低对比度显微镜视频中单个纳米管的深度学习识别与跟踪
介观与纳米尺度物理
2024-10-18 v1 计算机视觉与模式识别
图像与视频处理
摘要
本研究针对使用原位同位体偏振显微镜（HPM）分析碳纳米管生长动力学的挑战，开发了一种自动化深度学习（DL）方法。采用增强 ResNet-50 主干网络的 Mask-RCNN 架构，用于识别和跟踪显微镜视频中的单个纳米管，显著提高了动力学数据提取的效率和可重复性。该方法包括一系列视频处理步骤以增强对比度，并采用差异处理技术来管理低信噪比和快速动力学。DL 模型与手动测量结果一致，并提高了吞吐量，为纳米管生长的统计研究奠定了基础。该方法可适用于其他类型的原位显微镜研究，强调了自动化在单个纳米对象高通量数据获取研究中的重要性。
引用
@article{arxiv.2410.13594,
title = {Deep-learning recognition and tracking of individual nanotubes in low-contrast microscopy videos},
author = {Vladimir Pimonov and Said Tahir and Vincent Jourdain},
journal= {arXiv preprint arXiv:2410.13594},
year = {2024}
}
备注
13 pages, 5 Figures, No supporting information included