通过基于模板匹配和CNN的结点与终端检测表征磁迷宫结构

缺陷影响材料的多种特性，塑造其结构、力学和电子特征。在众多表现出独特缺陷的材料中，磁体展现出从纳米到微米尺度的多种缺陷，并在材料科学中得到了深入研究。具体而言，磁迷宫图案中的缺陷，即所谓的结点和终端，普遍存在并成为关注点。尽管检测和表征此类缺陷对于理解磁体至关重要，但系统性地研究包含上千个紧密堆积的结点和终端的大规模图像仍然是一项艰巨的挑战。本研究引入了一种名为TM-CNN（模板匹配-卷积神经网络）的新技术，旨在检测图像中的大量小目标，例如磁迷宫图案中的缺陷。TM-CNN被用于在444张实验图像中识别出641,649个此类结构，并对结果进行了探索以加深对磁性材料的理解。它采用两阶段检测方法，结合了用于初始检测的模板匹配和用于消除错误识别的卷积神经网络。训练CNN分类器需要标注大量的训练图像。这一困难阻碍了CNN在许多实际应用中的使用。TM-CNN通过自动完成大部分标注，仅将少量修正留给人工审核员，显著减少了创建训练图像的手动工作量。在测试中，TM-CNN取得了令人印象深刻的0.991的F1分数，远超传统的模板匹配和基于CNN的目标检测算法。