基于深度学习的STEM图像分析：二硫化钼空位缺陷与多晶型的识别
介观与纳米尺度物理
2022-06-10 v1 材料科学
计算机视觉与模式识别
摘要
扫描透射电子显微镜(STEM)是广泛用于多种材料原子分辨率结构分析不可或缺的工具。STEM 图像的传统分析是一个大量人工参与的过程，限制了高通量数据的有效处理。在此，我们应用全卷积网络(FCN)来识别二维晶体重要结构特征。ResUNet，一种 FCN，被用于从原子分辨率 STEM 图像中识别 {MoS_2} 的硫空位与多晶型类型。基于在不同水平噪声、像差与碳污染下用模拟图像训练，获得了高效模型。FCN 模型对大量实验 STEM 图像的准确率可与细致的人工分析相媲美。我们的工作提供了训练深度学习模型用于 STEM 图像分析的最佳实践指南，并展示了 FCN 在处理大量 STEM 数据中的高效应用。
引用
@article{arxiv.2206.04272,
title = {STEM image analysis based on deep learning: identification of vacancy defects and polymorphs of ${MoS_2}$},
author = {Kihyun Lee and Jinsub Park and Soyeon Choi and Yangjin Lee and Sol Lee and Joowon Jung and Jong-Young Lee and Farman Ullah and Zeeshan Tahir and Yong Soo Kim and Gwan-Hyoung Lee and Kwanpyo Kim},
journal= {arXiv preprint arXiv:2206.04272},
year = {2022}
}
备注
24 pages, 5 figures