基于随机森林分类器的聚焦离子束/扫描电镜层析成像图像分类方法用于高孔隙率多相材料
材料科学
2022-07-29 v1 机器学习
摘要
FIB/SEM 层析成像是电池研究及许多其他领域中三维纳米结构表征不可或缺的工具。然而，对比度与三维分类/重建问题在许多情况下都会出现，这严重限制了该技术尤其在多孔材料（如电池或燃料电池电极材料）上的适用性。区分活性锂存储颗粒与碳/粘结剂材料等不同组分十分困难，且常常阻碍对图像数据的可靠定量分析，甚至可能导致关于结构-性能关系的错误结论。在本文中，我们提出了一种针对 FIB/SEM 层析成像所获得三维图像数据的分类新方法，并将其应用于 NMC 电池电极材料。我们使用两种不同的图像信号，即倾斜 SE2 腔体探测器信号与 Inlens 探测器信号，将两者结合并训练随机森林（即一种特定的机器学习算法）。我们证明该方法能够克服现有适用于多相测量的技术之局限，并可在当前最先进技术失效或需要大量训练集的情况下实现定量数据重建。该方法可作为未来使用 FIB/SEM 层析成像研究的指导方针。
引用
@article{arxiv.2207.14114,
title = {Classification of FIB/SEM-tomography images for highly porous multiphase materials using random forest classifiers},
author = {Markus Osenberg and André Hilger and Matthias Neumann and Amalia Wagner and Nicole Bohn and Joachim R. Binder and Volker Schmidt and John Banhart and Ingo Manke},
journal= {arXiv preprint arXiv:2207.14114},
year = {2022}
}