从 TEM 图像深度学习晶体缺陷：解决“训练数据永不足够”难题
计算机视觉与模式识别
2023-07-13 v1 材料科学
摘要
晶体缺陷（如线状位错）对许多金属器件的性能与可靠性起着重要作用。其相互作用与演化仍给材料科学与材料物理学带来大量开放问题。原位 TEM 实验可深入揭示位错的行为与运动。此类实验中，位错微观结构以视频形式被记录。对单帧视频的分析可提供有用见解，但受限于将位错作为弯曲对象进行自动识别、数字化与定量提取的能力。海量数据亦使人工标注极为耗时，从而限制了基于深度学习的位错微观结构自动图像分析与分割的应用。本工作开发了用于生成位错分割合成训练数据的参数化模型。尽管领域科学家有时可能认为合成训练图像过于人工化，我们的结果表明它们可带来更优性能，尤其在深度学习模型针对不同微观结构与成像条件的泛化方面。此外，我们提出了一种增强的深度学习方法来优化重叠或相交位错线的分割。在四个不同真实数据集上测试该框架时，我们发现合成训练数据能在真实图像上产出高质量结果——若对少量真实图像进行微调则效果更佳。
引用
@article{arxiv.2307.06322,
title = {Deep Learning of Crystalline Defects from TEM images: A Solution for the Problem of "Never Enough Training Data"},
author = {Kishan Govind and Daniela Oliveros and Antonin Dlouhy and Marc Legros and Stefan Sandfeld},
journal= {arXiv preprint arXiv:2307.06322},
year = {2023}
}