基于深度分割框架的铅氟化物太阳能电池材料的自动化和可扩展 SEM 图像分析
材料科学
2025-10-01 v1 计算机视觉与模式识别
摘要
扫描电子显微镜（SEM）是太阳能电池制造过程中薄膜结构表征不可或缺的工具。准确识别和量化铅氟化物和钙钛矿相对于残留铅氟化物强烈影响晶体化路径和缺陷形成，而钙钛矿晶粒的形貌则支配载流子传输和器件稳定性。然而，当前的 SEM 图像分析仍主要依赖人工操作，限制了吞吐量和一致性。本文提出了一种基于深度学习的自动化框架，用于 SEM 图像分割，实现对铅氟化物、钙钛矿和缺陷域的精确高效识别，适用于多种形貌。该模型基于改进的YOLOv8x架构构建，命名为PerovSegNet，集成了两个新模块：(i)自适应洗牌稀疏卷积块，通过组卷积和通道混合增强多尺度和细粒度特征提取；(ii)可分离自适应下采样模块，联合保留细尺度纹理和大尺度结构，以实现更稳健的边界识别。在由10,994张 SEM 图像构成的增强数据集上进行训练，PerovSegNet实现了87.25%的平均精度，计算量为265.4 Giga Floating Point Operations，相较于基准YOLOv8x-seg提高了4.08%，同时模型规模和计算负载分别降低了24.43%和25.22%。除了分割功能，该框架还提供了粒度水平的定量指标，如铅氟化物/钙钛矿面积和计数，可作为晶体化效率和结构质量的可靠指标。这些能力使PerovSegNet成为实时过程监控和数据驱动优化钙钛矿薄膜制造的可扩展工具。源代码地址：https://github.com/wlyyj/PerovSegNet/tree/master。
引用
@article{arxiv.2509.26548,
title = {Automated and Scalable SEM Image Analysis of Perovskite Solar Cell Materials via a Deep Segmentation Framework},
author = {Jian Guo Pan and Lin Wang and Xia Cai},
journal= {arXiv preprint arXiv:2509.26548},
year = {2025}
}