扫描透射电子显微镜的深度学习识别：高斯噪声影响的量化与缓解
图像与视频处理
2024-09-26 v1 计算机视觉与模式识别
摘要
扫描透射电子显微镜（STEM）是揭示材料形貌和结构的有力工具，因此引起了科学界和工业界的浓厚兴趣。STEM 技术出色的空间分辨率（原子级）和时间分辨率（毫秒级）生成了大量高清晰度数据，从而实现了材料的高通量和高速分析。另一方面，处理 STEM 生成的大数据集非常耗时，超出了人工处理的能力，迫切需要基于计算机的自动化。在这项工作中，我们提出了一种深度学习掩膜区域神经网络（Mask R-CNN），用于识别 STEM 成像的纳米颗粒，并生成相关的尺寸分析。该 Mask R-CNN 模型在具有不同高斯噪声、颗粒形状和颗粒尺寸的模拟 STEM-HAADF 结果上进行了测试，结果表明高斯噪声对识别准确性具有决定性影响。通过对包含噪声的 STEM-HAADF 结果应用高斯滤波和非局部均值滤波，噪声的影响得到了很大程度的缓解，识别准确性显著提高。这种滤波-识别方法被进一步应用于实验性 STEM-HAADF 结果，与传统阈值方法相比，获得了令人满意的准确性。这项工作中开发的基于深度学习的方法在分析 STEM-HAADF 生成的复杂结构和大数据方面具有巨大潜力。
引用
@article{arxiv.2409.16637,
title = {Deep-Learning Recognition of Scanning Transmission Electron Microscopy: Quantifying and Mitigating the Influence of Gaussian Noises},
author = {Hanlei Zhang and Jincheng Bai and Xiabo Chen and Can Li and Chuanjian Zhong and Jiye Fang and Guangwen Zhou},
journal= {arXiv preprint arXiv:2409.16637},
year = {2024}
}