照来编码材料形态与时间演化的细节。然而，若希望对即便长度适中的视频的显著比例帧进行分析，此类视频的手动分析也繁琐、易错、不可靠且极其耗时。在本工作中，我们开发了基于称为 YOLO 的先进目标检测模型的微观结构特征自动 TEM 视频分析系统，并在 FeCrAl 合金中形成的位错环的原位离子辐照 TEM 视频上测试了该系统。该系统利用基于 YOLO 的缺陷检测模块结合几何分析模块和动态追踪模块，提供对 TEM 中观测特征的静态与动态属性分析。结果表明，该系统可实现与人类相当的性能，帧级缺陷分析的 F1 分数为 0.89，且快速、一致、可扩展。该结果是在真实但异常干净和稳定的数据集上获得的，更具挑战性的数据集可能无法达到此性能。动态追踪还实现了对单个缺陷演化（如每个缺陷的生长速率）的评估，其保真度是以往常用人工分析方法从未达到的。我们的工作表明，自动检测和追踪 TEM 视频中包含的有趣微观结构与性质是可行的，并为评估材料动力学开启了新大门。
引用
@article{arxiv.2108.08882,
title = {A Deep Learning Based Automatic Defect Analysis Framework for In-situ TEM Ion Irradiations},
author = {Mingren Shen and Guanzhao Li and Dongxia Wu and Yudai Yaguchi and Jack C. Haley and Kevin G. Field and Dane Morgan},
journal= {arXiv preprint arXiv:2108.08882},
year = {2021}
}