.png){kind=icon}
返回
Automated image segmentation for accelerated nanoparticle characterization
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-01337-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
材料科学的最新进展使得在芯片上合成数百万个独立的纳米颗粒成为可能。然而，表征过程中的许多步骤仍然需要大量的人工输入。为解决这一挑战，我们提出了一种自动化的图像处理流水线，利用智能图像分割和坐标生成来优化高通量纳米颗粒表征。所提出的方法能够快速分析每幅图像，并返回经过优化的采集坐标，适用于多种分析型STEM技术，包括4D-STEM、EELS和EDS。该流水线采用计算机视觉和无监督学习来去除图像背景、将颗粒分割为感兴趣区域，并生成采集坐标。该方法消除了均匀网格采样的需求，使数据采集集中在感兴趣区域。我们使用包含900多幅高分辨率灰度纳米颗粒图像的多样化数据集验证了该方法，根据专家验证标准，成功率达到96.0%。以既定的4D-STEM采集时间为基准，我们的方法将总处理时间减少了25.0至29.1倍。通过自动化这一关键预处理步骤并优化数据采集，我们的流水线显著加速了材料表征工作流程，同时减少了不必要的数据收集。
Keyword:
CONVOLUTIONAL NEURAL-NETWORK
ARTIFICIAL-INTELLIGENCE
DEEP
期刊
IF:
3.9
论文数:
28.1W
被引数:
83.5W
机构
暂无机构信息
引用论文
Machine Learning Enabled Image Classification for Automated Data Acquisition in the Electron Microscope基于机器学习的图像分类在电子显微镜自动化数据采集中的应用OAAI
OAAI分享收藏Perspective: Materials informatics and big data: Realization of the fourth paradigm of science in materials science透视: 材料信息学与大数据: 第四科学范式在材料科学中的实现.png)
APL MATERIALS
OAAI
APL MATERIALSIF4.5
OAAI分享收藏Deep learning approaches for mining structure-property linkages in high contrast composites from simulation datasets用于从模拟数据集挖掘高对比度复合材料中的结构-属性联系的深度学习方法OAAI
OAAI分享收藏Recent advances and applications of deep learning methods in materials science深度学习方法在材料科学中的最新进展与应用OAAI
OAAI分享收藏
查看更多内容