Deep learning approaches for dislocation segmentation in TEM

doi:10.1016/j.ultramic.2026.114334

Deep learning approaches for dislocation segmentation in TEM

2026-05-01

0

PRE

AI

DOI：10.1016/j.ultramic.2026.114334

原文链接

原文求助

摘要

En 中文

位错是至关重要的缺陷，因为其动力学影响合金的力学性能。在透射电子显微镜（TEM）尺度下，位错动力学分析需要丰富的图像衬度知识以及耗时的测量。本文介绍了多种基于深度学习的方法，旨在通过在TEM下对多种材料和成像条件下进行位错分割，从而促进后续分析。我们提出了完全监督学习（FSL）和半监督学习（SSL）两种方法，采用编码器-解码器神经网络架构和边界型损失函数。在FSL中，训练基于标注图像进行，而SSL则额外采用无监督方式利用图像，以通过内部构建的大型未标注数据集丰富特征描述。我们证明SSL能提升评估指标，且几乎达到人类专家的性能。最后，我们探索了合成图像在无监督学习（领域自适应）中的应用。我们基于物理原理构建了数据集，结合图像模拟和位错动力学模拟。尽管视觉上表现出合理的一致性，但特征知识从合成图像转移到真实图像时存在困难，导致性能下降。然而，合成图像可有助于改善更困难成像条件下的预测。作为展望，我们展示了其在自动密度测量中的直接应用示例。

Keyword:

Deep learning

Dislocation segmentation

Supervised and semi-supervised learning

Deep learning approaches for dislocation segmentation in TEM

摘要

期刊

机构