基于机器学习的扫描电子显微镜 (SEM) 图像中晶粒边界识别
材料科学
2025-01-09 v1 计算机视觉与模式识别
图像与视频处理
摘要
由有序纳米粒子排列构成的纳米粒子超晶体具有独特的光学、磁性和电子属性，这些属性源于纳米粒子特性及其集体行为。理解加工条件如何影响纳米尺度排列和微结构对于工程具有关键意义的材料至关重要。微结构特征如晶界、晶格缺陷和孔隙显著影响这些属性，但使用传统手动分析方法进行定量化具有挑战性，因为这些方法 labor-intensive且易出错。在本工作中，我们提出了一种用于自动化 SEM 图像中晶粒分割的机器学习工作流程。该工作流程将信号处理技术（如 Radon 变换）与无监督学习方法（如层次聚类）集成，以在不 requiring 手动标注数据的情况下识别和分割晶粒。在工作流程中，我们将原始像素数据转换为纳米粒子超晶体取向的可解释数值表示，以进行聚类。基准测试结果表明，该工作流程对噪声图像和边缘情况具有鲁棒性，在标准计算硬件上每分钟可处理四个图像。这种效率使该工作流程可扩展到大规模数据集，并成为将数据驱动模型集成到材料设计和分析决策过程中的有价值工具。例如，可以使用该工作流程在不同的加工条件（如温度和压力）下对晶粒尺寸分布进行量化，并据此调整加工条件以实现所需的超晶体取向和晶粒尺寸。
引用
@article{arxiv.2501.04172,
title = {Machine Learning for Identifying Grain Boundaries in Scanning Electron Microscopy (SEM) Images of Nanoparticle Superlattices},
author = {Aanish Paruchuri and Carl Thrasher and A. J. Hart and Robert Macfarlane and Arthi Jayaraman},
journal= {arXiv preprint arXiv:2501.04172},
year = {2025}
}