Jul, 2023

TEM 图像中晶体缺陷的深度学习：解决 “训练数据永远不够” 的问题

PDF
TL;DR本研究提出了用于分割位错的合成训练数据的参数模型，并开发了一种优化分割重叠或相交位错线的深度学习方法，该方法在多种微结构和成像条件下都表现出高效性和优越性。
crystalline defectsdislocationsin-situ tem experimentsdeep learning-based image analysissynthetic training data
发现论文，激发创造
  • TEM 图像中位错的实例分割

    本文研究了在原位应力变形实验中利用定量透射电子显微镜（TEM）揭示金属晶格中线性缺陷 —— 位错的运动。通过定量比较现有的实例分割方法，并将位错分割结果转换为数学线条以进行定量分析，我们提出了一种基于长度的新颖质量度量指标，用于估计网络性能。我们的分割方法准确性高且适用于领域特定的后处理，此外，我们提出的物理度量方式在性能上表现更加稳定可靠。

    Sep, 2023

  • 扫描电子显微镜图像中的自动半导体缺陷检测：系统综述

    半导体材料和器件中检测缺陷的高效准确方法需求日益增长。这篇文章通过对 38 篇相关研究论文进行系统回顾，全面总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状，包括最新创新和发展，提供了方法的综合概述和分析，并对未来工作提出了有希望的方向。

    Aug, 2023

  • AI 引导下的缺陷检测技术模拟单晶金刚石生长

    通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。

    Apr, 2024

  • 无监督与监督学习相结合的显微镜技术实现对整片 4H-SiC 晶片缺陷分析

    通过融合各种图像分析和数据挖掘技术，我们在这项工作中创建了一个强大且准确的自动化图像分析流水线，用于提取显微图像中 KOH 刻蚀的 4H-SiC 晶片的所有缺陷的类型和位置。

    Feb, 2024

  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019

  • 利用集成深度学习在 TMDs 的 STM 中检测原子尺度表面缺陷

    通过使用一组类 U-Net 的卷积神经网络，在单晶 WSe2 的扫描隧道显微镜图像中展示了原子尺度的缺陷检测。标准的深度学习测试指标表明具有良好的检测性能，平均 F1 得分为 0.66，并展示了对 WSe2 的 C-AFM 图像和 MoSe2 的 STM 图像的整体泛化。从缺陷检测地图中自动提取缺陷坐标，表明通过机器学习增强的 STM 图像分析可用于显著提高样品表征吞吐量。

    Dec, 2023

  • 基于深度学习的晶体结构洞见性分类

    本研究提出了一种基于机器学习的方法，通过计算衍射图像并构建神经网络模型进行分类，可正确识别包括有缺陷的结构在内的超过 100,000 个模拟晶体结构的晶体对称性，为材料科学中的三维结构数据的晶体结构识别铺平了道路。

    Sep, 2017

  • 基于半扩散模型的半导体缺陷分类和分割方法 (SEMI-DiffusionInst)

    本研究针对制造领域中先进节点技术中扫描电子显微镜图像的缺陷检测问题，提出了一个名为 “SEMI-DiffusionInst” 的新的半导体缺陷检测框架，并证明了该方法可以准确地检测并划分缺陷图案

    Jul, 2023

  • 利用语义网络技术对位错动力学数据建模

    材料科学与工程领域的研究主要集中在材料的设计、合成、性质和性能。晶体材料是一类被广泛研究的重要材料，包括金属和半导体。晶体材料通常包含一种名为 “位错” 的不同类型缺陷，该缺陷显著影响材料的诸多性质，包括强度、断裂韧性和延展性。最近，研究人员通过实验表征技术和模拟（如位错动力学模拟）致力于理解位错行为。本文介绍了如何利用语义 Web 技术通过本体对位错动力学模拟数据进行建模。我们通过添加缺失的概念并将其与两个相关本体（即基础多透视材料本体和材料设计本体）进行对齐，扩展了现有的位错本体，从而实现了对位错模拟数据的有效表示。此外，我们展示了一个实际应用案例，将离散位错动力学数据表示为知识图（DisLocKG），展示了它们之间的关系。我们还开发了一个 SPARQL 终端，为查询 DisLocKG 带来了极大的灵活性。

    Sep, 2023

  • 利用合成训练数据提高深度学习质量检测的泛化能力

    通过生成合成图像来解决领域不稳定性问题，从而使训练的深度学习模型更加稳健。我们描述了我们的合成数据生成管道和我们的深度学习方法来回答这些问题。

    Feb, 2022