深度学习在图像处理分析中起着越来越重要的作用。材料科学和工程学的进步推动了透射电子显微镜(TEM)和相关技术的飞速发展,有效且准确地分析TEM数据变得越来越重要。
本研究将深度学习应用于高分辨率透射电子显微镜(HRTEM)图像晶面间距和晶面夹角的自动快速测量中,能够自动提取快速傅里叶变换(FFT)图像中的衍射斑点,在计算机视觉技术的协助下,可以自动计算与FFT图像中被识别的衍射点相对应的晶格间距以及晶面夹角,并与标准晶体结构数据进行比较。结果显示,该方法晶格间距测量的误差小于1%。
本研究中所用到的神经网络结构为U-net结构,共使用100组HRTEM及其FFT图像作为训练集,通过对100组图像进行深度学习,反复优化了一种处理机制,然后将其嵌入到神经网络结构中以确保通过神经网络处理的任意FFT图像都可以产生类似于手动处理的图像。数据经过2000次模型学习过程,最终获得了可用于提取FFT图像中衍射点的神经网络。在后续过程中,开发了一种可自动聚类白像素点算法,使得该方法适用于多对衍射点存在的情况。本研究证明了深度学习技术在协助晶体材料发展方面的巨大潜力。
相关论文于2020年7月9日在线发表在SCIENCE CHINA Materials杂志(http://engine.scichina.com/doi/10.1007/s40843-020-1368-7)
![](/__local/F/20/46/85694761F90577B591C6E078D27_BFD51423_13C38.jpg?e=.jpg)
图一:方法流程图
![](/__local/9/23/29/831187C84A788E09D6A1B305551_10460E04_12242.jpg?e=.jpg)
图二:本方法应用于Fe3O4纳米材料分析实例