Sep, 2023

TEM 图像中位错的实例分割

PDF
TL;DR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。
quantitative transmission electron microscopyin-situ strainingdislocationsinstance segmentationnetwork performance
发现论文，激发创造
  • 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

    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。

    Jul, 2023

  • 位错制图：具有独特指纹的位错网络的表示和无监督分类

    利用 Isomap 技术揭示不同压缩轴下位阶密度场数据的位错结构的内在结构，并提供了基于密度场的独特指纹，这种新颖的无偏方法有助于位错结构的定量分类。

    Jun, 2024

  • 电子显微技术中无监督分割的辐射诱导有序 - 无序相变

    使用无监督分割方法对电子显微镜图像进行分割，以跟踪用于催化和电子领域的薄膜中辐照引起的非晶前沿，为自动化电子显微镜提供指导。

    Nov, 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

  • PyNanospacing：应变分析与可视化的 TEM 图像处理工具

    该研究论文利用扫描电子显微镜图像处理和 Python 编程开发了一种通用的算法，用于分析材料的性质，通过 TEM 图像生成应变等高图，并在原子级别上深入探索了应变工程背后的科学探索。

    Nov, 2023

  • DISO：用于建模晶体材料中位错的领域本体

    通过实验表征技术和模拟方法，本文引入了针对晶体材料中线性缺陷的概念和关系的缺陷本体论（DISO）。DISO 采用自上而下的方法进行开发，从定义线性缺陷领域中最通用的概念开始，并对其进行进一步的细化。使用 W3C 最佳实践发布连接数据的持久 URL 发布了 DISO。通过两个潜在的用例来说明 DISO 在缺陷动力学领域的实用性。对本体论的评估从两个方向进行，既评估本体论在建模现实领域方面的成功性，也评估本体论的丰富性。

    Jan, 2024

  • 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

  • 低电子剂量 LC-TEM 获取的原位图像的机器学习优化

    我们研究了一种机器学习技术，用于通过液体透射电子显微镜（LC-TEM）在原位观察期间对所获得的图像进行细化。我们的模型采用了 U-Net 架构和 ResNet 编码器。通过准备一个原始图像数据集进行训练，其中包含了使用和不使用溶液的样品的图像对。训练后的模型可以将噪声图像转换为清晰的图像，转换时间约为 10 毫秒，并且我们将该模型应用于使用 Gatan DigitalMicrograph（DM）软件进行原位观察时。即使由于低电子剂量原因，DM 软件的视图窗口中看不到纳米颗粒，但在我们的机器学习模型生成的连续细化图像中是可见的。

    Oct, 2023

  • 基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

    本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

    Nov, 2022

  • 利用自注意力和软标记的深度学习进行二维量子材料识别

    本文提出了一种新的方法来解决二维量子材料在硅芯片中的检测问题，该方法利用实例分割重点解决了缺少注释数据的问题，并通过自动检测假阴性物体和基于注意力的损失策略来减少这些物体对整体损失函数的负面影响，实验表明该方法优于之前的工作。

    May, 2022