基于U-Net的明场透射电子显微镜图像自动晶界检测
材料科学
2023-12-18 v1
摘要
微观结构的量化对于理解多晶材料中的加工-结构和结构-性能关系至关重要。然而，由于图像中复杂的衍射衬度，在明场透射电子显微图中描绘晶界具有挑战性。传统的边缘检测算法效果不佳；通常需要手动描绘。本研究首次成功展示了用于明场透射电子显微图中晶界检测的机器学习方法。所提出的方法使用U-Net卷积神经网络，该网络在精心构建的明场图像数据和先前研究中可用的手动描绘数据上进行训练，并结合有针对性的后处理算法以保留感兴趣的精细特征。该图像处理流程能够准确估计晶界位置，避免在晶内衬度区域进行分割，并识别低衬度边界。我们的方法通过直接比较U-Net预测中识别的微观结构标记（即晶粒质心）与手动描绘中识别的标记进行验证；此外，通过t检验、Kolmogorov-Smirnov检验和Cramer-von Mises检验比较两种技术获得的晶粒尺寸分布，显示出显著的重叠。然后，该技术成功应用于解释具有与训练数据不同图像特征的新型铝膜微观结构，并展示了Pt和Pd微观结构的初步结果，突显了我们的方法在明场显微图中进行晶界识别的通用性。
引用
@article{arxiv.2312.09392,
title = {Automated Grain Boundary Detection for Bright-Field Transmission Electron Microscopy Images via U-Net},
author = {Matthew J. Patrick and James K. Eckstein and Javier R. Lopez and Silvia Toderas and Sarah A. Asher and Sylvia I. Whang and Stacey Levine and Jeffrey M. Rickman and Katayun Barmak},
journal= {arXiv preprint arXiv:2312.09392},
year = {2023}
}